Eine anwendungsspezifische integrierte Schaltung (ASIC) ist ein Chip, der für genau eine Aufgabe entworfen wird, statt wie ein Hauptprozessor vieles zu können. Im KI-Bereich sind ASICs auf die Rechenoperationen neuronaler Netze zugeschnitten, etwa Googles Tensor Processing Units (TPUs). Sie arbeiten dafür schneller und energiesparender als Allzweckchips, sind aber teuer in der Entwicklung und kaum an neue Aufgaben anpassbar.
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenNeuromorphes Computing ist ein Ansatz für Hardware und Software, der sich am Aufbau des Gehirns orientiert. Statt Daten taktgesteuert zwischen getrenntem Speicher und Prozessor zu verschieben, arbeiten künstliche Neuronen und Synapsen parallel und reagieren nur auf Ereignisse, sogenannte Spikes. Das verspricht sehr niedrigen Energieverbrauch, etwa für Sensoren oder Roboter. Bekannte Forschungschips sind Intel Loihi und IBM TrueNorth; breite kommerzielle Nutzung steht noch am Anfang.
Deep Learning ist ein Teilbereich des maschinellen Lernens, der künstliche neuronale Netze mit vielen Schichten nutzt. Solche Netze lernen aus großen Datenmengen selbstständig, welche Merkmale wichtig sind – von Kanten in Bildern bis zu Bedeutungszusammenhängen in Texten. Deep Learning bildet die Grundlage heutiger Sprachmodelle, der Bild- und Spracherkennung sowie der maschinellen Übersetzung und benötigt meist viel Rechenleistung und Trainingsdaten.
Künstliche neuronale Netze (KNN) sind Rechenmodelle aus vielen verbundenen Einheiten („Neuronen“), die in Schichten angeordnet sind und Eingaben über gewichtete Verbindungen verarbeiten. Beim Training werden die Gewichte anhand von Beispielen schrittweise angepasst, meist per Backpropagation. KNN sind die Grundlage des Deep Learning und stecken in Bilderkennung, Spracherkennung und großen Sprachmodellen. Trotz des biologischen Vorbilds funktionieren sie deutlich einfacher als das menschliche Gehirn.
