Los investigadores han desarrollado un procesador basado en redes neuronales que puede realizar tareas de inteligencia artificial mucho más rápido que los chips convencionales al eliminar la necesidad de acceder a la memoria externa.
Incluso las mejores CPUs encuentran obstáculos al procesar datos porque los cálculos necesitan utilizar la RAM, y este traslado de datos de un lado a otro crea ineficiencias. IBM espera resolver lo que se conoce como el cuello de botella de Von Neumann con su chip NorthPole, según Nature.
El procesador NorthPole incrusta una pequeña cantidad de memoria en cada uno de sus 256 núcleos, que están conectados de manera similar a la forma en que las partes del cerebro se conectan mediante la materia blanca. Esto significa que el chip elimina por completo el cuello de botella.
Buscando la inspiración en el propio cerebro humano
Buscando inspiración en el cerebro humano, el NorthPole de IBM es más un concepto de prueba que un chip completamente funcional que pueda competir con AMD y Nvidia. Incluye solo 224MB de RAM, lo que está lejos de ser suficiente para la inteligencia artificial o para ejecutar modelos de lenguaje grandes.
El chip también puede ejecutar redes neuronales preprogramadas entrenadas en sistemas separados. Pero su arquitectura única destaca por su eficiencia energética. Los investigadores afirman que si se creara el NorthPole hoy con estándares de fabricación de última generación, sería 25 veces más eficiente que las mejores GPUs y CPUs.
“Su eficiencia energética es simplemente asombrosa”, según Damien Querlioz, un investigador de nanoelectrónica de la Universidad de París-Saclay en Palaiseau, según Nature. “El trabajo, publicado en Science, muestra que la informática y la memoria se pueden integrar a gran escala”, dice. “Creo que el artículo sacudirá el pensamiento común en la arquitectura de computadoras”.
También puede superar a los sistemas de inteligencia artificial en tareas como el reconocimiento de imágenes. Su arquitectura de redes neuronales significa que una capa inferior recibe datos, como los píxeles de una imagen, y capas posteriores comienzan a detectar patrones que se vuelven más complejos a medida que la información se pasa de una capa a la siguiente. La capa superior luego produce el resultado final, como sugerir si una imagen contiene un objeto en particular.
