211service.com
Un chip AI per aiutare i computer a comprendere le immagini
Un potente approccio all'intelligenza artificiale potrebbe arrivare sugli smartphone.
I ricercatori della Purdue University stanno lavorando per commercializzare progetti per un chip che aiuti i processori mobili a utilizzare il metodo di intelligenza artificiale noto come deep learning. Sebbene il potere del deep learning abbia ispirato aziende come Google, Facebook e Baidu a investire nella tecnologia, finora è stato limitato a grandi gruppi di computer ad alta potenza. Quando Google ha sviluppato un software che ha imparato a riconoscere i gatti dai video di YouTube, l'esperimento ha richiesto 16.000 processori (vedi Software autodidatta).
Essere in grado di implementare il deep learning in modi più compatti ed efficienti dal punto di vista energetico potrebbe portare a smartphone e altri dispositivi mobili in grado di comprendere il contenuto di immagini e video, afferma Eugenio Culurciello , un professore alla Purdue che lavora al progetto. A dicembre, al Conferenza sui sistemi di elaborazione delle informazioni neurali in Nevada, il gruppo ha dimostrato che un coprocessore collegato a un processore per smartphone convenzionale potrebbe aiutarlo a eseguire un software di deep learning. Il software è stato in grado di rilevare volti o etichettare parti di una scena di strada. Il design del coprocessore è stato testato su un FPGA, un chip riconfigurabile che può essere programmato per testare un nuovo design hardware senza le notevoli spese di fabbricazione di un chip completamente nuovo.
Il prototipo è molto meno potente di sistemi come il rilevatore di gatti di Google, ma mostra come nuove forme di hardware potrebbero consentire di utilizzare più ampiamente la potenza del deep learning. Ce n'è bisogno, dice Culurciello. Probabilmente hai una raccolta di diverse migliaia di immagini che non guardi mai più e non abbiamo una buona tecnologia per analizzare tutti questi contenuti.
Dispositivi come Google Glass potrebbero anche trarre vantaggio dalla capacità di comprendere le abbondanti immagini e i video che stanno catturando, afferma. Le immagini e i video di una persona potrebbero essere ricercabili utilizzando il testo, ad esempio un'auto rossa o una giornata di sole con la mamma. Allo stesso modo, potrebbero essere sviluppate nuove app che agiscono quando riconoscono particolari persone, oggetti o scene.
Il software di deep learning funziona filtrando i dati attraverso una rete gerarchica e multistrato di neuroni simulati che sono individualmente semplici ma possono mostrare comportamenti complessi se collegati tra loro (vedi Deep Learning). I computer sono inefficienti nell'esecuzione di tali reti perché sono molto diversi dal software convenzionale.
Il design del coprocessore di Purdue è specializzato per eseguire soprattutto reti neurali multistrato e per farle funzionare su immagini in streaming. Nei test, il prototipo si è dimostrato circa 15 volte più efficiente dell'utilizzo di un processore grafico per lo stesso compito e Culurciello ritiene che i miglioramenti al sistema potrebbero renderlo 10 volte più efficiente di quanto non sia ora.
Narayan Srinivasa , direttore del centro per i sistemi neurali ed emergenti presso HRL Laboratories, un laboratorio di ricerca di proprietà congiunta di Boeing e General Motors, afferma che ha senso utilizzare un coprocessore per aiutare a implementare reti di deep learning in modo più efficiente. Questo perché nei computer convenzionali, un processore e la sua memoria risiedono in blocchi separati di hardware. Al contrario, le operazioni delle reti neurali in stile deep learning e le reti neurali reali a cui sono ispirate intrecciano memoria ed elaborazione. La ricerca di Narayan si concentra sull'affrontare questo problema con una soluzione più estrema: la progettazione di chip con neuroni di silicio e sinapsi che imitano quelli del cervello reale (vedi Thinking in Silicon).
La soluzione del gruppo Purdue non rappresenta un ripensamento così fondamentale del funzionamento dei chip dei computer. Ciò potrebbe limitare l'efficienza con cui i loro progetti possono eseguire reti neurali di deep learning, ma anche rendere più facile il loro utilizzo nel mondo reale. Culurciello ha già avviato una società, chiamata TeraDeep , per commercializzare i suoi disegni.
L'idea è che vendiamo l'IP per implementarlo in modo che un grande produttore come Qualcomm o Samsung o Apple possa aggiungere questa funzionalità al proprio processore in modo da poter elaborare le immagini, afferma Culurciello. Yann LeCun , un pioniere del deep learning alla New York University che ha recentemente iniziato leader della ricerca di Facebook nell'area , è un consulente della società.