Non ci sono prodotti a carrello.
Si fanno sempre più numerosi gli annunci di prodotti hardware e software in grado di svolgere attività “intelligenti”, con capacità che in alcuni specifici campi surclassano quelle del cervello umano. E che sono in grado di imparare dall’esperienza, affinando i risultati: sistemi che senza il supporto della Rete debbono essere in grado di prendere decisioni autonome, il più possibili corrette.
E c’è sempre di più un crescente bisogno di raccolta, analisi e decisione da dati naturali altamente dinamici e non strutturati, con performance di elaborazione superiori sia alle classiche CPU che alle architetture GPU.
Intel, parallelamente alle piattaforme tradizionali di calcolo, da tempo è impegnata sul fronte del calcolo neuromorfico e dell’intelligenza artificiale.
Ricerche e collaborazioni avviate da molti anni, a partire da quelle con il professor Carver Mead del CalTech, noto per il suo lavoro sulla configurazione dei semiconduttori. La combinazione di esperienze nell’ambito del silicio, della fisica e della biologia ha prodotto un ambiente nel quale la tendenza era una sola: realizzare sistemi in grado di imitare il computer più performante esistente sulla terra, il cervello umano.
Nell’ambito di questa attività, Intel ha sviluppato il suo primo chip neuromorfico ad auto-apprendimento, chiamato Loihi, che imita il funzionamento del cervello, apprendendo il corretto comportamento sulla base di iterazioni con l’ambiente circostante. Questo chip, particolarmente efficiente dal punto di vista energetico, utilizza i dati per apprendere e fare inferenze, diventa sempre più intelligente nel tempo e non ha bisogno di essere “addestrato” nel modo tradizionale. Ci vuole un approccio innovativo per la computazione mediante l’asynchronous spiking neural network.
Sicuramente l’Intelligenza Artificiale è allo stadio iniziale e ulteriori metodi e architetture – come Loihi – si faranno luce. Il calcolo neuromorfico si ispira alla nostra attuale comprensione dell’architettura del cervello e dei relativi meccanismi. Le reti neurali del cervello trasmettono informazioni con impulsi o spike, modulano le potenze sinaptiche o il peso delle interconnessioni basate sul timing di questi impulsi, e memorizzano queste modifiche localmente. Comportamenti intelligenti emergono dalle interazioni cooperative e competitive tra regioni multiple all’interno delle reti neurali del cervello e il suo ambiente.
I modelli di apprendimento automatico come il deep-learning hanno fatto recentemente enormi progressi, utilizzando per il training grandi set di dati per riconoscere oggetti o eventi. Tuttavia, a meno che i dati utilizzati per il training non siano specifici di un particolare elemento, situazione o circostanza, questo sistema di apprendimento non funzionano bene.
Guarda il video diffuso da Intel sul Neuromorphic Computing:
I potenziali vantaggi derivanti dai chip di auto-apprendimento sono infiniti. Un esempio riguarda la lettura del battito cardiaco di una persona in varie condizioni – dopo una corsa, dopo un pasto o prima di andare a letto – da parte di un sistema neuromorfico che analizza i dati per determinare un battito cardiaco “normale”. Il sistema può quindi monitorare continuamente i dati cardiaci per segnalare modelli che non corrispondono a quello “normale”. Ovviamente il sistema può essere personalizzato per qualsiasi utente.
Questo tipo di logica potrebbe essere applicato ad altri casi, ad esempio alla sicurezza in rete, in cui un’anomalia o una differenza nel flusso di dati potrebbe identificare un tentativo di violazione poiché il sistema ha appreso la condizione “normale” in diversi contesti.
Il chip Loihi include numerosi circuiti digitali che imitano il funzionamento di base del cervello, rendendo l’apprendimento del sistema più veloce e più efficiente, richiedendo una potenza di calcolo inferiore. I modelli di chip neuromorfici traggono ispirazione dal modo in cui i neuroni comunicano e apprendono, usando impulsi e sinapsi che possono essere modulati utilizzando tempistiche differenti. Questa tecnica potrebbe aiutare i sistemi ad auto organizzarsi e a prendere decisioni sulla base di modelli e associazioni.
Il dispositivo Loihi offre un apprendimento su chip molto flessibile combinando apprendimento e inferenza su un solo chip. Ciò consente alle macchine di essere autonome e adattarsi in tempo reale anziché aspettare l’aggiornamento dalla rete. I ricercatori hanno dimostrato che l’apprendimento è un milione di volte migliore rispetto alle altre reti neurali spiking, caratteristica che scaturisce dalle operazioni totali necessarie per ottenere una specifica precisione quando si risolvono problemi di riconoscimento utilizzando un database MNIST. Rispetto a tecnologie quali reti neurali convolutive e reti neurali di deep-learning, il chip Loihi necessita di minori risorse per effettuare lo stesso compito.
Le capacità di auto-apprendimento di questi chip offrono grandi potenzialità per migliorare le applicazioni automotive e industriali nonché quelle di robotica personale: qualsiasi applicazione che abbia un funzionamento autonomo e di apprendimento continuo in un ambiente non strutturato non può che beneficiarne. Come, ad esempio, riconoscere il movimento di un’auto o di una bicicletta.
Inoltre, questo chip è 1.000 volte più efficiente dal punto di vista energetico rispetto ai computer utilizzati nei sistemi tradizionali di apprendimento.
Loihi non è un normale prodotto commerciale ma è destinato – con consegne da metà 2018 – a Università e Istituti di Ricerca, con l’obiettivo di fare avanzare gli studi sull’Intelligenza Artificiale.
Altre caratteristiche del chip Loihi:
- Rete asincrona neuromorfica che comprende numerosi core e che può utilizzare differenti topologie con ciascun neurone in grado di comunicare con migliaia di altri neuroni.
- Ogni core neuromorfico include un motore di apprendimento che può essere programmato per adattare i parametri di rete durante il funzionamento, supportando paradigmi di apprendimento supervisionati, non supervisionati, rinforzati e altri.
- Fabbricazione con tecnologia di processo 14 nm di Intel.
- Chip con un totale di 130.000 neuroni e 130 milioni di sinapsi.
- Sviluppo e test di diversi algoritmi con elevata efficienza per problemi quali la pianificazione del percorso, la soddisfazione dei vincoli, sparse coding, l’apprendimento di dizionari e l’apprendimento dinamico e l’adattamento.
Oltre a Intel, anche Qualcomm e IBM hanno recentemente presentato proprie soluzioni in questo settore: rispettivamente la piattaforma Zeroth e il chip TrueNorth, un dispositivo da 5,4 miliardi di transistor con 4096 core ognuno dei quali dispone di 256 neuroni artificiali con 256 sinapsi artificiali per neurone (268 milioni di sinapsi in totale).
