Vom Gehirn inspirierte Chips versprechen eine ultraeffiziente KI, also warum sind sie nicht überall zu finden?

Interview Jedes Mal, wenn ein Chiphersteller oder Forscher einen Fortschritt in der Neuromorphie ankündigt, ist es unweigerlich dieselbe Geschichte: ein gehirnähnlicher KI-Chip, der im Vergleich zu herkömmlichen Beschleunigern eine erstaunliche Leistung pro Watt erbringen kann.

Intuitiv macht die Idee sehr viel Sinn. Unser Gehirn ist ziemlich gut darin, die Welt zu verstehen, also warum sollte ein Chip, der so konzipiert ist, dass er so funktioniert, nicht auch gut darin sein?

Doch nach Jahren der Entwicklung und der Unterstützung von großen Technologieunternehmen wie IBM und Intel sind diese gehirnähnlichen Chips noch Jahre davon entfernt, ihren Weg in Konsumgüter zu finden.

Das hat die Technologie im Laufe der Jahre nicht davon abgehalten, Schlagzeilen zu machen. Neuromorphe Chips bis zu 16 mal effizienter; potenziell gehirnähnliche Chips Einschalten zukünftige Supercomputer; Samsung will reverse engineer das Gehirn; IBM neu erstellen ein Froschgehirn in Silizium. Du hast die Idee.

Während die Chips vielversprechend sind, ist die Realität, dass sich das Gebiet der Neuromorphie noch in einem sehr experimentellen Stadium befindet und vor vielen Herausforderungen steht, die gelöst werden müssen, bevor sie für die Hauptsendezeit bereit sind, erklärt Karl Freund, leitender Analyst bei Cambrian AI Research, in an Interview mit Das Register.

Dies könnte einer der Gründe sein, warum viele der vielversprechenderen neuromorphen Prozessoren anscheinend ins Stocken geraten sind.

IBM zum Beispiel hat seit mehr als vier Jahren kein Update zu seinen True North Neuromorphic Chips gegeben, die in der Lage sind, mehr als eine Million Neuronen zu simulieren. SpiNNaker, ein weiterer vielversprechender neuronaler Netzwerkprozessor, erhielt 8 einen Zuschuss in Höhe von 8.15 Millionen Euro (2019 Millionen US-Dollar), um einen Chip der zweiten Generation auf der Grundlage des Designs zu entwickeln. Das Unternehmen hinter dem Chip, SpiNNcloud mit Sitz in Dresden, Deutschland, startet jedoch erst jetzt.

Intels Loihi- und Loihi 2-Prozessoren sind einer kommerziellen Markteinführung insofern am nächsten gekommen, als Intel neben seinem Lava-Software-Entwicklungskit Entwicklungsboards für externe Forscher zur Verfügung gestellt hat.

Das sind zum Beispiel die Sandia National Laboratories des Energieministeriums Erkundung wie diese Chips verwendet werden könnten, um Supercomputer zu beschleunigen. In einem in der Zeitschrift Nature Electronics veröffentlichten Artikel demonstrierten Forscher von Sandia, wie Intels Loihi-Chips „komplexere Probleme lösen können als die, die von künstlicher Intelligenz gestellt werden, und sich sogar einen Platz im Hochleistungsrechnen verdienen können“.

Doch zumindest ab April hat Intel keine Pläne bald seine Loihi-Chips zu produzieren.

Warum die Verzögerung?

Also was gibt? Warum sind diese im Labor so vielversprechenden Chips angesichts der unersättlichen Nachfrage nach KI/ML nicht schneller ausgereift?

Eines der größten Probleme ist laut Freund die Finanzierung.

„Ich habe versucht, einige Risikokapitalgeber sowohl in der neuromorphen als auch in der analogen [Computertechnik] zusammenzubringen, und schon vor der aktuellen Kapitalkrise lautete eine ziemlich konsistente Antwort: ‚Wir investieren nicht in Forschung'“, sagt er. „Ihre Einstellung ist ziemlich dieselbe wie meine, was bedeutet, dass sich die meisten Technologien, vielleicht alle, noch in der Forschungsphase befinden.“

Infolgedessen sei der Fortschritt bei der Produktion neuromorpher Computer auf große Unternehmen mit hohen F&E-Budgets beschränkt gewesen, sagte er.

Aber nicht nur die Finanzierung steht im Weg. Freund argumentiert, dass der Umfang des Problems für Neuromorphe nur größer geworden ist, als die Technologie ausgereifter geworden ist.

Bei den ersten neuromorphen Testchips konzentrierten sich die Wissenschaftler in erster Linie darauf, einen Punkt zu erreichen, an dem sie nützliche Arbeit leisten konnten, erklärt er.

Die Herstellung eines solchen Chips bedeutet jedoch, andere Probleme zu lösen, z. B. wie Sie Daten effektiv in den Chip hinein und aus ihm heraus bekommen.

Dies ist keineswegs ein Problem, das nur bei Neuromorphen auftritt. Es ist eines, das mit Quantencomputern und sogar traditionellen Beschleunigern verbunden ist, die in den letzten Generationen aufgrund der Geschwindigkeit, mit der die Daten vor- und nachverarbeitet und/oder vom Chip aufgenommen und ausgegeben werden können, Engpässe angehäuft haben, erklärte Freund.

Schließlich gibt es noch das Problem der Entwicklung von Software, die diese Beschleuniger nutzen kann.

„Es wird wirklich eine ganze Gemeinschaft von Forschern brauchen, um das Programmierbarkeitsproblem des neuromorphen Rechnens zu lösen“, sagt Freund.

Traditionelle Beschleuniger sind gut genug

Der vielleicht wichtigste Grund dafür, dass neuromorphe Computer nicht übernommen haben, ist, dass traditionelle Beschleuniger einfach schnell genug leistungsfähiger und effizienter werden.

„Was sie feststellen, ist, dass Plattformen wie Nvidia Jetson Orin oder einige neue neuartige Plattformen von Startups das Problem sehr schnell lösen. Die Notwendigkeit, etwas Superexotisches zu tun, wird also immer geringer, wenn sich der Stand der Technik in bestehenden Technologien weiterentwickelt“, sagt Freund. „Wenn Sie sich ansehen, was Qualcomm mit seiner KI-Engine gemacht hat, sprechen Sie von Milliwatt … und was es macht, wenn Sie ein Foto machen, ist erstaunlich.“

Infolgedessen können bedeutende Probleme in der Leistungshülle gelöst werden, die von bestehenden digitalen Technologien benötigt wird.

Während Neuromorphika möglicherweise nicht in absehbarer Zeit bereit sein werden, traditionelle Beschleuniger zu ersetzen, glaubt Freund, dass die Technologie schließlich den Mainstream erreichen wird.

„Diese Dinge brauchen Zeit, um ausgereift zu sein“, sagt er und nennt den Aufstieg von ARM-Prozessoren im Rechenzentrum als etwas, das mehr als 10 Jahre gedauert hat, um es zu erreichen. „Und das war für CPUs; CPUs sind einfach im Vergleich zu Dingen wie Quanten- und neuromorphem Computing.“ ®