https://www.forbes.com/sites/johnkoetsier/2022/03/25/1000x-more-efficient-neural-networks-building-an-artificial-brain-with-86-billion-physical-but-not-biological-neurons/?sh=14fde54a408e

윌슨은 "이것이 일종의 저전력 추론 및 장치를 위한 첫 번째 단계가 될 것이라고 생각하지만 우리는 장치가 사전 프로그래밍되어 세상에서 하는 일을 하는 것을 원하지 않습니다."라고 말합니다. “우리는 기기가 스스로 학습하기를 원합니다. 우리는 기기가 변화하는 환경과 변화하는 자아로부터 지속적으로 학습하는 적응형 두뇌를 갖기를 원합니다.”

아날로그 칩은 디지털 칩보다 훨씬 더 빠른 속도를 달성할 수 있습니다. 왜냐하면 윌슨이 말했듯이 입력에서 출력까지 "와이어 속도로" 계산이 기본적으로 수행되기 때문입니다. 부분적으로 아날로그 칩은 특정 작업에 대해 이 중 일부를 달성하지만 여전히 디지털 상태로의 변환에 대한 과속 티켓이 발생합니다.

완전한 아날로그 칩에 대한 도전은 물론 그 놀라운 속도와 함께 극도의 특이성을 얻는 것이었습니다. 디지털 칩이 "무엇이든" 할 수 있는 경우 아날로그 칩은 설계된 기능만 수행합니다.

Rain Neuromorphics는 본질적으로 일종의 범용 아날로그 칩을 구축하고 있습니다. 왜냐하면 인간 두뇌의 아날로그를 구축하고 있으며, 뉴런이 근거리와 장거리를 모두 가질 수 있도록 하는 소규모 네트워크 패턴에 따라 개별 뉴런을 시냅스와 연결하기 때문입니다. 매우 효율적이고 효과적인 연결 메시를 생성하는 연결(Kevin Bacon의 6단계 생각).

그러면 칩은 기본적으로 우리가 어린이와 성인 모두에게 배우는 것처럼, 그리고 종종 하나 또는 두 개의 훈련 데이터 예만 사용하여 과업을 받는 다양한 작업을 수행하는 방법을 스스로 가르칠 것입니다.

윌슨은 “두뇌는 매우 적은 예를 통해 훈련하고 배웁니다. “우리는 한 가지 또는 두 가지 예를 들어 원샷 학습, 투샷 학습으로 학습하고 매우 잘 일반화할 수 있습니다. 따라서 학습/훈련은 매우, 매우 효율적으로 이루어집니다.”



이젠 몇몇 기업에서는 진짜로 agi를 만들려는 시도를 하고 있는 것 같네! 특이점은 온다..