Namensko integrirano vezje (ASIC) je čip, zasnovan za eno določeno nalogo namesto za splošno računanje, kot ga opravlja CPE. Na področju UI so vezja ASIC prilagojena računskim operacijam nevronskih mrež – primer so Googlove tenzorske procesne enote (TPU). Pri tej nalogi delujejo hitreje in energetsko učinkoviteje kot čipi za splošno uporabo, vendar je njihov razvoj drag in jih je težko prilagoditi novim delovnim obremenitvam.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevNevromorfno računalništvo je pristop k strojni in programski opremi, ki se zgleduje po zgradbi možganov. Namesto da bi se podatki v taktih prenašali med ločenim pomnilnikom in procesorjem, umetni nevroni in sinapse delujejo vzporedno in se odzivajo le na dogodke, imenovane konice. To obeta zelo nizko porabo energije, na primer v senzorjih ali robotih. Znani raziskovalni čipi so Intel Loihi in IBM TrueNorth; širša komercialna uporaba je še v zgodnji fazi.
Globoko učenje je veja strojnega učenja, ki uporablja umetne nevronske mreže z mnogo sloji. Takšne mreže se iz velikih količin podatkov naučijo, katere značilnosti so pomembne – od robov na slikah do pomenskih povezav v besedilih. Globoko učenje je podlaga današnjih jezikovnih modelov, prepoznavanja slik in govora ter strojnega prevajanja in običajno zahteva veliko računske moči in učnih podatkov.
Umetne nevronske mreže (artificial neural networks, ANN) so računski modeli iz mnogih povezanih enot („nevronov“), razporejenih v sloje, ki vhode obdelujejo prek uteženih povezav. Med učenjem se uteži korak za korakom prilagajajo na primerih, običajno z vzvratnim razširjanjem napake. ANN so temelj globokega učenja in poganjajo prepoznavanje slik, prepoznavanje govora in velike jezikovne modele. Kljub biološkemu zgledu delujejo veliko preprosteje kot človeški možgani.
