Специализираната интегрална схема (ASIC) е чип, проектиран за една конкретна задача, а не за изчисления с общо предназначение като процесора (CPU). В областта на ИИ ASIC чиповете са пригодени за аритметиката на невронните мрежи – тензорните процесори (TPU) на Google са един пример. За тази задача те работят по-бързо и по-енергийно ефективно от чиповете с общо предназначение, но разработването им е скъпо и трудно се адаптират към нови натоварвания.
Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.
Стартирайте демотоНевроморфните изчисления са подход в хардуера и софтуера, вдъхновен от структурата на мозъка. Вместо данните да се преместват в такт между отделни памет и процесор, изкуствени неврони и синапси работят паралелно и реагират само на събития, наречени импулси (spikes). Това обещава много ниска консумация на енергия, например при сензори или роботи. Известни изследователски чипове са Intel Loihi и IBM TrueNorth; широкото търговско приложение все още е в начален етап.
Дълбокото обучение е дял от машинното обучение, който използва изкуствени невронни мрежи с много слоеве. Такива мрежи се учат от големи количества данни кои характеристики са важни – от ръбове в изображенията до смислови връзки в текстовете. Дълбокото обучение е в основата на съвременните езикови модели, на разпознаването на образи и реч и на машинния превод и обикновено изисква значителна изчислителна мощност и много обучителни данни.
Изкуствените невронни мрежи (artificial neural networks, ANN) са изчислителни модели, съставени от много свързани единици („неврони“), разположени на слоеве, които обработват входните данни чрез претеглени връзки. По време на обучението теглата се коригират стъпка по стъпка с помощта на примери, обикновено чрез обратно разпространение на грешката. ANN са основата на дълбокото обучение и задвижват разпознаването на образи, разпознаването на реч и големите езикови модели. Въпреки биологичното вдъхновение те работят много по-просто от човешкия мозък.
