ibm的幾位研究者近日發表了論文。 論文闡述了所謂的電阻解決方案單元( resistive processing unit，rpu )的新芯片概念。 據悉，與之前流傳的cpu相比，該芯片將深度神經互聯網的訓練速度提高30000倍。

深神經互聯網( dnn )是一種具有多個隱藏層的人工神經互聯網。 這個神經網絡可以不進行監視訓練也可以不進行監視訓練。 結果出來的就是可以自己學習的機器學習(或者說人工智能)，也就是所謂的深度學習。

前幾天，谷歌( alphabet ) deepmind在人機大戰中擊敗李世石的ai圍棋程序alphago使用了同樣的算法。 alpha go由一個搜索樹算法和數百萬種神經元連接而成的兩個多層深度神經互聯網組成。 一個互聯網被稱為戰略互聯網，用于計算走哪一步勝率高，另一個互聯網被稱為價值互聯網，用于告訴alpha go如何讓白子和黑子都運轉比較好

由于前景廣闊，許多機器學習研究者已經聚焦于深度神經互聯網。 但是，要達到一定程度的智能，這些互聯網需要非常多的計算芯片，例如alpha go采用的計算芯片數量達到了數千個。 所以，這是消耗計算資源，燒錢的任務。 但是，現在ibm的研究者提出了強大的計算能力可以與以前流傳的數千個芯片匹敵的新芯片概念。 這個芯片組合千萬個的話，未來ai的能力可能會越來越突破。

這個叫做rpu的芯片主要利用了深度學習等算法的兩個優點。 局部性和并行性。 因此，rou利用新一代非易失性存儲器( nvm )技術的概念，在本地存儲算法中使用的權值，減小訓練中的數據移動。 研究人員表示，如果將這個rpu大規模應用于10億以上權重的深度神經互聯網上，訓練速度會提高30000倍。 也就是說，平時訓練數千臺機器需要幾天的結果用這個芯片只需要幾個小時，而且能源效率也要低得多。

當然，論文只是提出了概念，由于該芯片目前處于研究階段，普通非易失性存儲器尚未進入主流市場，預計這類芯片還需要幾年的時間才能上市。 但是，如果這個芯片確實具有那么大的計算和能效特征，谷歌、facebook等從事ai研究和應用的巨頭一定會關注，ibm本身也是ai、大數據的積極參與者之一，東西都會被做出來，