這款名為NeuRRAM的神經(jīng)形態(tài)芯片使AI離在與云斷開的廣泛邊緣設備上運行又近了一步。在云中，AI計算可隨時隨地執(zhí)行復雜的認知任務，而不需要依賴與中央服務器的網(wǎng)絡連接。從智能手表到虛擬現(xiàn)實(VR)耳機、智能耳機、工廠中的智能傳感器和用于太空探索的漫游車，其應用比比皆是，遍及世界的每一個角落和人類生活的方方面面。

　　NeuRRAM芯片的能效不僅是目前最先進的“內存計算”芯片(一種在內存中運行計算的創(chuàng)新混合芯片)的兩倍，而且它提供的結果也與傳統(tǒng)數(shù)字芯片一樣準確。傳統(tǒng)的AI平臺要龐大得多，通常受限于使用在云中運行的大型數(shù)據(jù)服務器。

　　此外，NeuRRAM芯片具有高度的通用性，支持多種不同的神經(jīng)網(wǎng)絡模型和架構。因此，該芯片可用于許多不同的應用，包括圖像識別和重建以及語音識別。

　　目前，AI計算既耗電又昂貴。邊緣設備上的大多數(shù)AI應用程序都涉及將數(shù)據(jù)從設備移動到云端，AI在云端對其進行處理和分析，然后將結果移回設備。

　　通過降低邊緣AI計算所需的功耗，這款NeuRRAM芯片可帶來更強大、更智能、更易于訪問的邊緣設備和更智能的制造。它還可帶來更好的數(shù)據(jù)隱私，因為將數(shù)據(jù)從設備傳輸?shù)皆茣砀叩陌踩L險。

　　研究人員通過一種名為能量延遲乘積(EDP)的方法來測量芯片的能效。EDP結合了每次操作所消耗的能量和完成操作所需的時間。通過這一措施，NeuRRAM芯片實現(xiàn)了比目前最先進芯片高7—13倍的計算密度。

　　研究人員在芯片上運行各種人工智能任務。它在手寫數(shù)字識別任務上準確率達到99%，在圖像分類任務上達到85.7%，在谷歌語音命令識別任務上達到84.7%。此外，該芯片還在圖像恢復任務中減少了70%的圖像重建誤差。這些結果可以與現(xiàn)有的數(shù)字芯片相媲美，后者在相同的精度下執(zhí)行計算，但大大節(jié)省了能源。

　　與經(jīng)典計算相比，AI計算的許多數(shù)據(jù)處理都涉及矩陣乘法和加法，以及海量的并行工作，如何在保持AI芯片精度的前提下還做到節(jié)能呢?最終該用什么路線去實現(xiàn)，其實依然眾說紛紜。但這也正是一項新技術的特點與魅力——在探索階段百花齊放。就像本文中團隊實現(xiàn)的神經(jīng)形態(tài)芯片，其最大的吸引人之處，正是它兼具了高能效與通用性。