日前，英國紐卡斯爾大學的研究人員研發(fā)出一種非神經(jīng)網(wǎng)絡硬件，可以顯著降低人工智能的功率消耗。

研發(fā)團隊訓練了一個神經(jīng)網(wǎng)絡，讓它和另一項Tsetlin機器技術，分別從標準MNIST數(shù)據(jù)集識別手寫數(shù)字。

紐卡斯爾大學高級講師Rishad Shafik表示：“即開即用的神經(jīng)網(wǎng)絡讓我們每焦耳可以進行不到10萬億次操作。而使用我們設計的第一臺Tsetlin機器，這個數(shù)值能達到65萬億次。這種改進主要來自于簡化過的邏輯設計�！�

他補充說，在上述數(shù)字識別實驗中時，一臺Tsetlin機器“可以識別15個單詞，與神經(jīng)網(wǎng)絡識別一個單詞所需的能量消耗相同”。

Tsetlin機器是一種“學習自動機”（learning automata），它最早是由俄羅斯科學家Mikhail Tsetlin在20世紀60年代發(fā)明的一種機器學習算法。Shafik解釋說，這種算法的問題在于，在其基本形式中，“學習自動機幾乎不可能在硬件上實現(xiàn)，因為有大量的狀態(tài)需要去適應”。

挪威阿格德大學的AI教授Ole－Christoffer Granmo說，在過去的幾年里，他通過將學習自動機與經(jīng)典的博弈論和布爾代數(shù)相結合，找到了一種降低學習自動機復雜性的方法。他將簡化版的學習自動機應用到軟件中，并以該學科創(chuàng)始人的名字將其命名為“Tsetlin機器”（Tsetlin machine）。

在Granmo的研究基礎以及他本人的協(xié)助下，紐卡斯爾團隊找到了一種能夠有效地將Tsetlin機器的數(shù)據(jù)類型和基礎算法映射到邏輯門上的方法，并在FPGA和定制ASIC上成功實現(xiàn)，他們采用的的形式不僅適用于訓練/學習AI階段，同時也適用于訓練之后，也就是所謂的AI推理階段。

Shafik將Tsetlin機器和神經(jīng)網(wǎng)絡之間的功耗差別歸結于它們映射到硬件上的方式：神經(jīng)網(wǎng)絡，包括二值神經(jīng)網(wǎng)絡在內(nèi)，都是算術，它們包含了許多乘法和加法操作，而Tsetlin機器硬件不使用算術。他表示：“這純粹是邏輯上的平行操作�！�

紐卡斯爾微系統(tǒng)研究小組組長Alex Yakovlev，同時也和Shafik一樣是AI團隊的領導者，他表示：“能量效率是人工智能最重要的賦能因素，同樣重要的是能夠解釋AI決策的能力。對于這兩方面，我們需要擺脫算術，而我們的Tsetlin機器硬件設計正好幫我們解決了這一問題�！�

這樣的機器能做什么？“任何類型的機器學習都需要訓練�！盨hafik說道，“本質(zhì)上，它能夠做神經(jīng)網(wǎng)絡可以做的任何事情�！�