Нейроморфные компьютеры мимикрируют под мозг, чтобы преодолеть горизонты эффективности и скорости. Они работают за гранью традиционных вычислений. По крайней мере, так пишут в описаниях на сайте производителей.
На деле попытки именно повторить работу мозга в основном проваливаются, а прорывы происходят в тот момент, когда интеллект удаётся искусно подделать. Однако провалы дают столько знаний, что хватает для прорывов. Самый мощный в мире нейроморфный компьютер Hala Point от Intel будет эмулировать работу человеческого мозга, чтобы разобраться в работе современных языковых моделей.
1. Суть проблемы
Те, кто уже всё знают, могут спокойно пролистать две вступительные части и сразу перейти к описанию суперкомпьютера. Для остальных я сначала расскажу о ситуации, в которую мы сами себя загнали, и о предыдущих нейроморфных проектах.
Данные о работе мозга человечество набирало параллельно с развитием технологий анализа данных
- Задолго до компьютеров существовали автоматические картотеки, где можно было делать выборку при помощи спицы, втыкаемой в перфорацию на заранее определённых местах карточки.
- Созданием перцептрона — первичного элемента для будущих систем распознавания образов — занимались вместе специалисты по компьютерам и биологи, знающие работу глаза.
- Попытки выдать что-нибудь вразумительное при автоматическом переводе проваливались, пока за дело не взялись специалисты по структуре языка.
По ходу решения подобных задач наука получила представление о том, как именно человек находит нужный кусок данных, как отличает кошку от собаки и как пишет статьи. И создала инструменты для автоматизации этих задач. Задач было гораздо больше (см., например, статью о первых поисковых системах, разработанных библиотекарями в начале компьютерной эры). Я выбрал три близких к реальному миру.
Как устроен язык запросов, знает каждый программист. Системы распознавания образов тоже более-менее объяснимы. А вот внутреннее устройство генеративных моделей пока загадка. DARPA добавила проблему его объяснения в число приоритетных.
Для того чтобы её описать, используют мысленный эксперимент с «китайской комнатой». Представим, что у нас имеется комната, где сидит оператор, совершенно не знающий китайского языка. У этого человека есть карточки с иероглифами и правила, по которым он обменивает одни карточки на другие. С помощью карточек с иероглифами можно сформулировать по-китайски вопрос. Если набор правил верный, мы получим от оператора ответ тоже на китайском, хотя он даже и вопрос понять не может.
Вот примерно так сейчас и работает искусственный интеллект. Сначала берём очень мощный комп и создаём большую языковую модель. Набор правил, по которому можно обменивать одни слова (слова из вопроса) на другие (слова из ответа).
Мы можем описать каждую плату в конструкции этого компа. Он напоминает майнерскую ригу времён эпидемии — процессор, материнка, блок питания, система охлаждения, много памяти и несколько мощных видеокарт. Раньше использовали игровые, теперь перешли на специализированные. Если не хватает одного компа, создаём кластер из десятков, сотен или тысяч вычислительных машин. А потом хватаемся за голову, увидев счёт за электричество.
Мы можем понять каждую строчку кода в программе обучения. Тут всё гораздо сложнее, но понять-то можно.
Мы можем описать процесс обучения. Это набор инструкций для оператора (в самых первых версиях ИИ) или для программы (в данный момент), что и в какой последовательности подавать на вход, как именно отделять правильные ответы от неправильных, как интерпретировать ошибки и так далее.
Полученные наборы правил — это и есть натренированные модели. Первые модели были простыми. Вспомним генераторы стихов, которые используют словарь с размеченными ударениями. Уже в 1966 появилась Элиза — первый чат-бот. Она выделяла значимые слова и перефразировала высказывания собеседника.
Некоторые «наборы» были даже слишком простыми. Например, автоматические-предсказатели просто выдавали случайный ответ «да» или «нет» или случайную карточку с ответом.
Но вот как именно работают современные модели, что за набор правил генерирует нейросеть в процессе обучения, мы сказать уже не можем, потому что «сложно, очень сложно».
Зато готовые модели можно запускать и на обычной машине. Или на специализированной, чтоб было ещё быстрее. Бот не понимает наш вопрос, но может, используя правила из модели, на него ответить. Так же действуют и генераторы картинок, только в ответах вместо слов — пиксели.
То есть мы создали нечто, чего понять не в состоянии, и активно это используем.
Иногда доходит до абсурда. Мы вынуждены продираться через странную логику голосовых помощников. Теперь уже нам самим приходится создавать у себя в голове набор правил, следуя которому можно достучаться до живого оператора, чтобы он решил проблему.
Иногда это приводит к трагедии. Биолога Александра Цветкова почти год продержали в тюрьме из-за того, что фоторобот серийного убийцы «на 50-60%» совпал с данными, зафиксированными автоматической камерой в аэропорту. Спасла учёного только широкая огласка.
ИИ уже давно торгует за нас акциями, выписывает штрафы и решает, кому выдать кредит. Время от времени всплывает новость о том, как умная колонка вызвала полицию.
Восстание машин оказалось ненужным. Люди сдались сами.
2. Мозгоподобность
Чтобы получить понятное для естественного интеллекта объяснение, как устроен изнутри интеллект искусственный, а заодно покопаться в человеческих мозгах, не привлекая внимания санитаров, в фирме Intel (и не только там) решили создать самый мощный в мире нейроморфный компьютер.
Сам по себе термин «нейроморфный» (от греческого νεῦϱον — волокно, нерв, и μοϱφή — форма) используется давно и применяют его к железу и софту, так или иначе имитирующему работу мозга или повторяющему его структуру.
Мозг — логическое устройство, состоящее из нейронов, соединённых через синапсы, которые передают нервные импульсы от одного нейрона к другому. У человека 86 миллиардов нейронов, у кошки 750 миллионов, а у комара 200 тысяч. Чем больше связей между нейронами, тем сложнее задача, которую может решить мозг. Для образования одной нервной связи используется один синапс, который соединяет аксон одного нейрона с дендритом или телом другого нейрона. У человека примерно 100 триллионов синапсов. В компьютере все компоненты чётко разграничены по выполняемым функциям. Мозг — это единое целое. Способность решать любые задачи, от регуляции жизненных процессов до решения проблемы вагонетки, появляется благодаря образованию новых связей между нейронами.
Первая нейросеть была придумана в 1943 году двумя исследователями из Университета Чикаго, Уорреном Маккаллоком (Warren McCulloch) и Уолтером Питтсом (Walter Pitts). Их модель нейронной сети была чисто теоретической и основывалась на математических алгоритмах, имитирующих процессы в мозге.
Первыми создателями нейроморфных компьютеров считаются Тэд Хофф (Ted Hoff) и Бернард Уидроу (Bernard Widrow). В 60-х они создали аналог одноуровневой нейросети на основе мемисторов (это электрохимические резисторы с функцией памяти).
Карвером Мидом (Carver Mead) в книге «Analog VLSI and Neural Systems» в конце 80-х, был введён термин «нейроморфный». Он использовался для описания интегральных схем, имитирующих структуры, присутствующие в нервной системе. В 90-х под руководством Карвера Мида были созданы искусственный синапс и первый нейропроцессор.
В 2008 году IBM и DARPA в рамках программы SyNAPSE создали ядро с 256 нейронами и 256 синапсами.
Другой успешный проект сделала не американская военщина, а любители роботехники. В 2014 году группа разработчиков под названием OpenWorm смоделировала 302 нейрона круглого червя Caenorhabditis elegans. Была создана виртуальная нейронная сеть, умеющая решать все типы задач, с которыми может столкнуться червь. То есть все типы задач, с которыми сталкиваются роботы, ползающие по полу.
В 2014 году в IBM создан чип TrueNorth. Он содержит 4096 ядер, способных симулировать 1 миллион нейронов и 256 миллионов синапсов, и предназначен для распознавания образов и обработки естественного языка.
В 2017 году появилась первая версия процессора Loihi от Intel. Нейропроцессор площадью 60 мм² получил 128 ядер по 1204 нейрона в каждом, или 130 тысяч нейронов и 130 миллионов синапсов. Системы на этом чипе обучались в три тысячи раз эффективнее нейросетей на базе компьютеров классической архитектуры и требовали в тысячу раз меньше энергии. Через несколько месяцев к работе с чипом были приглашены все желающие. Сейчас на основе Loihi делаются системы распознавания запахов и образов, бионические протезы, помощники для инвалидов по зрению, ускорители для работы нейросетей.
В 2018 году очередной прорыв был сделан в рамках проекта SpiNNaker от Исследовательской Группы APT (Advanced Processor Technologies). Суперкомпьютер, который моделировал работу человеческого мозга, был собран на основе одноимённых процессоров, включающих в себя 18 довольно старых (разработаны в 2004) ядер ARM968E-S и 128 мегабайт памяти. О какой-то энергоэффективности тут говорить не приходится — суперкомпьютер содержал 57600 таких процессоров. Зато он позволял моделировать либо 1 миллиард «голых» нейронов без связей, либо 1 миллион «настоящих» нейронов, связанных в единую структуру, способную динамически изменяться. Вторую модель этого суперкомпьютера на более продвинутой архитектуре делает сейчас фирма SpiNNcloud.
В 2019 году в Intel собрали нейроморфный компьютер Pohoiki Beach, содержащий 64 процессора Loihi версии 2017 года. Кластер из 768 процессоров Loihi (24 модуля Nahuku по 32 процессора), названный Pohoiki Springs, заработал в марте 2021 года. На старте сеть Pohoiki Springs могла моделировать работу 100 миллионов нейронов. Согласно пресс-релизу Intel, это был эквивалент мозга небольшого млекопитающего.
На пятки американцам наступает DeepSouth. Объявленный в 2023 году, этот проект реализуется командой исследователей из Международного центра нейроморфных систем (International Centre for Neuromorphic Systems — ICNS) при Университете Западного Сиднея в Австралии. Каких-то технических подробностей, кроме использования FPGA, я не нашёл. По замыслам создателей, суперкомпьютер DeepSouth уже сможет моделировать работу человеческого мозга.
Так что пока неизвестно, кто будет самым первым или самым умным: «северный» проект IBM с закрытой архитектурой, «классический» европейский SpiNNCloud, использующий ARM, «южный» проект на FPGA из Австралии или HalaPoint от Intel. Классические нейросети уже потребляют слишком много энергии, потому любому нейроморфному компьютеру будет чем заняться.
3. Как устроен Loihi 2
В 2021 году в Intel появился чип, на основе которого сделан Hala Point. Loihi 2 сфокусирован на разреженных событийно-ориентированных вычислениях, которые минимизируют активность и перемещение данных. Нейропроцессор применяет асинхронные событийно-ориентированные спайковые нейронные сети, использует интеграцию памяти и вычислений, а также разреженные и постоянно изменяющиеся связи.
Представим гигантский склад с множеством лампочек на лестницах и этажах, в котором надо что-то найти. Каждая лампочка может включаться независимо от других. «Разреженные событийно-ориентированные вычисления» — это когда включаются только те лампочки, которые нужны в данный момент. Если что-то рядом шевелится — это «событие». Когда оно произошло, лампочка зажигается на некоторое время. А где-то ещё и система работает, которая помнит предыдущие перемещения по складу и заранее включает лампочки по наиболее вероятным направлениям движения. Это помогает сэкономить энергию (по сравнению с повсеместно включённым освещением) и делает процесс поисков более эффективным (если искать одно и то же). Технические подробности можно найти в статье «Multiply-and-Fire: An Event-driven Sparse Neural Network Accelerator». Подобные системы, только попроще, уже имеются в самых обычных процессорах.
Спайковые (или импульсные) нейронные сети (Spiking neural network, SNN или Pulsed neural networks, PNN) — это наиболее реалистичная на данный момент модель взаимодействия между нейронами, с использованием обмена короткими импульсами. В отличие от традиционных нейросетей, где информация передаётся в каждом цикле распространения (синхронно), нейроны спайковой сети активируются только тогда, когда это нужно, и передают импульс только когда есть куда (как футболисты, передающие мяч). Такой подход добавляет концепцию времени в модель работы сети. С помощью последовательностей импульсов можно обрабатывать структурированные во времени данные, используя информацию с сенсоров. То есть воспроизводить процессы, подобные тем, что происходят в мозге живых существ.
Интеграция памяти и вычислений — это концепция, при которой обработка и хранение данных происходят в одном и том же месте. В обычных компьютерных системах память и процессор разделены, и данные постоянно перемещаются между ними, что требует времени и энергии. Интеграция позволяет чипу Loihi 2 работать подобно нейронным сетям животных, где синапсы одновременно выполняют функции хранения информации и её обработки.
Разреженные связи означают, что каждый нейрон соединён только с небольшим количеством других нейронов, а не со всеми нейронами в сети. Это близко к тому, как устроен человеческий мозг. Так как в любой момент времени активна малая часть сети, это снижает количество необходимых вычислений и энергопотребление.
Постоянно изменяющиеся связи относятся к способности сети адаптироваться и изменяться в ответ на новую информацию. В биологических мозгах это происходит через процесс, называемый синаптической пластичностью, когда сила связей между нейронами может увеличиваться или уменьшаться. В искусственных нейронных сетях это реализовано через алгоритмы, которые позволяют сети оптимизировать свои связи, обучаться.
Всё это позволяет создавать системы, которые могут обучаться и адаптироваться в реальном времени, подобно тому, как это делает мозг.
Сам по себе чип Loihi 2 небольшой. Раза в два меньше, чем подушечка пальца. Вместе с подложкой по размерам похож на недорогой центральный процессор с низким энергопотреблением или на процессор младшей серии видеокарт. Для работы с чипом была создана программная платформа Lava.
«Loihi 2 и Lava — плоды многолетних совместных исследований, проведённых с использованием первого Loihi. Чип второго поколения улучшает скорость, программируемость и ёмкость нейроморфной обработки, позволяя применять её в ИИ-приложениях с ограничениями по энергопотреблению и задержке. Мы открыли исходный код Lava, чтобы обеспечить совместимость программного обеспечения, оценку производительности и кроссплатформенность в данной области, а также чтобы ускорить движение к коммерческой жизнеспособности», — Майк Дэвис (Mike Davies), директор лаборатории нейроморфных вычислений Intel, 30 сентября 2021
Чип обрабатывает данные в 10 раз быстрее первой версии. В его производстве используется новинка 2021 года — техпроцесс Intel 4 (т.е. как бы 4 нанометра, но измеренные по-интеловски, — в реальности около 7 нанометров). Это позволяет разместить структурные элементы на кристалле в 15 раз плотнее. Сосчитали прирост плотности так: одно ядро Loihi 1 размером 0.41 мм² моделирует 1024 нейрона, а одно ядро Loihi 2 размером 0.21 мм² — 8192 нейрона.
Всего в процессоре 2.3 миллиарда транзисторов, которые поддерживают работу 128 нейроморфных ядер на кристалле площадью 31 мм².
Число обычных (x86) процессорных ядер на чипе также было увеличено с 3 до 6. Обычные ядра управляются программами на C или Python и выполняют вспомогательные функции: кодирование и декодирование данных для передачи на нейроны, а также ряд вспомогательных и управленческих задач, которые необходимы для поддержания работоспособности системы. Увеличение количества встроенных ядер с 3 до 6 предотвращает замедление общей производительности чипа из-за перегрузки процессора, что было узким местом в Loihi.
Ну и, наконец, главный параметр. Количество операций на одно выводимое решение сократилось более чем в 60 раз по сравнению с сетями, работающими на Loihi 1, без потери точности.
Loihi 2 поддерживает полностью программируемые модели нейронов с градуированными импульсами. Каждая модель нейрона — это программа, которая является короткой последовательностью инструкций микрокода, описывающих поведение одного нейрона. Набор инструкций микрокода (см. таблицу) поддерживает побитовые и базовые математические операции, а также условные переходы, доступ к памяти и специализированные инструкции для генерации (spike) и считывания (probe) импульсов.
Нейроны могут генерировать и передавать градуированные импульсы, которые несут 32-битную полезную нагрузку импульса, определённую микрокодом. Целочисленная полезная нагрузка градуированного импульса умножает веса нижестоящих синапсов, то есть импульс как бы накапливает её по мере передачи (на самом деле, с точки зрения программы, градуированные импульсы не накапливают полезную нагрузку, а передают информацию о величине сигнала, который может быть использован для модуляции весов синапсов). «Могут генерировать» и «могут передавать» означает, что генерация и передача происходит опционально, — в тот момент, когда нейрон «решит» это сделать или его «заставят» соседи.
Программируемые модели нейронов Loihi 2 используют трёхфакторную модель обучения («на входе», «внутри» и «на выходе»). Нейроны получают данные с синапсов своих дендритных отделов, и меняют их с помощью своего микрокода в рамках алгоритма обучения (например, STDP — Spike-Timing-Dependent Plasticity). Микрокод тоже может изменяться. Модуляторные факторы (правила изменения импульса) могут быть прописаны для каждого конкретного постсинаптического (то есть идущего дальше по цепочке передачи этого импульса) нейрона. Причём так, чтобы реализовать нужный алгоритм обучения.
Полностью программируемые модели нейронов и ускоренный обмен импульсами в Loihi 2 позволяют создавать любые типы обучаемых нейронных сетей.
Взаимодействие с памятью также улучшено по сравнению с первой версией чипа.
Loihi 1 для каждого ядра выделял фиксированную память. Loihi 2 распределяет память асинхронно, давая различным функциям в ядре доступ к переменному количеству банков памяти. Это позволяет мягко разделить общие ресурсы памяти для достижения оптимального баланса, например, между нейронами и синапсами (напомню, что и то, и другое, — части программного кода). Эффективность каждого ядра растёт. Например, наиболее распространённая конфигурация модели нейрона с утечкой и интеграцией требует в 4 раза меньше памяти. Т есть Loihi 2 может моделировать на том же объёме памяти в 4 раза больше нейронов. Ещё большая плотность нейронов может быть достигнута за счёт снижения точности нейронов (когда вместо 32 бит используется только 8 — имеется в виду разрядность представления весов синапсов или величины сигналов).
Используемые алгоритмы сжатия данных могут увеличить эффективные ёмкости синапсов в разы; например, в 17 раз для некоторых свёрточных сетей и более чем в 80 раз для стохастических соединений.
И это всё — только один чип.
4. Как устроен HalaPoint
28 сентября 2022 года было объявлено о выпуске платы Kapoho Point, содержащей 8 процессоров Loihi 2. Это была квадратная плата со стороной 102 мм, несущая по 4 процессора с каждой стороны. Устройство предназначалось в основном для обкатки технологий программирования нейроморфных компьютеров. Оно могло действовать как само по себе, так и в качестве модуля для создания более сложных устройств. Можно было объединить до 8 таких плат в бутерброд для совместной работы.
Фактически, это был уже нейроморфный модуль, готовый для практического применения. Устройства были сразу распределены между партнёрами Intel, среди которых были Исследовательская лаборатория ВВС США (Air Force Research Laboratory, AFRL) и Ericsson Research.
И, наконец, 17 апреля 2024 года было объявлено о начале работы Hala Point — компьютера, сопоставимого по сложности с человеческим мозгом.
Hala Point эмулирует в 10 раз больше нейронов, чем Pohoiki Springs, и работает в 12 раз быстрее.
«Вычислительная стоимость современных моделей искусственного интеллекта растёт рывками. Отрасль нуждается в принципиально новых, масштабируемых, подходах. Поэтому мы разработали Hala Point, которая сочетает эффективность глубокого обучения с новейшими, подсказанными структурой мозга, возможностями обучения и оптимизации. Мы надеемся, что исследования с участием Hala Point повысят эффективность и гибкость крупномасштабных технологий искусственного интеллекта», — Майк Дэвис (Mike Davies), директор лаборатории нейроморфных вычислений Intel, 17 апреля 2024
(вычислительная стоимость — произведение количества операций на время их выполнения, соответственно, чем она меньше, тем лучше — примечание автора).
В режиме традиционных нейросетей Hala Point делает до 20 квадриллионов операций в секунду (20 петаопс), с эффективностью, превышающей 15 триллионов 8-битных операций в секунду на ватт (тераопс/Вт). Согласно пресс-релизу, это превосходит показатели, достигаемые на любой стандартной конфигурации с использованием центрального процессора и графических ускорителей.
В нейроморфном режиме Hala Point эмулирует 1.15 млрд нейронов. Получается, что это сопоставимо, скорее, с мозгом очень умной кошки, а до человеческого по сложности не дотягивает в 75 раз. Но если учесть, что некоторые кошки умнее некоторых людей, с некоторой натяжкой утверждение принять можно. В Intel считают, что машина гораздо быстрее и сравнивают Hala Point с мозгом совы:
«Применительно к жизнеподобным моделям спайковых нейронных сетей, система может работать при моделировании всех 1.15 млрд нейронов в 20 раз быстрее, чем человеческий мозг, и до 200 раз быстрее — при меньшем их числе. Хотя Hala Point не приспособлен для научного моделирования нейроструктур, количество нейронов примерно соответствует мозгу совы или коре мозга капуциновой обезьяны». — пресс-релиз от 17 апреля 2024.
То есть, по мнению разработчиков, сложность системы меньше, чем у человеческого мозга, а быстродействие — больше.
Устройство получилось действительно компактное: 1152 процессора Loihi 2 уместились в стандартный корпус высотой 6 юнитов (267 мм) для серверной стойки. 1.15 миллиарда нейронов, соединяемые через 128 миллиардов синапсов, распределены по 140544 нейроморфным вычислительным ядрам. Система потребляет 2.6 кВт энергии. Для вспомогательных целей также используется 2300 стандартных x86 ядер (судя по описанию самого процессора, x86 ядер должно быть больше, — возможно, часть из них отключены).
Hala Point объединяет каналы обработки, памяти и связи в массивно-параллельную структуру, обеспечивая в общей сложности 16 петабайт в секунду пропускной способности памяти, 3.5 ПБ/с пропускной способности межъядерной связи и 5 терабайт в секунду (ТБ/с) пропускной способности связи между процессорами. Система может за секунду обработать более 380 триллионов 8-битных синаптических операций и более 240 триллионов нейронных операций.
Система способна решать задачи оптимизации, используя в 100 раз меньше энергии на скоростях до 50 раз быстрее, чем традиционные (процессор+видеоускоритель) архитектуры. Первые эксперименты показали, что Hala Point может достигать эффективности до 15 Топс/Вт² без необходимости собирать входные данные в пакеты (это используется в нейросетевых вычислениях на видеоускорителях, что значительно задерживает обработку данных, поступающих в реальном времени, — например видео с камер).
Уникальные возможности Hala Point могут в будущем обеспечить непрерывное обучение в реальном времени для приложений искусственного интеллекта, таких как решение научных и инженерных задач, логистика, управление инфраструктурой умных городов, большие языковые модели и AI-агенты. За счёт устранения необходимости периодического переобучения с постоянно растущими наборами данных, можно будет экономить гигаватт-часы энергии.
«Совместно с экосистемой, состоящей из более чем 200 членов Intel Neuromorphic Research Community (INRC), включающей ведущие академические группы, правительственные лаборатории, исследовательские институты и компании по всему миру, Intel работает над расширением границ искусственного интеллекта, основанного на мозге, и развитием этой технологии — от исследовательских прототипов к ведущим в отрасли коммерческим продуктам.» — пресс-релиз от 17 апреля 2024.
Сейчас Hala Point находится в Sandia National Laboratories (SNL). SNL считаются одним из ведущих НИИ Министерства энергетики США (DOE) и входят в состав Национальной администрации по ядерной безопасности (NNSA). Это многоцелевая исследовательская лаборатория, основанная в 1949 году с первоначальной целью укрепления национальной безопасности США при помощи новых технологий. Лаборатория занимается разработками в области ядерного оружия, оборонных систем, энергетики и биологии. Рядом с Сандийскими лабораториями расположена Ливерморская лаборатория, где ведутся разработки в области квантовых вычислений.
«Работа с Hala Point поможет нашей команде решать вычислительные задачи и задачи научного моделирования. Проведение исследований с подобного размера системой позволит нам идти в ногу с развитием ИИ в самых разных областях — от коммерческой до оборонной, а также в области фундаментальной науки» — Крейг Виньярд (Craig Vineyard), руководитель группы Hala Point в Национальных лабораториях Сандии.
Похоже, на самый продвинутый в мире искусственный мозг сразу после создания наложила руки американская военщина. Однако не забываем о трёх других проектах, которые, по утверждениям разработчиков, тоже могут стать прорывными.
Hala Point — исследовательский прототип. Он не доступен для публичного использования. Даже о том, как он сделан с точки зрения компьютерного железа, можно судить только по фотографиям и по короткому ролику, объясняющему устройство. Сначала нам показывают процессор. Затем — плату, отличающуюся по форм-фактору от Kapoho Point, с 16 процессорами и надписью «32 миллиона нейронов». В середине платы — что-то, похожее на распаянный чипсет. Возможно, там распаяны все вспомогательные модули, отвечающие за взаимодействие между платами и за связь с внешним миром. Затем — три платы в ряд, двенадцать рядов, и так далее, а под конец всё это залетает в 6U-корпус на фоне надписи «1.15 миллиарда нейронов». Получается, что Hala Point — что-то вроде кластера блейд-серверов, каждый из которых — продвинутый вариант Kapoho Point.
Сколько экземпляров Hala Point существует в природе, также не сообщается.
Другие варианты систем на последнем нейроморфном процессоре Intel вполне доступны и уже используются. Например, фирма Ericsson на Mobile World Congress в феврале 2024 года рассказала об использовании нейроморфных систем на базе Loihi 2 в оптимизации телекоммуникационной инфраструктуры и в проектировании принципиально нового устройства, позволяющего избавиться почти от любых помех при радиосвязи.
Автор — Александр Виноградов (aka Commander Хэлл), для «XX2 ВЕКа».
Вам также может быть интересно: