随着AI进军更多市场所有这些技术都需要发展，德州仪器TI实现机器学习和自适应算法

Neifert指出，软件方面需要解决的问题需要从更高层次的抽象来看，因为这使得它们更容易约束和修复。这是拼图的一个关键部分。随着AI进军更多市场，所有这些技术都需要发展，以达到一般技术行业，特别是半导体行业的同等效率，Mohandass说：“现在我们发现，如果他们只处理好一种类型的计算，那么架构就会很困难。但异构性的缺点是，将整体分而治之的方法变得土崩瓦解。因此，德州仪器TI解决方案通常涉及到超量供应或供应不足。”随着AI的应用案例超越了自动驾驶汽车领域，其应用将会扩展。这就是为什么英特尔去年八月收购了Nervana。Nervana开发了2.5D深度学习芯片，该芯片利用高性能处理器内核，将数据通过中介层移动到高带宽内存。 Nervana声称的目标是，与基于GPU的解决方案相比，该芯片训练深度学习模型的时间将缩短100倍。很像高性能计算芯片，本质上是使用硅中介层的2.5D芯片。你将需要大量的吞吐量和超高带宽内存。我们已经看到一些公司在关注它，但尚不足几十家。它还为时尚早，实现机器学习和自适应算法，以及如何将这些与传感器和信息流整合，是非常复杂的。例如自动驾驶汽车，它从多个不同的来源串流数据并添加自适应算法，以避免碰撞。”对于AI，可靠性需要在系统级考虑，其中包括硬件和软件。ARM在12月收购Allinea提供了一个参照。另一个参照来自斯坦福大学，研究人员试图量化来自软件的裁剪计算的影响。他们发现，大规模切割或修剪不会对最终产品产生显着影响。加州大学伯克利分校已经开发了一个类似的方法，基于的计算接近100%的准确率。正在研究节能深度学习的斯坦福大学博士研究生韩松说“与精粒修剪相比，粗粒修剪不会降低精度。”他表示，斯坦福开发的稀疏矩阵要求计算减少10倍，内存占用减少8倍，比DRAM的能耗减少120倍。它应用于斯坦福所谓的高效语音识别引擎，压缩导致了推理过程的加快。（Cadence最近的嵌入式神经网络峰会上提出了这些发现。量子计算为AI系统增加了另一个选择。 Leti首席执行官Marie Semeria表示，德州仪器TI量子计算是她的团队未来的方向之一，特别是AI应用。IBM Research的科学与解决方案团队副总裁Dario Gil解释说，使用经典计算，如果四张卡片三蓝一红，那么有四分之一的机会猜中那张红色的卡片。使用量子计算机和量子比特的叠加和纠缠，通过扭转纠缠，系统每次都会给出正确答案。