En applikationsspecifik integrerad krets (ASIC) är ett chip som konstruerats för en viss uppgift i stället för för allmänna beräkningar som en CPU. Inom AI är ASIC:ar skräddarsydda för neurala nätverks beräkningar – Googles Tensor Processing Units (TPU:er) är ett exempel. För sin uppgift arbetar de snabbare och mer energieffektivt än allmänna chip, men de är dyra att utveckla och svåra att anpassa till nya arbetslaster.
Neuromorf databehandling är ett angreppssätt för hårdvara och mjukvara som är modellerat efter hjärnans uppbyggnad. I stället för att flytta data mellan separat minne och processor i klockcykler arbetar artificiella neuroner och synapser parallellt och reagerar bara på händelser, så kallade spikar. Det lovar mycket låg energiförbrukning, till exempel i sensorer eller robotar. Kända forskningschip är Intel Loihi och IBM TrueNorth; bred kommersiell användning befinner sig fortfarande i ett tidigt skede.
Djupinlärning är en gren av maskininlärningen som använder artificiella neurala nätverk med många lager. Sådana nätverk lär sig av stora datamängder vilka egenskaper som är viktiga – från kanter i bilder till betydelsesamband i texter. Djupinlärning ligger till grund för dagens språkmodeller, bild- och taligenkänning samt maskinöversättning och kräver vanligtvis stor beräkningskraft och mycket träningsdata.
Artificiella neurala nätverk (ANN) är beräkningsmodeller som består av många sammankopplade enheter (”neuroner”) ordnade i lager som bearbetar indata via viktade förbindelser. Under träningen justeras vikterna steg för steg med hjälp av exempel, vanligtvis genom backpropagation. ANN är grunden för djupinlärning och driver bildigenkänning, taligenkänning och stora språkmodeller. Trots sin biologiska inspiration fungerar de betydligt enklare än den mänskliga hjärnan.
