人工智能和机器学习概念简介
日期:2020-10-13 14:55:59  发布人:小编  浏览量:

  人工智能(AI)和机器学习(ML)在不同领域的应用改变了传统方法,以适应不同的应用。 尽管术语AI和ML可以互换使用,但前者的目标是任务的成功,而后者则确保任务的准确性。

  从营销和零售到医疗保健和金融,人工智能(AI)和机器学习(ML)在这些领域的应用正在彻底改变传统方法以适应不同的应用。 人工智能使系统能够感知,理解,行动和学习执行复杂的任务,例如需要人类智能的早期决策。 与常规编程不同,在常规编程中,您需要为每种情况定义动作。  AI和ML算法的结合可以处理大型数据集,训练如何响应以及从遇到的每个问题中学习以产生更准确的结果。

  这不仅影响我们使用数据的方式,还影响我们设计和制造用于下一代设备的硬件芯片或集成电路(IC)的方式,从而开辟了新的机遇。 人工智能的发展已将创新的核心从软件转移到了硬件。 例如,为了获得更好的性能,与处理和传输大数据集的传统要求相比,人工智能需要更多的存储空间。 以家庭中越来越多地使用虚拟助手为例。 如果没有可靠的硬件来实现与内存和逻辑相关的功能,则这些功能将无法正常工作。

  根据埃森哲实验室和埃森哲研究所的年度报告,与诸如扩展现实,分布式分类帐和量子计算等技术相比,半导体行业对人工智能在未来几年的工作潜力非常乐观。 四分之三(77%)的受访半导体高管表示,他们要么已经在业务中采用了人工智能,要么正在试用该技术。

人工智能和机器学习概念简介(图1)



AI和ML的概念


  尽管术语AI和ML可以互换使用,但前者的目标是任务的成功,而后者则确保任务的准确性。 因此,解决复杂的问题是通过人工智能培训来完成的,但是通过从已执行的数据和任务中学习来最大化效率是ML的概念。  ML依靠大型数据集来找到常见的模式并根据概率进行预测。

  在金融市场预测和自动驾驶控制系统中,人工智能的应用更为普遍。 在所谓的监督学习ML算法中,建立输入数据与目标输出之间关系的模型以进行预测,而无监督学习则不需要对数据进行分类训练。 在需要从环境中连续获取信息的复杂计算机游戏中,可以实现强化学习。

  ML样神经网络的分支已应用于语音识别,社交网络过滤,计算机视觉,自然语言处理等领域。 这些技术获取并检查了成千上万个用户的数据,以实现精确的应用,例如人脸识别。 这促进了人们认为不可思议的创新的快速发展,但是随着硬件的发展,其地位可能在未来几十年被更先进的创新所取代。

  AI和ML可以发展到当前水平,这不仅是由于算法的进步,而且还得益于存储容量,计算能力,网络等的进步,从而使公众可以经济地使用先进的设备 成本。 传统上,逻辑一直是电子系统设计中的硬连线。 但是,鉴于当前的高制造成本和芯片开发的复杂性,人工智能驱动的处理器体系结构正在重新定义传统的处理器体系结构,以满足新的要求。

  该计算主要在中央处理单元(CPU)上执行,该中央处理单元是计算机的大脑。 随着使用AI和ML算法,通过图形处理单元(GPU),微处理器(MPU),微控制器(MCU),现场可编程门阵列(FPGA)结合数字信号处理器对计算要求越来越高的应用的出现(  DSP),其他处理选项正在涌现,以满足最佳特性。 这些被认为是不同类别的选项正逐渐成为异构处理解决方案,例如片上系统(soc)和定制设计的专用集成电路(asic)。

  与传统的神经网络模型不同,它不仅需要高带宽数据存储,而且还需要大量数据。 用于正常操作的易失性存储器数量的增加将导致功耗的过度增加。 这就需要不断开发内存接口,以确保高速执行任务。 尽管新的处理器体系结构有助于减少负载,但是其他机制(例如新的内存接口和内存处理本身)也正在研究和实现。

英国初创公司Graphcore的IPU是一种具有高片上存储容量的新型处理器,专门设计用于处理机器智能模型中的复杂数据结构。 外部存储器返回结果要比片上存储器更长。 根据IHS Markit的报告,全球人工智能应用中存储设备的收入将从2019年的206亿美元增加到2025年的604亿美元,处理器领域将从2019年的222亿美元增加到2025年。68.5 十亿美元。

  因此,半导体提供了所有人工智能应用所需的处理和存储功能。 提高网络速度对于同时处理多台服务器和开发准确的人工智能模型也很重要。 诸如高速互连和路由交换机之类的措施正在接受负载平衡检查。

  人工智能的答案在于应用技术的改进。  AI和ML被用于提高性能,并且随着设计团队在该领域的经验越来越丰富,他们将改善芯片的开发,制造和调整以进行更新。

  美国Synopsys称,在现有EDA工具中使用基于ML的预测模型时,在HSPICE中,黄金时间的功率恢复速度提高了5倍,高sigma仿真速度提高了100倍。 所有这些都需要专注于研发和精确的端到端解决方案,以便为可能的新市场创造机会,在这些新市场中,半导体公司会在不同的细分市场中创造价值。



克服挑战


  主要关注的是数据及其使用。 这不仅需要新的处理器架构。 对于不同的目的和应用,人工智能的结构和价值可能对于不同的目的变得毫无用处。

  人工智能使处理数据而不是单个位成为可能,并且当以矩阵形式执行存储操作时,人工智能工作效果最佳,从而增加了要处理和存储的数据量,从而提高了软件效率。 例如,当以尖峰形式输入数据时,尖峰神经网络可以减少数据流。 此外,即使存在大量数据,也可以减少训练预测模型所需的有用数据量。 但是问题仍然存在。 就像在芯片设计中一样,ML模型的训练是在不同环境中的不同级别上独立进行的。

  人工智能的应用需要标准化的方法。 为了有效地利用人工智能,有必要考虑为人工智能设计的芯片和经过修改以满足人工智能要求的芯片。 如果系统中存在问题,则需要工具和方法来快速解决问题。 尽管越来越多地使用设计自动化工具,但是设计过程仍然是高度手动的。 调整输入是一个耗时但效率极低的过程。 设计和实现中的哪怕一小步本身也可能是一个全新的问题。

  许多公司声称使用人工智能和机器语言来利用这一趋势并增加销售和收入。 这种现象已被广泛滥用。 尽管压缩和解压缩的成本不是很高,但片上存储器的成本却并不便宜。 人工智能芯片通常也很大。

  为了构建用于存储和处理数据的系统,需要来自不同团队的专家进行协作。 大型芯片制造商,IP供应商和其他电子公司将使用某种形式的人工智能来提高其运营效率。 以较低的计算成本提供云计算服务将有助于推动进度。 技术的进步将迫使半导体公司提高其员工的能力并重新培训他们的技能,从而使市场上的下一代设备成为可能。


核发:小编 点击数: 收藏本页