В списке из шести основных направлений исследований, перечисленных в отчете AI100, аппаратное обеспечение стоит на последнем месте, однако это никак не умаляет его важности, — программное обеспечение должно на чем-то работать, а традиционные компьютеры для этих задач не подходят, нужно что-то поближе к мозгу.
Идея гипотетической машины, имитирующей мозг, впервые была высказана Аланом Тьюрингом в 1948 году в отчете «Intelligent Machinery». В представлении Тьюринга она состояла из искусственных нейронов и модифицируемых устройств, которые могли бы пропускать или не пропускать проходящий через них сигнал.
В 1958 году Фрэнк Розенблатт опубликовал статью «Перцептрон: Вероятная модель хранения и организации информации в головном мозге», на онове которой в 1960 году в Корнелльском университете был собран нейрокомпьютер «Марк-1», способный распознавать буквы.
Примерно в то же время профессор Стэнфордского университета Бернгард Уидроу и его аспирант Тед Хофф, в будущем — один из создателей первого микропроцессора, создали машину ADALINE, реализующую нейронную сеть на трехпозиционных элементах, известных как меристоры (не путать с мемристорами). Стоит посмотреть запись демонстрации работы ADALINE в доме Уидроу с его участием. Меристоры (резисторы, сохраняющие свое состояние после прохождения заряда) были разработаны Леоном Чуа для построения ячеистых нейронных сетей (Cellular Neural Network, CNN). В современных условиях они используется и для иных целей, прежде всего в проекте The Machine компании HP.
Как бы ни были велики научные достижения в области искусственного интеллекта, до мозга им было очень далеко, это особенно остро чувствуется при просмотре сюжета с участием Уидроу. Его ADALINE, как и «Марк-1» Розенблатта, — даже не модели, а некоторые иллюстрации к идее. Одним из первых это понял Карвер Мид, возможно, один из немногих современных универсальных гениев. Он писал: «Я верю в то, что отцы-основатели искусственного интеллекта Марвин Минский и Джон Маккарти были правы в своих взглядах, но когда дошло до дела, выяснилось, что им для реализации своих взглядов требуются компьютеры, как минимум на восемь-девять порядков более мощные, чем те, которыми они располагали. Осознав наличие этого барьера, сообщество искусственного интеллекта распалось на две группы, одни отправились на поиски этих порядков, а другие продолжили делать вид, что они занимаются наукой искусственного интеллекта. Я из тех, кто пошел на поиски этих восьми-девяти порядков». В результате он решил задачу перевода логического описания полупроводниковых устройств в кремний, ее еще называют задачей кремниевой компиляции. В начале 1970-х Мид осознал, что необходимо отделить проектирование от производства и выделить автоматизацию проектирования электроники (Electronic Design Automation, EDA) в самостоятельную дисциплину. Кремниевая компиляция лежит в основе всех современных средств проектирования.
Но автоматизация проектирования при всей ее значимости была побочным продуктом, потому что основной целью было создание больших интегральных схем для нейроморфных компьютеров. По первоначальному замыслу нейроморфный компьютер представлялся как сверхбольшая интегральная схема (Very-Large-Scale Integration, VLSI), состоящая из аналоговых элементов, имитирующих мозг. Однако здесь Мид столкнулся с препятствием. Полупроводниковое производство по природе своей не приспособлено к выпуску уникальных изделий, оно экономически оправданно лишь в том случае, если возможно массовое тиражирование, — слишком велики инвестиции в технологии. Как бы ни были интересны замыслы Мида, они, как и замыслы первопроходцев искусственного интеллекта, оказались нереализуемыми, во всяком случае на технологическом уровне 1990-х годов. Миду не удалось создать нейроморфный компьютер, и в этом направлении примерно на 20 лет наступило затишье.
Успехи в технологиях полупроводников, наблюдаемые в последние годы (новые поколения GPU, FPGA и ASIC), позволили возвратиться к идее нейроморфных компьютеров, а «весна искусственного интеллекта» опередила практическую потребность в них. В мире есть несколько государственных проектов по созданию компьютеров для искусственного интеллекта, среди них Human Brain Project (Евросоюз), IARPA (США) и Darwin (Китай).
На данный момент можно выделить три направления в развитии аппаратного обеспечения для систем искусственного интеллекта.
Первое — возродившиеся универсальные нейроморфные компьютеры, в том числе европейские проекты BrainScaleS (Институт физики Гейдельбергского университета) и SpiNNaker (Манчестерский университет), а также проект TtueNorth (IBM). Все они чрезвычайно интересны, но при взгляде на них возникает тот же вопрос: не станет ли тормозом для них вышеупомянутая врожденная особенность полупроводниковых производств — сложность и дороговизна выпуска мелкосерийных изделий.
Второе направление — графические процессоры и различные надстройки над ними, позволяющие создавать системы, близкие по смыслу к нейроморфным компьютерам, но использующие преимущества массовых технологий. На данный момент это направление развивается в компании Nvidia и в проектах Big Sur (Facebook) и TensorFlow (Google).
Третье направление — специализированные системы, прежде всего адаптированные для глубинного обучения. Над их созданием работает, в частности, стартап Nervana, который унаследовал традиции Sun Microsystems и в августе перешел в собственность Intel. Известная процессорами для мобильных устройств Qualcomm несколько лет развивает свой проект Zeroth NPU. Компания Numenta, основанная Джеффом Хокинсом, который вошел в историю со своими опередившими время компьютерами Palm, разрабатывает платформу NuPIC (Numenta Platform for Intelligent Computing). А в Knowm адаптируют мемристоры для целей машинного обучения.
