I en spændende udvikling inden for kunstig intelligens har tech-giganten Intel taget et betydeligt spring med sin neurale processor, Loihi 2. Sandia National Laboratories driver nu en supercomputer bestående af 1.152 forbundne Loihi 2 chips, hvilket markerer opførelsen af det, der er blevet kaldt det største neurale beregningssystem.
Denne innovation kommer på et tidspunkt, hvor traditionelle high-end computereheder, såsom Nvidias “Blackwell” GPU, kræver op til 1200 watt strøm og nødvendiggør flydende køleløsninger for at styre deres varmeudledning. Intels neurale teknologi tilbyder en markant kontrast, idet den efterligner hjernens neurale funktioner og kræver markant mindre energi sammenlignet med de fleste datacenter-processorer.
The Next Platform overvåger konsekvent fremskridtene inden for computerteknologi og holder øje med potentiel banebrydende hardware, herunder dataflow-motorer, neurale processorer og kvantecomputere. Historiske milepæle som IBMs TrueNorth, udviklet i samarbejde med DARPA, og Intels første generationer af Loihi-chips har dannet grobund for denne nye iteration.
Den neurale supercomputer, med navnet Hala Point, repræsenterer et skridt fremad i udforskningen af alternative arkitekturer til kunstig intelligens. Loihi 2 chips har en forfinet design, som reducerer den fysiske størrelse samtidig med bevarelsen af antallet af neuronkerner, hvilket markant øger det samlede antal neuroner til 1 million og bevarer et højt antal synapser.
Denne maskines dygtighed afspejler kompleksiteten i en uglehjernesystem, idet den står som et vidnesbyrd om de enorme muligheder inden for neurale beregninger. Med 1,15 milliarder neuroner og 138,2 milliarder synapser leverer den ti gange så meget “hjernestyrke” som sin forgænger, Pohoiki Springs systemet.
Bemærkelsesværdigt opnår Hala Point denne præstation ved at forbruge beskedne 2.600 watt inden for et ekstremt kompakt 12U rack. Systemet udviser en imponerende processeringskapacitet på hundredvis af billioner synaptiske og neuronoperationer pr. sekund, hvilket illustrerer en enestående effektivitet, som AI-området har sukket efter. Dette stemmer overens med Sandias mission om at undersøge nye arkitekturer, som på sigt kunne påvirke arbejdsbyrder og databehandlingsmodeller i den virkelige verden.
Vigtige spørgsmål og svar:
Q: Hvad er neurale beregninger?
A: Neurale beregninger indebærer design af computerchips, der efterligner den neurale struktur i den menneskelige hjerne. Denne tilgang kan føre til betydelige forbedringer i effektivitet og ydeevne for specifikke typer beregninger, især dem der er relateret til mønstergenkendelse, læring og bearbejdning af sensorisk data.
Q: Hvorfor er der interesse for neurale chips som Intels Loihi 2?
A: Der er stigende interesse for neurale chips, da de tilbyder potentiale for at tackle energi- og effektivitetsbegrænsningerne ved traditionelle beregningsarkitekturer. De kan behandle information på en måde, der er mere lignende biologiske hjerner, hvilket på sigt kan muliggøre mere naturalistiske og intelligente datacomputersystemer.
Q: Hvad er de vigtigste udfordringer forbundet med neurale beregninger?
A: Neurale beregninger står over for udfordringer, herunder skalering, programmerbarhed, integration med eksisterende datamaskinsystemer og udvikling af software, der fuldt ud kan udnytte deres unikke arkitekturer.
Vigtige udfordringer og kontroverser:
– Skalering: Selvom Loihi 2 neurale chips har taget et spring i opskalering af neurale systemer, forbliver yderligere skalering til niveauet af hjernens kompleksitet en udfordring.
– Software-økosystem: Udviklingen af et robust software-økosystem til programmering og brug af disse chips er essentiel. Branchen skal udvikle flere værktøjer og rammer, der tillader programmører at udnytte neuromorfisk hardware effektivt.
– Integration: Integration af neurale chips i eksisterende datamaskinsystemer og infrastruktur udgør tekniske forhindringer og kan kræve betydelige ændringer i nuværende praksis.
Fordele og ulemper:
Fordele:
– Energibesparelse: Neurale chips som Loihi 2 kan udføre komplekse beregninger med en brøkdel af den strøm, der kræves af traditionelle processorer.
– Realtidsbehandling: Arkitekturen er velegnet til realtidsbehandling af sensorisk information, hvilket gør den fordelagtig for applikationer såsom robotik eller kantcomputing.
– Læringsevne: Neurale processorer har potentiale til at lære og tilpasse sig gennem mekanismer lignende den neurale plasticitet i den menneskelige hjerne.
Ulemper:
– Specialiserede algoritmer: Optimal udnyttelse af neurale chips kræver ofte specialiserede algoritmer og software, som kan være udfordrende at udvikle.
– Teknologi på tidligt stadie: Teknologien er stadig i eksperimentfasen, hvilket gør breddanvendelse og support begrænset sammenlignet med konventionelle beregningsteknologier.
– Kompatibilitetsproblemer: Neurale chips kan have kompatibilitetsproblemer med eksisterende systemer og softwareværktøjer, hvilket gør integrationen til en udfordring.
For dem, der er interesserede i at læse mere om Intel, er virksomhedens hovedside tilgængelig her. Yderligere information om nye beregningsteknologier kan ofte findes via techforskningsfirmaer, akademiske publikationer og industrielle konferencer, som alle giver indblik i fremtidige retninger og fremskridt inden for AI og databehandling.
The source of the article is from the blog jomfruland.net