人工智能有一個瓶頸問題。它基于深度神經(jīng)網(wǎng)絡，可能需要數(shù)億到數(shù)十億次計算——這是一項處理和能源密集型任務。然后是將數(shù)據(jù)從內(nèi)存中移入或移出以執(zhí)行這些和其他分析計算的成本和延遲。麻省理工學院(MIT)副教授Vivienne Sze因其在開發(fā)視頻壓縮標準方面的作用而聞名，該標準至今仍在使用?，F(xiàn)在，她專注于設計更高效的深度神經(jīng)網(wǎng)絡來處理視頻，以及更高效的硬件來在智能手機、嵌入式設備、微型機器人、智能家居和醫(yī)療設備上運行人工智能應用程序。

[[434142]]

在麻省理工學院最近的一次采訪中，她解釋了為什么我們現(xiàn)在需要低功耗人工智能。“人工智能應用正在向智能手機、微型機器人、互聯(lián)網(wǎng)連接設備和其他功率和處理能力有限的設備轉(zhuǎn)移。挑戰(zhàn)在于人工智能具有很高的計算要求。將分析應用于自駕汽車的傳感器和攝像頭數(shù)據(jù)可能會消耗約2500瓦，但sm的計算預算很低artphone大約只有一瓦。”

Sze說，在智能手機等小型設備上本地化人工智能“意味著數(shù)據(jù)處理不再需要在云端、倉庫服務器機架上進行”。“從云上卸載計算使我們能夠擴大人工智能的影響范圍。它通過減少與遠程服務器通信造成的延遲來加快響應時間。這對于交互式應用程序(如自主導航和增強現(xiàn)實)至關(guān)重要，因為它們需要對不斷變化的條件做出即時響應。在開發(fā)設備上處理數(shù)據(jù)ice還可以保護醫(yī)療和其他敏感記錄。數(shù)據(jù)可以在收集的地方進行處理。”

從硬件角度來看，Sze尋求“在本地重用數(shù)據(jù)，而不是將其發(fā)送到芯片外。將重用數(shù)據(jù)存儲在芯片上使處理過程極為節(jié)能。”在軟件方面，Sze正在設計算法代碼的“剪枝”，以去除深層網(wǎng)絡中的能源密集型“權(quán)重”，并進行其他調(diào)整。她正在研究的一個潛在應用是眼動跟蹤，以幫助診斷神經(jīng)退行性疾病，這可以通過患者家中的普通智能手機來完成，而到目前為止通常需要昂貴的辦公室設備。