China heizt den Hype um KI an. mit seltsamem Computerchip

Der Begriff „künstliche allgemeine Intelligenz“ oder AGI bezieht sich eigentlich auf nichts, an dieser Stelle ist er lediglich ein Platzhalter, eine Art Rorschach-Test für Menschen Füllen Sie die Lücke mit den Vorstellungen, die Sie haben was es für eine Maschine bedeuten würde, wie ein Mensch zu „denken“.

Trotz dieser Tatsache oder vielleicht gerade deshalb ist AGI ein idealer Marketingbegriff für viele Bemühungen im Bereich maschinelles Lernen. Ein typisches Beispiel dafür ist eine Forschungsarbeit, die auf vorgestellt wird das Cover des Nature-Magazins dieser Woche über einen neuartigen Computerchip, der von Forschern der chinesischen Tsinghua-Universität entwickelt wurde und „die Entwicklung von AGI beschleunigen könnte“, behaupten sie.

Der Chip ist eine seltsame Mischung verschiedener Ansätze und faszinierend, aber die Arbeit lässt viele Fragen offen, wie er hergestellt wird und wie er das erreicht, was Forscher von ihm behaupten. Und einige langjährige Chip-Beobachter bezweifeln, dass die Auswirkungen so groß sein werden, wie vermutet.

„Dieses Papier ist ein Beispiel für die gute Arbeit, die China im Bereich KI leistet“, sagt Linley Gwennap, langjährige Beobachterin der Chipindustrie und Chefanalyst bei einem Chipanalyseunternehmen Die Linley-Gruppe. „Aber diese besondere Idee wird nicht die Welt erobern.“

Die Prämisse des Papiers „Auf dem Weg zu künstlicher allgemeiner Intelligenz mit hybrider Tianjic-Chip-Architektur“ ist, dass sich Computerchips ändern müssen, um AGI zu erreichen. Das ist eine Idee, die von unterstützt wird Heutzutage herrscht im Land der Computerchips reges Treiben, wobei viele neue Chipdesigns speziell für maschinelles Lernen vorgeschlagen werden.

Die Tsinghua-Autoren schlagen ausdrücklich vor, dass das heutige gängige maschinelle Lernen mit dem sogenannten „neuromorphen Computing“ auf demselben Chip vereint werden muss. Neuromorphes Computing, erstmals Anfang der 1980er Jahre von Caltech-Professor Carver Mead konzipiert, ist seit Jahren eine Obsession für Firmen wie IBM, ohne dass es praktisch umgesetzt werden kann Ergebnis.

Neuromorphe Chips wandeln eingehende Daten um, indem sie das elektrische Potenzial „spitzen“, während das heutige Deep Learning eine „Matrix“ durchführt „Multiplikation“-Operation, die eingehende Daten über einen Satz von „Gewichten“ oder Parametern umwandelt und sie dann durch einen nichtlinearen Prozess leitet Vorgang, der als „Aktivierung“ bezeichnet wird. Die beiden unterschiedlichen Pfade der Daten sind inkommensurabel, weshalb sie getrennt verfolgt wurden Technologien bis heute.

Die chinesischen Forscher unter der Leitung von Jing Pei vom Tsinghua Center for Brain-Inspired Computing Research behaupten, ihr „Tianjic“-Chip habe die beiden Ansätze erfolgreich „verschmolzen“. Im Jahr 2015, Pei und Kollegen entwickelte einen streng neuromorphen Computer. Dieses Mal haben sie einige Aspekte dieses Chips mit der Deep-Learning-Matrixmultiplikation kombiniert. Der Tianjic-Chip verfügt über zahlreiche „Kerne“, die parallel arbeiten, und jeder einzelne kann entweder die Spikes des neuromorphen Ansatzes oder die Matrixoperationen des Deep-Learning-Ansatzes ausführen.

Der Knackpunkt ist, dass Pei und Kollegen „den Modelldatenfluss ausgerichtet“ haben, das heißt, sie haben organisiert, welche Vorgänge des Modells durchgeführt werden Deep-Learning-Berechnungen entsprechen denen in den neurmorphen, sodass die Kerne zwischen ihnen hin- und herwechseln können zwei.

Der Artikel enthält provokante Begriffe für die verschiedenen Bereiche der Chipkerne, die der Biologie des Gehirns entlehnt sind, wie etwa „Axon“, „Soma“, „Dendrit“ und „Synapse“.

Um zu demonstrieren, was sie können, programmierten sie den Chip so, dass er eine Reihe realer Aufgaben ausführt, beispielsweise die Identifizierung von Objekten und die Bestimmung eines Kurses für die Fortbewegung durch ein Gelände voller Objekte. Sie haben dies demonstriert, indem sie den Chip an einem Fahrrad ohne Fahrer angebracht haben, das sich selbstständig durch seine Umgebung bewegen kann und auf Sprachsignale seines Besitzers reagiert. Sie können die Demo in einem Video zum Artikel sehen, und auf YouTube gepostet.

Das Fahrrad bewegt sich, indem es eine Reihe von Dingen mit den verschiedenen neuromorphen oder Deep-Learning-Netzwerken berechnet, „darunter ein CNN für Bildverarbeitung und Objekterkennung, ein CANN [kontinuierlich Attraktor-Neuronales Netzwerk] für die Verfolgung menschlicher Ziele, ein SNN (Spiking-Neuronales Netzwerk) für die Erkennung von Sprachbefehlen und ein MLP (Mehrschicht-Perzeptron) für Haltungsbalance und Richtung Kontrolle."

Auch: Die Chip-Welt versucht, die Versprechen und Gefahren der KI in den Griff zu bekommen

Der Stunt wurde diese Woche von den Medien im großen Stil aufgegriffen, und verschiedene Schlagzeilen spielten mit Witzen wie „Schau, keine Hände“ in Bezug auf das autonome Fahrrad auf das Kunststück an. Die New York Times schrieb: „Und jetzt ein Fahrrad, das für niemanden gebaut wurde."

Das Problem ist, dass es hier eine Reihe merkwürdiger Auslassungen gibt. Beginnen Sie mit dem Begriff AGI: Nirgendwo wird eine wirklich scharfe Definition bereitgestellt, geschweige denn ein theoretischer Hinweis darauf, dass die Kombination von Funktionen irgendwie ein Ansatz für AGI ist. Die Implikation ist, dass es irgendwie eine „allgemeinere“ Art von Chip ist, wenn ein Chip eine Reihe von Dingen erledigt. Wie die Autoren schreiben: „Ein AGI-System […] erfordert eine allgemeine Plattform“, die viele Verarbeitungsvorgänge unterstützt eine einheitliche Architektur.“ Das klingt nach Konsolidierung und Integration, nicht unbedingt nach Intelligenz.

Zum anderen gibt es nur sehr wenige Informationen darüber, wie die beiden Arten von Netzwerken, neuronale und neuromorphe, funktionieren. geschult werden, was für beide einzeln ein wichtiges Thema ist und noch wichtiger, wenn sie kombiniert werden. Pei und Kollegen schreiben im Abschnitt „Methoden“ des Papiers, dass sie den Deep-Learning-Teil im Normalfall trainiert haben und dass sie sich für den neuromorphen Teil auf eine Methode stützten, die letztes Jahr von einigen Forschern eingeführt wurde "Räumlich-zeitliche Rückausbreitung„, eine Version des Backpropogation-Ansatzes, die im Deep Learning üblich ist.

Es fehlen auch einige Details zur Herstellung des Chips. Beispielsweise soll das Teil über „rekonfigurierbare“ Schaltkreise verfügen, es wird jedoch nie angegeben, wie die Schaltkreise rekonfiguriert werden sollen. Es könnte sich um ein sogenanntes „Field Programmable Gate Array“ oder FPGA, Technologie oder etwas anderes handeln. Der Code für das Projekt wird nicht von den Autoren bereitgestellt, wie es bei solchen Forschungsarbeiten häufig der Fall ist; Die Autoren bieten an, den Code „auf begründete Anfrage“ zur Verfügung zu stellen.

Wichtiger ist die Tatsache, dass es dem Chip möglicherweise schwerfallen wird, mit vielen konkurrierenden Chips mitzuhalten, sagt Analyst Gwennap. Die technischen Daten scheinen seiner Meinung nach enttäuschend zu sein. „Die von Tianjic gemeldeten 1,28 TOPS/Watt [Billionen Operationen pro Watt, ein gängiges Leistungsmaß] sind ähnlich zu den heutigen GPUs“, bemerkt er und bezieht sich dabei auf Grafikprozessor-Chips von Nvidia und Advanced Micro Devices. Allerdings liege die Leistung „deutlich hinter fortgeschritteneren Architekturen“ neuerer Chips zurück, stellt er fest.

Auch: KI verändert die gesamte Natur der Datenverarbeitung

Gwennaps Kollege Mike Demler stimmt dem zu. Er weist auf einige Ungenauigkeiten in der Arbeit hin, beispielsweise auf die Behauptung, dass Spike-Neuronen für einige Funktionen „besonders hochpräzise Speicher“-Schaltkreise benötigen. Demlers Rezension eines neuromorphen Chips des Chipgiganten Intel mit dem Titel „Loihi„zeigt, dass dies nicht der Fall ist. Ein von einem Startup entwickelter Chip Brainchip, Inc., beweist auch, dass die Behauptung falsch ist, sagt er. Darüber hinaus hat der Loihi-Chip bereits gezeigt, dass herkömmliche neuronale Netze, wie etwa ein Faltungs-Neuronales Netz, oder CNN als Spike-Neuron implementiert werden kann, ist kein „einheitlicher“ Chip wie von den Tsinghua-Autoren erforderlich beanspruchen.

Für Gwennap ist es ein etwas seltsames Ziel, zwei Dinge in einem zu kombinieren. „Was das Papier als ANN und SNN bezeichnet, sind zwei sehr unterschiedliche Mittel zur Lösung ähnlicher Probleme, ähnlich wie Rotationsflugzeuge (Hubschrauber) und Starrflügelflugzeuge (Flugzeuge) für die Luftfahrt“, sagt Gwennap. „Letztendlich erwarte ich, dass ANN und SNN unterschiedliche Endanwendungen bedienen, aber ich sehe keine Notwendigkeit, sie in einem einzigen Chip zu kombinieren; Am Ende erhält man einfach einen Chip, der für zwei Dinge in Ordnung ist, aber für nichts großartig ist.“

Aber am Ende erregt man auch viel Aufsehen, und angesichts der Spannungen zwischen den USA und China in allen Bereichen der Technologie und insbesondere der KI, Die Vorstellung, dass China den USA in Sachen künstlicher Allgemeinintelligenz – was auch immer das sein mag – den Vorsprung raubt, ist ein Sommerhit Überschrift.