隨著在舊金山舉行的國際電子設備會議(IEDM)和在蒙特利爾舉行的神經(jīng)信息處理系統(tǒng)會議(NeurlPS)的開門紅，對于任何希望跟上人工智能研發(fā)發(fā)展步伐的人來說，本周都顯得十分重要。

　　正如IBM的研究人員正在詳細介紹用于數(shù)字和模擬人工智能芯片的新人工智能方法。IBM自豪地宣稱，其數(shù)字AI芯片“首次成功地使用8位浮點數(shù)訓練了深度神經(jīng)網(wǎng)絡(DNNs)，同時在深度學習模型和數(shù)據(jù)集的頻譜上完全保持了準確性。”

　　另外，IBM的研究人員正在IEDM上展示一種模擬人工智能芯片，它使用8位精度的內(nèi)存與投影相變內(nèi)存相乘。

　　AI的GPU時代結束了

　　IBM大膽預測，GPU在人工智能領域的主導地位將終結。GPU能夠為圖形處理做很多并行矩陣乘法。這樣的矩陣乘法恰好是你需要用神經(jīng)網(wǎng)絡做的事情。

　　移動到較低的精度

　　提高效率的一個途徑是降低人工智能處理所需的精度。

　　在人工智能中，神經(jīng)網(wǎng)絡是當你展示一幅圖像或一個詞，我們問它是貓還是狗時，它說它是貓。如果這是正確的答案，你就不必關心中間的所有計算。

　　理想情況下，人工智能應該模仿人眼，這解釋了人工智能處理中精度下降的趨勢。

　　2015年，IBM Research發(fā)布了AI模型訓練推理的降精度方法，論文描述了一種針對傳統(tǒng)CMOS技術的新型數(shù)據(jù)流方法。IBM展示了經(jīng)過16位精度訓練的模型，與經(jīng)過32位精度訓練的模型相比，精度沒有損失。

　　從那時起IBM注意到，降低精度的方法很快被采納為行業(yè)標準，16位培訓和8位推斷現(xiàn)在已經(jīng)很普遍，并刺激了創(chuàng)業(yè)公司和風險投資的爆炸式增長，用于降低基于精度的AI芯片，盡管出現(xiàn)了這種新趨勢，但由于需要保持模型的高精度，用數(shù)字表示小于16位的“訓練”幾乎是不可能的。