Zákaznický integrovaný obvod (ASIC, Application-Specific Integrated Circuit) je čip navržený pro jeden konkrétní úkol, a ne pro univerzální výpočty jako CPU. V oblasti AI jsou obvody ASIC přizpůsobeny výpočtům neuronových sítí – příkladem jsou Tensor Processing Units (TPU) od Googlu. Svůj úkol zvládají rychleji a energeticky úsporněji než univerzální čipy, jejich vývoj je ale nákladný a na nové úlohy se obtížně přizpůsobují.
Agenti, postupy a šablony v jednom pracovním prostoru – 24hodinové demo zdarma.
Spustit demoNeuromorfní výpočty jsou přístup k hardwaru a softwaru, který se inspiruje strukturou mozku. Místo přesouvání dat mezi samostatnou pamětí a procesorem v taktech pracují umělé neurony a synapse paralelně a reagují pouze na události zvané impulzy (spikes). To slibuje velmi nízkou spotřebu energie, například u senzorů nebo robotů. Známé výzkumné čipy jsou Intel Loihi a IBM TrueNorth; široké komerční využití je zatím v raném stadiu.
Hluboké učení (deep learning) je odvětví strojového učení, které používá umělé neuronové sítě s mnoha vrstvami. Takové sítě se z velkého množství dat samy učí, na kterých rysech záleží – od hran v obrazech po významové vztahy v textech. Hluboké učení stojí za dnešními jazykovými modely, rozpoznáváním obrazu a řeči i strojovým překladem a obvykle vyžaduje značný výpočetní výkon a množství trénovacích dat.
Umělé neuronové sítě (ANN) jsou výpočetní modely složené z mnoha propojených jednotek („neuronů“) uspořádaných do vrstev, které zpracovávají vstupy prostřednictvím vážených spojení. Při trénování se váhy krok za krokem upravují na příkladech, obvykle zpětným šířením chyby (backpropagation). ANN jsou základem hlubokého učení a pohánějí rozpoznávání obrazu, rozpoznávání řeči a velké jazykové modely. Navzdory biologické inspiraci fungují mnohem jednodušeji než lidský mozek.
