Un circuito integrato per applicazioni specifiche (ASIC) è un chip progettato per un solo compito, anziché per usi generali come un processore centrale. Nell'IA gli ASIC sono ottimizzati per i calcoli delle reti neurali, come le Tensor Processing Unit (TPU) di Google. Per quel compito sono più veloci ed efficienti dal punto di vista energetico dei chip generici, ma costosi da sviluppare e poco adattabili a nuovi carichi di lavoro.
Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.
Avvia demoIl calcolo neuromorfico è un approccio all’hardware e al software che si ispira alla struttura del cervello. Invece di spostare dati tra memoria e processore separati a ogni ciclo di clock, neuroni e sinapsi artificiali lavorano in parallelo e reagiscono solo a eventi chiamati spike. Ciò promette consumi energetici molto bassi, ad esempio per sensori o robot. Chip di ricerca noti sono Intel Loihi e IBM TrueNorth; l’uso commerciale diffuso è ancora agli inizi.
Il deep learning (apprendimento profondo) è un ramo del machine learning che utilizza reti neurali artificiali con molti strati. Queste reti imparano da grandi quantità di dati quali caratteristiche sono rilevanti, dai bordi nelle immagini ai legami di significato nei testi. Il deep learning è alla base degli attuali modelli linguistici, del riconoscimento di immagini e voce e della traduzione automatica, e di solito richiede molta potenza di calcolo e molti dati di addestramento.
Le reti neurali artificiali (RNA) sono modelli di calcolo composti da molte unità collegate («neuroni»), disposte in strati, che elaborano gli input tramite connessioni pesate. Durante l'addestramento i pesi vengono regolati passo dopo passo sulla base di esempi, di solito con la backpropagation. Le RNA sono alla base del deep learning e si trovano nel riconoscimento di immagini e del parlato e nei grandi modelli linguistici. Nonostante l'ispirazione biologica, funzionano in modo molto più semplice del cervello umano.
