Aplikačne špecifický integrovaný obvod (ASIC) je čip navrhnutý pre jednu konkrétnu úlohu, nie pre všeobecné výpočty ako CPU. V oblasti AI sú ASIC prispôsobené výpočtom neurónových sietí – jedným z príkladov sú Tensor Processing Units (TPU) od spoločnosti Google. Pri tejto úlohe pracujú rýchlejšie a energeticky efektívnejšie ako univerzálne čipy, ich vývoj je však drahý a len ťažko sa prispôsobujú novým úlohám.
Agenti, postupy a šablóny v jednom pracovnom priestore – bezplatné 24-hodinové demo.
Spustiť demoNeuromorfné počítanie je prístup k hardvéru a softvéru, ktorého vzorom je štruktúra mozgu. Namiesto presúvania dát medzi oddelenou pamäťou a procesorom v taktoch pracujú umelé neuróny a synapsie paralelne a reagujú len na udalosti nazývané spiky. To sľubuje veľmi nízku spotrebu energie, napríklad v senzoroch alebo robotoch. Známymi výskumnými čipmi sú Intel Loihi a IBM TrueNorth; široké komerčné využitie je zatiaľ v počiatočnej fáze.
Hlboké učenie je odvetvie strojového učenia, ktoré využíva umelé neurónové siete s mnohými vrstvami. Takéto siete sa z veľkého množstva údajov učia, na ktorých znakoch záleží – od hrán v obrázkoch až po významové súvislosti v textoch. Hlboké učenie je základom dnešných jazykových modelov, rozpoznávania obrazu a reči a strojového prekladu a zvyčajne si vyžaduje značný výpočtový výkon a veľa trénovacích údajov.
Umelé neurónové siete (ANN, artificial neural networks) sú výpočtové modely zložené z mnohých prepojených jednotiek („neurónov“) usporiadaných do vrstiev, ktoré spracúvajú vstupy cez vážené spojenia. Počas trénovania sa váhy krok za krokom upravujú pomocou príkladov, zvyčajne spätným šírením chyby (backpropagation). ANN sú základom hlbokého učenia a poháňajú rozpoznávanie obrazu, rozpoznávanie reči a veľké jazykové modely. Napriek biologickej inšpirácii fungujú oveľa jednoduchšie než ľudský mozog.
