[[326502]]

本周，IBM聲稱，其神經計算機系統達到了每秒120萬幀的訓練時間，創下了最新記錄。IBM在AI模型訓練上實現了大突破，可與最先進的技術相匹敵。網友對此表示簡直不敢相信！

在今年年初發表的一篇論文論文中，IBM詳細介紹了神經計算機。這是一種可重新配置的并行處理系統，旨在研究和開發新興的AI算法和計算神經科學。

就在本周，該公司在神經計算機上演示了第一個應用程序：一種深度的神經進化系統。該系統將Atari 2600的硬件實現，圖像預處理和AI算法結合在優化的流水線中。

實驗報告得出的結果可與最先進的技術相匹敵，但更重要的是，IBM聲稱該系統達到了每秒120萬幀的訓練時間，創下了最新記錄。

網友驚呼，「簡直不敢相信！」

神經計算機就像是在AI計算軍備競賽中發出的一個示警信號。

據OpenAI發布的一項分析顯示，從2012年到2018年，最大規模的AI培訓運行中使用的計算量增長了300,000倍，是3.5個月的兩倍，遠遠超過了摩爾定律的步伐。

AlexNet到AlphaGo零：計算量增長了300,000倍

先來了解一下IBM 的神經計算機吧

IBM神經計算機

IBM的神經計算機由432個節點組成（每16個模塊卡中有27個節點），這些節點是IBM長期戰略合作伙伴Xilinx的現場可編程門陣列（FPGA，設計用于制造后配置的集成電路）。

          IBM神經計算機每個模塊卡中有27個節點

 每個節點均有一個Xilinx Zynq單片系統（一個雙核ARM A9處理器與一個FPGA在同一芯片上配對）以及1GB專用RAM芯片。

節點以3D網格拓撲結構排列，并與電氣連接（稱為穿硅通孔，這些通孔可以完全穿過硅晶圓或芯片）垂直互連。

在3D網格拓撲結構中可以看到節點數字

在聯網方面，FPGA提供模塊卡之間物理通信的訪問，以便建立多個不同的通信通道。

理論上講，單個卡可以支持高達每秒432GB的傳輸速度，而神經計算機的網絡接口可以自身調節并逐步優化， 使其匹配給定的程序。

在論文中詳細簡述了神經計算機框架的共同作者寫道，「我們系統的獨特之處在于每個節點允許特定應用的處理器卸載，這一功能在我們所知任何規模的并行計算機上均不可用。多數性能的關鍵步驟已在FPGA上卸載和優化，同時ARM處理器提供了輔助支持。」

既然對神經計算機有所了解，那么IBM在神經計算機上的首次應用演示，系統是怎么達到創紀錄的每秒120萬幀的訓練時間呢？ 

[[326505]]

我們來一探究竟

用Atari游戲測試AI

用電子游戲來做測試，是AI和機器學習研究最好的平臺。

它們不僅可以隨時拿來進行測試，而且大規模運行成本低。

比如在強化學習等特定領域中，為了獲取獎勵，AI通過與環境互動來學習最佳行為，游戲分數便是最直接的獎勵。

游戲中開發的AI算法已表現出出可適應更實際的用途，例如蛋白質折疊預測研究。如果IBM神經計算機測試結果是重復的，則該系統可以用于加速這些AI算法的開發。

研究人員在神經計算機中每個卡使用了26個節點，對總共416個節點進行了實驗。

Atari游戲應用程序的兩個實例都是在416個FPGA中每個節點上運行，最多可擴展到832個節點并行運行的實例。

每個實例都從給定的Atari 2600游戲中提取幀，執行圖像預處理，通過機器學習模型運行圖像，并在游戲中執行操作。 

使用深度神經在FPGAs訓練游戲的截圖

 為了獲得最高的性能，研究團隊避免仿真Atari 2600，而是選擇使用FPGA在更高的頻率下實現控制臺的功能。

他們采用了開源MiSTer項目的框架，該項目旨在使用現代硬件重新創建控制臺和街機，并將Atari 2600的處理器時鐘頻率從3.58 MHz提高到150 MHz，每秒產生約2514幀。

在圖像預處理步驟中，IBM的應用程序將幀從彩色轉換為灰色，消除了閃爍，將圖像重新縮放為較小的分辨率，然后將幀堆疊為四組。

然后將它們傳遞到推理游戲環境的AI模型和一個子模塊，該子模塊通過識別AI模型預測的最大獎勵來選擇下一幀的動作。

在五個實驗過程中，IBM研究人員在神經計算機上運行了59個Atari 2600游戲。

結果表明，與其他強化學習技術相比，該方法的數據效率不高，總共需要60億個游戲框架，但在Montezuma的Revenge and Pitfall等具有挑戰性、探索性的游戲中失敗了。

在59個游戲中有30場勝出，Deep Q-network花了10天進行訓練，而IBM團隊只用了6分鐘來訓練（2億個訓練幀）

在神經計算機上運行的59個Atari 2600游戲有60億個訓練幀，在36場比賽中超過了Deep Q-network，而訓練時間減少了2個數量級（2小時30分鐘）。