Pohoiki Springs是一個(gè)數(shù)據(jù)中心機(jī)架式系統(tǒng)，是英特爾迄今為止開(kāi)發(fā)的最大規(guī)模的神經(jīng)擬態(tài)計(jì)算系統(tǒng)。它將768塊Loihi神經(jīng)擬態(tài)研究芯片集成在5臺(tái)標(biāo)準(zhǔn)服務(wù)器大小的機(jī)箱中。
Loihi處理器的設(shè)計(jì)思路來(lái)源于人腦。與大腦一樣，Loihi能用比傳統(tǒng)處理器快1,000倍的速度和高10,000倍的效率處理特定要求的工作負(fù)載。Pohoiki Springs是擴(kuò)展Loihi架構(gòu)的下一步，可用于評(píng)估其解決AI問(wèn)題以及一系列計(jì)算難題的潛力。英特爾研究人員認(rèn)為，與當(dāng)今最先進(jìn)的傳統(tǒng)計(jì)算機(jī)相比，神經(jīng)擬態(tài)系統(tǒng)擁有超級(jí)并行性和異步信號(hào)傳輸能力，可以在明顯降低功耗的同時(shí)顯著提升性能。
在自然界中，即使是一些最小的生物也能解決極為困難的計(jì)算問(wèn)題。例如，盡管很多昆蟲(chóng)大腦的神經(jīng)元數(shù)目遠(yuǎn)低于100萬(wàn)個(gè)，但它們卻能實(shí)時(shí)視覺(jué)跟蹤物體、導(dǎo)航和躲避障礙物。同樣，英特爾最小的神經(jīng)擬態(tài)系統(tǒng)Kapoho Bay由兩個(gè)具有262,000個(gè)神經(jīng)元的Loihi芯片組成，支持各種實(shí)時(shí)邊緣工作負(fù)載。英特爾和INRC研究人員展示了Loihi的各種能力，包括實(shí)時(shí)識(shí)別手勢(shì)、使用新型人造皮膚閱讀盲文、使用習(xí)得的視覺(jué)地標(biāo)確定方向，以及學(xué)習(xí)新的氣味模式。所有這些功能都只需要消耗數(shù)十毫瓦的電能。到目前為止，這些小規(guī)模示例顯示出極好的可擴(kuò)展性，當(dāng)運(yùn)行更大規(guī)模的問(wèn)題時(shí)，Loihi比傳統(tǒng)解決方案更加快速高效。這模仿了自然界中從昆蟲(chóng)大腦到人類(lèi)大腦的可擴(kuò)展性。
Pohoiki Springs擁有1億個(gè)神經(jīng)元，它將Loihi的神經(jīng)容量增加到一個(gè)小型哺乳動(dòng)物大腦的大小，這是在向支持更大、更復(fù)雜的神經(jīng)擬態(tài)工作負(fù)載的道路上邁出的重要一步。該系統(tǒng)為需要實(shí)時(shí)、動(dòng)態(tài)的數(shù)據(jù)處理新方法的自主、互聯(lián)的未來(lái)奠定了基礎(chǔ)。
英特爾的Pohoiki Springs等神經(jīng)擬態(tài)系統(tǒng)仍處于研究階段，其設(shè)計(jì)目的并非取代傳統(tǒng)的計(jì)算系統(tǒng)，而是為研究人員提供一個(gè)工具來(lái)開(kāi)發(fā)和表征新的神經(jīng)啟發(fā)算法，用于實(shí)時(shí)處理、問(wèn)題解決、適應(yīng)和學(xué)習(xí)。INRC成員將使用英特爾Nx SDK和社區(qū)貢獻(xiàn)的軟件組件，通過(guò)云訪(fǎng)問(wèn)在Pohoiki Springs上構(gòu)建應(yīng)用程序。
目前正為L(zhǎng)oihi開(kāi)發(fā)的前景極佳且高度可擴(kuò)展算法示例包括：
約束滿(mǎn)足：約束滿(mǎn)足問(wèn)題在現(xiàn)實(shí)世界中無(wú)處不在，從數(shù)獨(dú)游戲到航班調(diào)度，再到快遞配送規(guī)劃。這需要對(duì)大量潛在的解決方案進(jìn)行評(píng)估，以找出一個(gè)或幾個(gè)能夠滿(mǎn)足特定約束的解決方案。Loihi可以通過(guò)高速并行探索多個(gè)不同的解決方案來(lái)加速解決此類(lèi)問(wèn)題。
搜索圖和模式：每天，人們都會(huì)在基于圖的數(shù)據(jù)結(jié)構(gòu)中進(jìn)行搜索，以找到最佳路徑和緊密匹配的模式，例如獲取駕駛方向或識(shí)別人臉。Loihi已展示出快速識(shí)別圖中的最短路徑和執(zhí)行近似圖像搜索的能力。
優(yōu)化問(wèn)題：可對(duì)神經(jīng)擬態(tài)架構(gòu)進(jìn)行編程，使其動(dòng)態(tài)行為能夠隨時(shí)間的推移對(duì)特定目標(biāo)進(jìn)行數(shù)學(xué)優(yōu)化。此行為可應(yīng)用于解決現(xiàn)實(shí)場(chǎng)景下的優(yōu)化問(wèn)題，例如最大化無(wú)線(xiàn)通信信道的帶寬，或分配股票投資組合，以在目標(biāo)收益率下最小化風(fēng)險(xiǎn)。