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