ماشین های هوشمندی که مانند انسان فکر میکنند.

مرسدس بنز در حال بررسی این موضوع است که چگونه تراشه های نورومورفیک می توانند قابلیت های جدید هوش مصنوعی را برای وسایل نقلیه به ارمغان آورند.
تراشه های رایانه ای آزمایشی که سعی در تقلید از عملکرد مغز انسان دارند، می توانند استفاده از دستورات صوتی و اشاره ای را در خودرو تسریع کنند.

تکنیک پیشرفته ، که به عنوان محاسبات نورومورفیک شناخته می شود، می تواند به طور قابل توجهی انرژی کمتری نسبت به واحد های رایانه ای و پردازش گرافیکی قدیمی که از طریق ابر به ماشین وصل می شوند، استفاده کند.
اتومبیل های امروزی از قابلیت هوش مصنوعی برای تشخیص بسیاری از دستورات گفتاری و حرکتی برخوردار نیستند ، بخشی از این به دلیل نیاز به انرژی لازم برای عملکرد آن است.

تیم شی ، محقق فناوری در آزمایشگاه های Accenture، گفت: سازندگان اتومبیل نیاز به روشهای هوش مصنوعی را که انرژی کمتری مصرف می کنند، تشخیص داده اند و این یکی از دلایل مفید بودن محاسبات نورومورفیک است. وی گفت: “تراشه های فعلی به اندازه کافی مقیاس پذیر نیستند و این امر سازندگان اتومبیل را محدود میکند.”

مرسدس بنز AG سازنده خودروی آلمانی هفته گذشته اعلام کرد که به انجمن تحقیقات نورومورفیک اینتل پیوسته است تا بفهمد تراشه های نورومورفیک چگونه می توانند به افزایش بهره وری انرژی، سرعت و دقت در استفاده از هوش مصنوعی مربوط به خودرو کمک کند.
یاسمین آیشلر ، مدیر فناوری های آینده مرسدس بنز ، در بیانیه ای گفت: ” می خواهیم با دانش کسب شده ،به پیشرفت قابل توجهی در کاربردهای هوش مصنوعی دست یابیم.”
به گفته مایک دیویس ، مدیر آزمایشگاه محاسبات نورومورفیک اینتل ، تراشه های نورومورفیک اینتل می توانند ظرف مدت پنج سال فروش تجاری خود را آغاز کنند.

محققان آزمایشگاه های Accenture می گویند ، برنامه های کاربردی با تراشه های نورومورفیک درون ماشین می توانند به هنگام لرزیدن فرد دما را به طور خودکار تنظیم کنند. آنها همچنین می توانند یک فرمان صوتی را برای روشن کردن ماشین یا پایین بردن و یا بالا بردن پنجره ها تشخیص دهند. تراشه ها در خود ماشین ادغام می شوند و برای کار کردن نیازی به اتصال به ابر ندارند.
آزمایشگاه های Accenture امسال با یک سازنده خودروی ناشناخته روی یک آزمایش محاسبات نورومورفیک کار کردند. در این آزمایش، یک تراشه نورومورفیک ساخته شده توسط آزمایشگاه های اینتل، به نام Loihi ، دستورات صوتی مانند “روشن کردن موتور” را تشخیص داد.
آقای شی گفت: این تراشه 1000 برابر انرژی کمتری مصرف کرده و 200 میلی ثانیه سریعتر پاسخ می دهد.

اینتل در میان چندین شرکت، دانشگاه و استارتاپ است که در حال بررسی محاسبات نورومورفیک هستند. آلن پریستلی، تحلیلگر فناوری های هوش مصنوعی در شرکت تحقیقاتی گارتنر، گفت: “این صنعت به دنبال راه های جدیدی برای توسعه سیستم های هوش مصنوعی با مصرف برق بسیار کمتر است.
مصرف انرژی مانع برخی از کاربردهای هوش مصنوعی است. به گفته محققان دانشگاه ماساچوست ، به عنوان مثال، تولید یک مدل واحد هوش مصنوعی ، می تواند ردپای کربن معادل انتشار مادام العمر پنج اتومبیل متوسط ایالات متحده داشته باشد.

با استفاده از محاسبات نورومورفیک ، می توان مدل های یادگیری ماشین را با استفاده از کسری از داده هایی که برای آموزش آنها در مورد سخت افزار محاسبات سنتی لازم است، آموزش داد. وال استریت ژورنال قبلا گزارش داده بود، این بدان معنی است که مدل ها به همان روشی که نوزادان انسان یاد می گیرند، با یک بار دیدن یک تصویر یا اسباب بازی و توانایی تشخیص آن برای همیشه، آن را به خاطر میسپارند.
این تکنیک نسبت به پردازنده های گرافیکی امروزی ، که یکی از اصلی ترین تراشه های رایانه ای مورد استفاده برای سیستم های هوش مصنوعی، به ویژه شبکه های عصبی است، انرژی کمتری مصرف می کند. از شبکه های عصبی در تشخیص و درک گفتار و همچنین بینایی رایانه استفاده می شود.

یکی دیگر از مزایای روش محاسبات این است که “مبتنی بر رویداد” است ، به این معنی که فقط زمانی محاسبه و استفاده از انرژی میکند که توسط یک رویداد مانند فرمان صوتی یا حرکتی فعال شود.
الکس کاس ، مدیر ارشد و اصلی آزمایشگاه های Accenture ، گفت: “این فقط محاسبه تمام وقت به صورت یکنواخت نیست، چه فعالیتی داشته باشد و چه نداشته باشد به محاسبه ادامه میدهد.”
تراشه های نورومورفیک را می توان داخل ماشین قرار داد تا محاسبات را “در لبه” یا داخل ماشین بدون نیاز به دسترسی به ابر انجام دهد.
محققان Accenture می گویند ، این بدان معناست که عملکردهای هوش مصنوعی همیشه حتی در مناطقی که از اتصال خوبی برخوردار نیستند مانند جنگل ها کار می کنند.

طبق گفته گارتنر ، انتظار می رود تراشه ها معماری رایج غالب برای فرم های جدید و پیشرفته استقرار هوش مصنوعی تا سال 2025 باشند.
گارتنر پیش بینی می کند تا آن سال ، این فناوری واحدهای پردازش گرافیک را جابجا خواهد کرد.