Будущее индустрии it-гаджетов— искусственные нейронные сети. Еще дватри года- и в смартфонах среднего класса появятся мощные системы обработки массивов данных. Движение к невероятному будущему идет по нескольким направлениям...
ОНИ УЖЕ ЗДЕСЬ
Нейросети приходят в мобильные устройства
В 2016 г. инженеры MIT представили Eyeriss— первый мобильный чип со встроенным алгоритмом нейронных сетей для устройств малой мощности. Концепт интересен тем, что предлагает решение проблемы энергопитания компактных brain-like-систем. 168-ядерный процессор, в 10 раз более мощный, чем современные мобильные GPU, обрабатывает данные без отправки в « облака ». По пресс-релизу с News. mit. edu, в чипе Eyeriss минимизирована частота обмена данными между ядрами и внешними банками памяти— операции, связанные с большим энергопотреблением. Ядра обычных чипов завязаны на один общий банк памяти, тогда как каждое ядро Eyeriss располагает собственной памятью. Критически важная особенность Eyeriss: ядра обмениваются информацией, минуя шину системной памяти.
Проект, финансируемый оборонным агентством DARPA, а также Intel и Nvidia, может определить развитие мобильных устройств на несколько лет вперед. Но не только. Автономные нейросети станут основой интеллекта мобильных роботов и будут использоваться в самых разных областях. Особый интерес к исследованиям демонстрируют ВВС США.
Мгновенное распознавание речи, лиц и изображений в мобильных устройствах, а не в « облачных » серверах, и без доступа к интернету, несомненно, станет реальностью. Но пока мобильные мультимедийные системы, использующие машинное обучение, строятся на привлечении внешних ресурсов. Не стала исключением и начинка футуристического Apple iPhone X.
6Хядерный чипсет A11 Bionic имеет два процессорных ядра, выделенных для управления алгоритмами « машинного обучения ». Только благодаря этому возможны функции Face ID, Animodji и поддержка приложений дополненной реальности. Нейросети в iPhone X выполняют до 600 млрд. операций в сек.
Но, повторим, это волшебство возможно только на серверах Apple. На фоне скандала с тотальным шпионажем за пользователями удаленная обработка приватных данных— не лучший сценарий, хоть Apple и заявляет о внедрении новых методов сокрытия идентичности при сборе личных данных.
Apple не одиноки в стремлении максимально использовать нейросети в смартфонах. Новый чипсет от Huawei Kirin 970 имеет вычислительные возможности искусственного интеллекта, причем платформа ИИ работает на модуле нейронной обработки данных. Kirin 970 в 25 раз производительнее обычных процессоров и при этом потребляет меньше энергии. В тестах по распознаванию образов Kirin 970 обрабатывает 2000 изображений в минуту. Huawei заявил, что нейромодуль чипа способен выполнить 1,92 TFLOP при использовании 16-битных чисел с плавающей запятой. В отличие от конкурентов, Huawei позиционирует Kirin 970 как открытую платформу для мобильного ИИ.
Новое поколение АРМ-процессоров с микроархитектурой Dynamiq обеспечивает подключение до 8 CPU различных конфигураций. Как заявляет производитель, АРМплатформа Dynamiq гарантирует 50-кратное увеличение производительности, связанной с ИИ, в ближайшие 3-5 лет.
Меняются не только чипы. Несколько иным путем идет Qualcomm. Ведущий чипмейкер мира создал комплект разработки программного обеспечения( SDK), который поможет разработчикам оптимизировать свои приложения для запуска приложений ИИ на чипах поколений Snapdragon 600 и 800. То есть софт, использующий нейросеть, с помощью SDK от Qualcomm можно бесшовно интегрировать в смартфоны на этих чипах. Facebook уже использует SDK от Qualcomm для оптимизации своих фильтров дополненной реальности.
Свое видение мобильных нейросетей— у Google. В проекте Federated Learning исследуется возможность децентрализации нейросетей. Вместо сбора пользовательских данных на серверах Google и применения к ним алгоритмов обучения( с дальнейшей передачей обработанных данных обратно клиенту) рабочий цикл реализуется непосредственно на смартфонах пользователей. Для этого достаточно поставить на Androidустройство приложение для клавиатуры
Gboard. Введенные через клавиатуру поисковые запросы запоминаются в приложении, затем данные используются для персонализации алгоритмов на смартфоне пользователя. Сама Gboard— лишь оболочка, работу выполняет программа машинного обучения TensorFlow( похоже, нечто подобное используется и для оптимизации Google Переводчика, подробнее— на стр. 23).
По мнению Google, такой подход имеет ряд преимуществ. Данные для приложения не покидают устройство пользователя; ему не нужно ждать, пока Google опубликует новое обновление, прежде чем можно использовать свои персонализированные алгоритмы. Процесс обучения выполняется, когда телефон простаивает и получает бесплатное беспроводное соединение.
Есть одно серьезное « но », касающееся нейронных сетей в мобильных устройствах. Скептики уверены, что изменения все равно приведут к еще большему контролю, которые корпорации устанавливают над обществом. Многие пользователи не хотят, чтобы нейросеть непрерывно изучала своего владельца. « Окей, Гугл, давай ты больше не будешь лезть в мою жизнь?»
Photoshop больше не нужен. Нейронные сети научились быстро и точно создавать поддельные изображения потрясающего качества. Подделать возможно все: людей, интерьеры, пейзажи, предметы. Нейросеть Nvidia демонстрирует лица, которых на самом деле нет.
Данные с theverge. com и соб. инф.
IT-NEWS
11