深層神經(jīng)網(wǎng)絡（DNNs）可以學會幾乎任何東西，包括如何在我們擅長的比賽擊敗我們。問題是每次培訓AI系統(tǒng)，都會占用昂貴的超級計算機或數(shù)據(jù)中心幾天時間。 IBM的T.J. Watson研究中心的科學家們認為，他們可以大量使用“電阻處理單元”，即結合CPU和非易失性存儲器的理論芯片，來減少馬力和學習時間。此外，芯片能成倍加快數(shù)據(jù)傳輸速度，系統(tǒng)能完成所有的世界語言之間的語音識別和翻譯。
問題是，為什么要花這么多的計算能力和時間來教AI？因為，像谷歌的DeepMind或IBM的Watson這樣的現(xiàn)代神經(jīng)網(wǎng)絡必須并行地執(zhí)行數(shù)十億的任務。這需要調(diào)用大量的CPU內(nèi)存，加起來迅速超千億周期。研究人員曾提出，使用新的存儲技術像電阻式RAM，可以永久存儲數(shù)據(jù)，速度也與DRAM的一樣的速度數(shù)據(jù)。最終，他們想出了新型芯片——電阻處理單元（RPU），即把大量的電阻式RAM直接放到CPU。
這種芯片能以最快的速度讀取并同時處理數(shù)據(jù)，從而大大減少所需的神經(jīng)網(wǎng)絡訓練時間和計算能力。 新聞報道：”相比于國家的最先進的微處理器，這種大規(guī)模并行架構RPU可實現(xiàn)3萬倍加速，......以前需要在有數(shù)千臺機器的數(shù)據(jù)中心培訓幾天，現(xiàn)在一個RPU加速器花上幾個小時就能解決。”
科學家們認為，可能使用常規(guī)的CMOS技術來這樣的芯片，但現(xiàn)在RPU仍處于研究階段。此外，其技術的背后，如電阻式RAM，尚未實現(xiàn)商業(yè)化。然而，快速的本地內(nèi)存芯片構建可以大大加快AI任務，如處理圖像，掌握語言和大規(guī)模數(shù)據(jù)分析等。
