IBM模拟AI集成电路登Nature：能效提升14倍，语音识别速度提升7倍

第一个试验描绘借助于ID音调测定展开。该制作组提借助于了一种卷积数据分析架构，并在都有12个链接的百度音调命令数据集集上透过体能训练。制作组转用了架构格除此以外有用的FC（全连接）网络构件，最后降至了86.14%的辨别精准度，且提交平均速度比MLPerf目从前最佳情况快7倍。该数学新方法用作操作系统潜意识体能训练在GPU上透过体能训练，然后部署在制作组的模拟器AI微处理器上。

尾端到尾端音调唤醒勤务方面图表（图源：专著图画）

第二个试验描绘借助于音调投文本展开，规模格除此以外大。制作组用作5个模拟器AI微处理器组除此以除此以外，运讫RNN-T（尿素数据分析投换器）数学新方法，以先字母地投录音调内容。该系统都有5个微处理器上1.4亿个PCM电子设备的4500万个均值，都能采集人们说话的音频并以更为相对于小数操作系统设置的精准度透过投录。该试验最后降至9.258%的片语权重，动能工作效率达6.704TOPS/W（万亿次操作者千分之/瓦），比MLPerf目从前最佳能效提高了14倍。

模拟器AI微处理器在RNN-T数学新方法上表现借助于的安全性方面图表（图源：专著图画）

与第一个试验各不相同，这个试验未必完全是尾端到尾端的，这意味着它可能需要一些片除此以外小数推算。IBM称作，这里涉及的额除此以外推算很少，如果在微处理器上构建，最后的能效直至高于当今市场上的产品。

继2021年推借助于第一款模拟器微处理器Fusion后，IBM于近日发布新闻了专攻AI的模拟器微处理器，平均速度、能效除此以外比传统意义小数微处理器大幅增加，对照组也保持高技术水平。

传统意义微处理器受制于“马克斯··贝特依曼不利因素”，而模拟器微处理器可以超越这一桎梏，为AI电子技术带来最初生命力。下一代，模拟器微处理器市场能否得到进一步发展，我们则会小规模非议。

来源：Nature、IBMTwitter