A corrida dos chips
Deep Learning fomenta verdadeira corrida para lançamento de chips mais rápidos e eficientes
Os avanços obtidos com o uso de Deep Learning nos últimos anos poderiam ser ainda maiores não fossem limitações na performance computacional. Desenvolvedores e pesquisadores querem sempre treinar as redes neurais o mais rapidamente possível, mas a velocidade e a eficiência desse processo têm sido restringidas pelos processadores disponíveis. Por isso, grandes empresas e startups estão em uma verdadeira corrida para o desenvolvimento de chips feitos “sob medida” para aplicações de Deep Learning.
As estratégias adotadas são diversas. Na nova geração de chips, múltiplas funções são combinadas em um único passo, enquanto as unidades de processamento gráfico mais comumente usadas precisavam de múltiplos passos para esse mesmo resultado. As funções são agrupadas para otimizar usos específicos, como, por exemplo, a detecção de um obstáculo por um carro autônomo. Também estão sendo adotados novos modos de formatação dos números para uma matemática de baixa precisão, que resulta no uso de menos silício, capacidade de processamento e eletricidade. Essa estratégia acarreta algumas perdas, mas as soluções para esse problema também já estão sendo arquitetadas. Recentemente, por exemplo, pesquisadores da Baidu publicaram artigo com dicas de programação para que a acurácia no treinamento de redes neurais não diminua com o uso de números menos precisos (com número menor de bits).
Leia mais:
Análise de emoções? Mais uma aplicação que o deep learning torna possível!
Inteligência Artificial e seu uso na Política: riscos e oportunidades
Essa “corrida dos chips” tem, inclusive, sido vista como oportunidade única para a criação de startups de chips específicos para o uso em inteligência artificial, com consequente interesse das empresas de capital de risco. Especialistas, no entanto, apontam alguns perigos dessa aposta. Como ela tem sido em chips altamente especializados, e o tempo de chegada ao mercado pode ser longo, é possível que as aplicações mais valorizadas mudem nesse intervalo. De outro lado, a aposta em abrangência diminui a performance, ampliando a competição com as gigantes… Com isso, algumas startups podem ser compradas pelas grandes empresas, como aconteceu com a Nervana, fundada em 2014 e comprada pela gigante Intel em 2016, por $ 408 milhões de dólares. Outras, no entanto, podem apenas desaparecer.
Fontes:
