研究人员在2月举行的国际固态电路研讨会(International Solid-State Circuits Conference)上展示了几款支援人工智能的低功耗芯片原型，让移动装置具备深度学习能力的梦想又向前迈进一步。
据IEEE Spectrum报导，麻省理工学院(MIT)、NVIDIA以及韩国科学技术院(KAIST)的研究人员发表的低功耗芯片百度可提供智能型手机模仿人类视觉，并让自驾车具备预测路上行人移动方向的能力。
手机应用处理器(AP)也将能执行部分属人工智能的任务，例如高通(Qualcomm)的Snapdragon芯片便搭配可实现自动影像标识的软体开发套件。这种以软体为主的方法虽是一大突破，但限制也不少，一如缺乏自主学习功能。
MIT电机工程学教授Vivienne Sze表示，神经网路规模越大，运算层就越多，执行任务所消耗的能量也随之增加，*耗电的部分发生在处理器和存储器之间的资料传输，特别是卷积神经网路(Convolutional Neural Network；CNN)在执行影像分析时都会遇到这个问题。
人脑可以根据记忆自然建立物体间的关联，而像AlexNet之类的影像辨识系统则会先找出图像中物体的边缘，然后进行猫、床、毯子等个别物体轮廓辨识，*后再根据图像景物判定为室内影像，这样简单的辨识动作也需要很高能量密度。类神经网路通常在图形处理器(GPU)上执行，透过更改GPU设计可以增加芯片的执行效率。
与Sze一同合作开发Eyeriss芯片的Joel Emer，是MIT电脑科学教授暨NVIDIA的**研究科学家。Eyeriss是一颗可执行**卷积神经网路的客制化芯片，搭载168颗处理引擎，每个引擎附近皆设有专属记忆空间，以减少芯片自主存储器存取资料的次数，并会压缩传送的资料、省略特定GPU步骤，因此使用的功耗只有一般手机GPU的10%，约0.3W。
KAIST教授暨多媒体VLSI实验室主管Lee-Sup Kim和其研究团队则展示专为了物联网设计的通用视觉处理器，同样利用缩短存储器和处理器距离的方式将功耗压至*低。这颗芯片的功耗虽然仅有45mW，但运算复杂度仍不如Eyeriss。
另一位KAIST教授暨系统设计**和应用研究中心主管Hoi-Jun Yoo则偏好以专门、应用为导向的方法制作神经网路硬体。Yoo使用递回式类神经网路(Recurrent Neural Network；RNN)演算法辨识视野中的物体，制作具有跟随移动物体并猜测意向能力的系统。这个耗电量为330 mW的系统，可在近乎即时的状况，同时预测20个物体的意向。
公安机关备案号：
