ИИ как экосистема, бизнес и рынок

Рассказ о рынке ИИ-полупроводников был бы неполным без упоминания темы нейроморфных вычислений. Со ссылкой на отчет Neuromorphic Computing. Concepts, actors, applications, market and future trends April 2020 можно сказать, что развитие рынка ИИ-полупроводников происходит в виде трех волн. Первая волна, ориентированная на GPU, начинается до 2018 года и достигает максимума в 2022 году. Вторая, ориентированная на ASIC, выходит на экстремум к 2025 году, и третья, ориентированная на нейроморфные процессоры, зарождается в 2022 году и обещает выйти на массовый режим производства после 2026 года (см. рис. 3.47).

Рис. 3.47. Ожидаемые волны доминирования полупроводников в области ИИ. Источник: Neuromorphic Computing. Concepts, actors, applications, market and future trends, 2020 [191]

Нейроморфные процессоры - это процессоры, архитектура и принципы действия которых имеют сходство с биологическими нейронными сетями. Как было показано в начале курса, несмотря на то, что Розенблант и Джон фон Нейман вдохновлялись в своих моделях устройством человеческого мозга, классические нейронные сети и архитектуры компьютера довольно слабо соответствуют тому, что мы наблюдаем в биологии. Так, например, энергопотребление человеческого мозга составляет десятки ватт, в то время как компьютеры потребляют в тысячи раз больше.

Биологические системы работают с временными рядами, скоррелированными во времени (например, в естественных временных рядах то, что мы видим в момент времени t+1, очень сильно похоже на то, что мы видим в момент времени t), в то время как компьютеры способны обрабатывать нескоррелированные данные (например, последовательность картинок). В биологических системах нет разделения вычислений и памяти, каждый нейрон представляет собой отдельный физический объект, в то время как на компьютерах мы, как правило, моделируем большое количество нейронов одним вычислителем за счет быстрого переключения контекста. В мозге нет никаких цифровых вычислителей, а свою когнитивную функцию он реализует с помощью аналоговых вычислений. И последнее, но не менее важное свойство - биологические системы не программируются, они непрерывно обучаются.

Так, согласно публикации Neuromorphic artificial intelligence systems, Frontiers in Neuroscience ^{43Нейроморфные системы искусственного интеллекта, фронтиры в нейронауке} [192], исследователи предлагают принцип классификации нейроморфных систем на основе использования в них следующих нейроморфных свойств.

1. Конекционизм и нейронные сети - дают способность обучения на данных.
2. Параллелизм - дает возможность одновременного выполнения работы.
3. Асинхронность - избавляет от проблемы синхронизации, дает масштабируемость.
4. Импульсный характер передачи информации - обеспечивает простой протокол коммуникации, дает устойчивость к шумам.
5. Обучение на устройстве - дает возможность непрерывного обучения.
6. Локальное обучение - снижает издержки на обучение, дает возможность создания больших сетей.
7. Разреженность потоков данных - снижает издержки на передачу информации в системе.
8. Аналоговые вычисления - дают возможность эффективного выполнения вычислений^{44Например, аналоговые вычисления могут быть в 10000 раз быстрее и энергоэффективнее, чем в цифровом домене. Проблема аналоговых вычислений в негибкости вычислительной схемы и невозможности отладки} .
9. Вычисления в памяти - снижают издержки на операции перемещения данных по шине, избавляют от проблемы конкурентного доступа.

Нейроморфный процессор является универсальной вычислительной системой для решения широкого класса задач ИИ, превосходящей классические решения по энергоэффективности (в 100-1000 раз), однако уступающей по качеству решения задач и развитости программно-аппаратной экосистемы.

Другими особенностями нейроморфных процессоров являются:

• Совместимость с нейроинтерфейсами и с событийными сенсорами, такими как DVS-камеры ^{45Подобно отдельным нейронам тканей человеческого глаза, ячейки датчика Dynamic Vision Sensor (DVS) регистрируют только изменения в картине, которую они наблюдают. Такой подход позволяет избавиться от большого количества избыточных статических данных, концентрируясь только на происходящих изменениях}, которые способны регистрировать события с длительностью в 1000 раз меньшей, чем обычные видеокамеры при кардинально меньшем объеме передаваемого трафика. При этом система способна обрабатывать входной сигнал и генерировать управляющий сигнал сразу в импульсной форме - без перекодировки в числовое представление.
• Быстрое (в 10-100 раз) время принятия решений. Система способна управлять быстро развивающимися процессами.
• Непрерывное обучение на устройстве. Система тратит малое количество энергии на обучение благодаря локальным методам и может сохранять знания в процессе обучения.
• Детектирование редких событий. Система тратит малое количество энергии, пока находится в режиме ожидания события.
• Детектирование одновременных событий. Система способна одновременно детектировать множество объектов.
• Детектирование событий в большом потоке информации в приближенном к реальному времени.
• Быстрое детектирование событий на ранних этапах уверенности. Уверенность системы не дискретна во времени, а постепенно нарастает ^{46Допустим, система должна распознать временной паттерн. В классических решениях мы сначала должны принять сигнал полностью, а потом его классифицировать, в нейроморфных системах мы можем постепенно наращивать нашу уверенность в классе начиная с момента, как сигнал стал поступать в систему, и до момента, как он закончит поступать. Это гораздо раньше, чем в классических системах. Например, робот, которого толкнули, начинает балансировать еще до того, как точно просчитает последовательность движений}.
• Устойчивость к шумам. Система способна осуществлять свои интеллектуальные функции в экстремальных условиях.

Нейроморфные чипы могут эффективно работать на этапе обучения ИИ-моделей, на этапе их использования и в режиме непрерывного обучения. Yole и TMT Analytics ожидают, что объем рынка нейроморфных чипов может достичь миллиарда долларов к середине 2020-х годов.

Согласно прогнозам отчета "Neuromorphic Computing. Concepts, actors, applications, market and future trends", ожидается, что нейроморфные чипы займут прочное место на рынке к середине 20-х годов и, возможно, достигнут доминирования на рынке к 2030 году, как было отмечено на рис. 3.47.

Среди ключевых игроков на рынке нейроморфных вычислений следует выделить такие компании как Intel, IBM, BrainChip Holdings, Qualcomm, Eta Compute, General Vision, Samsung Electronics, Hewlett Packard Labs, Applied Brain Research и GrAI Matter Labs.

Аналитика по рынку ИИ в виде опросов специалистов

Еще один источник количественных данных о состоянии бизнеса и технологий в области ИИ - это опросы участников этого рынка.

Существуют специализированные отчеты, которые приводят результаты опросов по состоянию внедрения технологий ИИ в разных отраслях и странах. Одно из наиболее полных исследований из этой области - это ежегодный отчет "Глобальный индекс внедрения ИИ" (GlobalAIAdoption Index), который публикуется компанией IBM в партнерстве с Morning Consult.