我们准备好为企业数据中心引入基于忆阻器的人工智能基础设施了吗？做事更快更聪明是人类的天性。在数据中心，我们通过机器学习算法对庞大而快速的数据流进行分层，从而建立独特的业务竞争优势（或更大的社会效益）。尽管处理能力、性能和容量令人印象深刻，但今天的数字计算和存储仍然无法与我们的大脑相提并论，比数字架构高出6、7或8个数量级。如果我们想要以生物规模和速度进行计算，我们必须利用可以远远超出这些严格数字的新型硬件。许多基于机器学习的应用程序都是基于调查数据的潜在模式和行为，然后使用这种智能对我们所知道的进行分类并预测接下来会发生什么，同时识别异常。这类似于我们自己的神经元和突触，它们从传入的信号中学习，存储它们学到的东西，然后“转发”它以做出更明智的决定（或行动）。在过去的30年里，人工智能从业者已经为各种应用构建了实用的神经网络和其他类型的机器学习算法，但今天受到数字规模的限制（互联网规模呈指数级增长只是其中的一个方面）。)和速度。今天的数字计算基础设施基于交换数字位，要跟上摩尔定律的步伐，需要克服一些重大障碍。即使有一些数量级的改进，传统的数字设计范例也存在固有的局限性，例如功耗、尺寸和速度。无论我们是将人工智能演变成类人机器人，还是将更大规模的机器学习投入到更大的数据集以实现更有针对性的广告预算，然而，传统的计算基础设施根本没有足够的原始能力来达到生物规模和密度。最终，权力才是真正的缺陷。显然，“消息传递”或在组件之间来回传递信号（数据）是一笔巨大的开支。在数字设计的基础层面，即使是最小的数据处理任务也会在CPU之间产生大量的IO和其他操作。即使我们增加密度，制造更小的芯片，或者在CPU旁边添加闪存，在数字架构之间移动位仍然需要大量的精力和时间。在我们的大脑中，记忆、存储和处理都紧密地融合在一起。与数字系统不同，我们不需要花费兆瓦在早上醒来，因为我们的大脑在低功耗模拟架构上运行。另一方面，如果模拟电路是为手头的问题定制的，则可以直接以光速解决难题，而不需要大量的指令周期。它可以根据多个数值输出计算到任意精度。此外，如果此电路实现持久存储，则不会出现任何令人惊讶的IO等待远程设备上存储的数字位。向忆阻器问好当然，硅器件基本上是模拟的，但我们已经在它们之上构建了复杂的数字逻辑门和位存储。但是，如果我们可以“回到未来”，使用当今用于模拟计算电路的硅芯片密度来设计硅设备，会怎样呢？新的突破利用了新兴忆阻器设备的模拟特性。忆阻器是一种可以通过输入电信号改变内阻的器件，持久电阻可以被测量并用于非易失性存储器中。忆阻器是一种类似于DRAM的快速硅器件——至少比基于NAND的NVRAM快10倍，因此它可以用作主存储器。例如，惠普公司一直在研究一种新的忆阻器技术作为持久性数字存储器，但尚未将其完全推向市场。如果实现，我们可能会迎来新一代的存储和内存集成的数字计算架构。我们现在看到的是初创公司Knowm使用的一种开创性的新计算形式，使用忆阻器技术不仅可以将数据存储在快速内存中，还可以从内部投射关键计算功能，否则需要将存储的数据卸载到CPU，然后处理并写回。Knowm说它利用了小型忆阻器电路的模拟特性——一种具有自适应学习能力的“突触”。它可以直接学习传输的信号模式并持久存储。理论上，几乎任何类型的机器学习算法都可以基于这个基本功能单元得到极大的加速。虽然Knowm的开发还处于早期阶段，但它已经提供了完整的技术栈——离散的工作突触芯片、可扩展的模拟器、低级API和高级机器学习库，以及一个服务架构，可以促进分层大量突触，直接映射到现有的CMOS设计。对于AI和终结者爱好者，TanjeaGroup的团队认为颠覆的机会远远超过机器学习加速。Knowm的一种名为NeuralProcessingUnit的新型硬件，可以智能地利用模拟硬件功能，实现极速、低功耗、高密度和存储融合计算，是整个计算行业真正的重大变革和转折点。谁首先利用这种类型的计算解决方案，谁就可能导致巨大的转变，不仅是在机器学习方面，而且是在一般的计算实施方式方面。
