- 神经形态芯片 - 能够运行学习算法（不管是深度学习，还是强化学习）的计算机需要比[[通用计算机]]更快，能耗更低。芯片的架构需要范式转变，传统的[[冯·诺依曼架构]]达到了瓶颈，新的超大规模集成电路芯片采用**并行处理**、**计算和存储单元紧密结合**。 - 深度学习是高度计算密集型的，因此要解决计算机的高功耗问题： - 目前的深度学习计算过程在云服务器中完成，再返回到手机等周边设备上。最终会在终端设备上自主运行，耗电会更少。在终端设备上运行需要完全不同于云服务器中的硬件，[[神经形态芯片]]。 - 人的大脑有 1000 亿个神经元，1000 万亿个突触联结，却只需要 20 瓦的功耗，占身体所需的 20%，但一台远不如大脑的[[超级计算机]]却需要 5 兆瓦的功耗，是大脑的 25 万倍。为了追赶大脑的能力发明了神经形态芯片。 - [[浮点数]] - [Carver Mead卡佛·米德](https://en.wikipedia.org/wiki/Carver_Mead) - [[摩尔定律]]（卡弗·米德提出根据戈登·摩尔（Gordon Moore）的观察，芯片上的晶体管数量每18个月会翻一番。）已经达到了极限，未来提高计算机处理能力的方式是结合通信数字芯片的**高带宽**和[[神经形态芯片]]的**低功耗**。 - 他认为晶体管会随着小型化而变得更快、更好、更冷、更便宜 - 预测晶体管可以制造出小至 0.15 微米的晶体管 - [[神经形态工程]] - [[神经形态芯片]] - 视网膜芯片-硅视网膜 - 通过观察视网膜中的分级突触传输，米德对将晶体管视为**模拟设备**而不是数字开关 - 在 1980 年代后期，米德建议计算和神经系统博士生 [Misha Mahowald](https://en.wikipedia.org/wiki/Misha_Mahowald "Misha Mahowald") 开发[硅视网膜](https://en.wikipedia.org/wiki/Silicon_retina "Silicon retina")，使用模拟电路来模拟视[杆细胞](https://en.wikipedia.org/wiki/Rod_cells "Rod cells")、[视锥细胞](https://en.wikipedia.org/wiki/Cone_cells "Cone cells")和眼睛视网膜中其他[可兴奋细胞](https://en.wikipedia.org/wiki/Excitable_cell "Excitable cell")的生物学功能。 - 视网膜芯片-DVS Dynamic vision sensor - 2008年，由卡佛·米德的另一位研究生托拜厄斯·德尔布吕克开发。 - DVS相机的唯一输出是一串脉冲，就像视网膜一样。 - **通用芯片**：通信数字芯片 digital chips for communicating： - [[CPU 中央处理器]] - **描述**：CPU是计算机的核心处理单元，执行各种程序指令和任务。现代CPU通常包含多个内核（核），每个内核都可以独立处理任务，从而提高计算性能和效率。 - **应用**：通用计算任务、操作系统管理、应用程序执行、科学计算、数据处理等。 - [[微控制器 MCU]] - **描述**：微控制器是集成了CPU、存储器和I/O接口的单片机，适用于嵌入式系统。尽管它们通常用于特定的控制任务，但也具有执行通用计算任务的能力。 - **应用**：家电控制、工业自动化、物联网设备、汽车电子等。 - [[数字信号处理器 DSP]] - **描述**：DSP是一种专门设计用于处理数字信号的微处理器。尽管它们在信号处理方面表现优异，但也能执行多种通用计算任务。 - **应用**：音频处理、视频处理、通信系统、图像处理等。 - **专用芯片** - [[神经形态芯片]] - [[视网膜芯片]] - [[GPU]]：图形处理、深度学习 - 英伟达：优化图形应用程序、游戏、深度学习、计算设计 - 谷歌：张量处理单元tensor processing unit,TPU，服务于 Google 互联网的深度学习 - 更多内容参考「芯片」学习主题