IBM研究员发表了一篇论文,介绍了将模拟计算用于人工智能(AI)的突破。
在构建人工智能系统的时候,需要对数据模型进行训练。就是对训练数据的不同子集赋予不同的权重,例如描述猫不同特征的图像数据。
在传统(数字)计算机上训练人工智能系统时,人工智能模型分散存储在内存中。计算任务需要在内存和处理单元之间不断传递数据。IBM 表示,这一过程会减慢计算速度,并限制能够实现的能效上限。
将模拟计算用于人工智能,可能会提供一种更有效的方法,实现同数字计算机上运行的人工智能相同的结果。IBM将模拟内存计算或模拟人工智能定义为一种借鉴生物大脑神经网络运行方式关键特征的技术。研究人员表示,在人类和许多其他动物的大脑中,突触的强度(称为权重)决定了神经元之间的通信。
IBM表示,在模拟人工智能系统中,这些突触权重被就地存储在相变存储器(PCM)之类的纳米级电阻存储器件的电导值中。然后,它们在深度神经网络中被用于进行累积乘法运算。
IBM表示,这项技术可以减少在存储器和处理器之间不断发送数据的需求。
在发表于《自然-电子学》(Nature Electronics)的一篇论文中,IBM研究院介绍了一种混合信号模拟人工智能芯片,可运行各种深度神经网络(DNN)推理任务。据IBM 称,这是首款在测试中执行计算机视觉AI任务方面与数字芯片不相上下的模拟芯片,而且能效比后者更高。
该芯片是在IBM的奥尔巴尼纳米技术中心制造的。它由64个模拟内存计算内核(或芯片)组成,每个内核包含一个256 x 256的突触单元交叉阵列。IBM表示,每个芯片中都集成了基于时间的模数转换器,用于在模拟数据和数字数据之间转换。每个芯片还集成了轻量级数字处理单元,IBM 称这些处理单元可执行非线性神经元激活功能和缩放操作。
IBM表示,每块芯片都可以执行一层DNN模型相关的计算。论文作者表示:“利用该芯片,我们对模拟内存计算的计算精度进行了最全面的研究,并在CIFAR-10图像数据集上实现了92.81%的精确度。”
好文章,需要你的鼓励
随着AI策略成熟,CIO开始重新考虑对公有云的依赖,私有云和本地环境重新受到关注。调查显示,67%的企业领导计划在未来12个月内将部分AI数据迁移至非云环境。主要原因包括成本可预测性、数据隐私保护、安全问题和云集成挑战。对于持续的AI工作负载,购买自有GPU比租用公有云更经济。私有云支出增长更快,预计2025年将有54%的组织在私有云上投入超过1000万美元。
沙特TachyHealth团队开发的32亿参数医疗AI模型Gazal-R1,通过创新的双阶段训练方法在医疗推理任务上超越了12倍大的模型,在MedQA等测试中取得87.1%的优异成绩,展现了精巧训练策略胜过规模扩张的重要启示,为资源有限的医疗AI研究提供了新路径。
本文深入分析了从传统AI发展到AGI过程中可能出现的智能爆发现象。基于AI专家共识的2040年AGI实现预期,文章探讨了七种主要发展路径,重点关注突破性的"登月路径"。智能爆发理论认为,智能可以像原子链式反应一样相互促进,快速产生大量新智能。文章预测2038-2039年可能发生智能爆发,随后在2040年实现AGI,但也指出了关于智能爆发的启动、控制和潜在风险等争议问题。
奥地利维也纳医科大学研究团队开发了RetFiner技术,通过让眼科AI模型同时学习OCT图像和医疗文字描述,显著提升了诊断准确率。该方法采用四种训练任务让AI模型建立图像与文字的深层联系,在三个主流眼科AI模型上实现了2-6个百分点的性能提升,为医学AI发展开辟了新方向。