Zusammenfassung
Die KI ist bereits seit Jahrzehnten ein Thema in der Forschung, wobei die Konferenz „Dartmouth Summer Research Project on Artificial Intelligence“ im Jahr 1956 als Startpunkt systematischer Forschungsanstrengungen gilt. Den wirklichen Durchbruch brachte allerdings erst in den vergangenen Jahren der Einsatz von künstlichen neuronalen Netzen (KNN) mit Methoden des tiefen Lernens (Deep Learning, DL), welche rudimentär Abläufe im Nervensystem nachbilden (siehe auch Einleitung Teil A). Wichtige Treiber sind aber nicht nur die Konzepte der KNN, sondern vor allem auch die Entwicklung der Rechentechnik, auf der entsprechende Verfahren ausgeführt werden. Während man zu Beginn auf leistungsfähige Allzweckprozessoren (central processing unit, CPU) zurückgriff, werden seit einigen Jahren vorrangig Prozessoren verwendet, die ursprünglich für Grafikkarten zur Bildausgabe gedacht waren (graphics processing unit, GPU). Aktuell werden diese zunehmend zu Spezialprozessoren (application-specific integrated circuit, ASIC) für KI-Anwendungen weiterentwickelt. Zusätzlich verfolgt man den Ansatz, die Struktur von KNN direkt in der Architektur eines Prozessors abzubilden (neuromorphe Hardware). Dabei sind erste Versuche erfolgversprechend.
Download chapter PDF
Literatur
Auel, Kersten (2016): Deep Learning: Nvidia kooperiert mit dem DFKI. Online verfügbar unter https://www.heise.de/ix/meldung/Deep-Learning-Nvidia-kooperiert-mit-dem-DFKI-3247792.html, zuletzt geprüft am 18.07.2018.
Honey, Christian; Waldrop, Mitchell (2018): Wettrennen um das künstliche Gehirn. Online verfügbar unter https://www.heise.de/tr/artikel/Wettrennen-um-das-kuenstliche-Gehirn-3996587.html, zuletzt geprüft am 21.03.2018.
Esser, Steven K.; Merolla, Paul A.; Arthur, John V.; Cassidy, Andrew S.; Appuswamy, Rathinakumar; Andreopoulos, Alexander et al. (2016): Convolutional networks for fast, energyefficient neuromorphic computing. In: Proceedings of the National Academy of Sciences of the United States of America 113 (41), S. 11441–11446. DOI: 10.1073/pnas.1604850113.
Hot Chips (2017): A Closer Look At Google’s TPU v2. Online verfügbar unter http://www.tomshardware.com/news/tpu-v2-google-machine-learning,35370.html, zuletzt geprüft am 21.03.2018.
Human Brain Project. Online verfügbar unter https://www.humanbrainproject.eu/en/, zuletzt geprüft am 21.03.2018.
Jouppi, Norman P.; Young, Cliff; Patil, Nishant; Patterson, David; Agrawal, Gaurav; Bajwa, Raminder et al. (2017): In-Datacenter Performance Analysis of a Tensor Processing Unit. In: CoRR abs/1704.04760.
Kerstin Sonnabend (2016): Vom Gehirn inspiriert, 24.03.2016. Online verfügbar unter http://www.pro-physik.de/details/physiknews/9108261/Vom_Gehirn_inspiriert.html, zuletzt geprüft am 21.03.2018.
Merolla, Paul A.; Arthur, John V.; Alvarez-Icaza, Rodrigo; Cassidy, Andrew S.; Sawada, Jun; Akopyan, Filipp et al. (2014): Artificial brains. A million spiking-neuron integrated circuit with a scalable communication network and interface. In: Science (New York, N.Y.) 345 (6197), S. 668–673. DOI: 10.1126/science.1254642.
Neumann, J. von (1960): Die Rechenmaschine und das Gehirn: Oldenbourg (Scientia Nova Series). Online verfügbar unter https://books.google.de/books?id=msjK3xRMNkAC, zuletzt geprüft am 21.03.2018.
NVIDIA TESLA V100 GPU ARCHITECTURE. Online verfügbar unter http://images.nvidia.com/content/volta-architecture/pdf/volta-architecture-whitepaper.pdf, zuletzt geprüft am 21.03.2018.
Schiermeier, Quirin; Abbott, Alison (2016): Flagship brain project releases neuro-computing tools. In: Nature 532 (7597), S. 18. DOI: 10.1038/nature.2016.19672, zuletzt geprüft am 21.03.2018.
Editor information
Editors and Affiliations
Rights and permissions
Open Access Dieses Kapitel wird unter der Creative Commons Namensnennung 4.0 International Lizenz (http://creativecommons.org/licenses/by/4.0/deed.de) veröffentlicht, welche die Nutzung, Vervielfältigung, Bearbeitung, Verbreitung und Wiedergabe in jeglichem Medium und Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle ordnungsgemäß nennen, einen Link zur Creative Commons Lizenz beifügen und angeben, ob Änderungen vorgenommen wurden.
Die in diesem Kapitel enthaltenen Bilder und sonstiges Drittmaterial unterliegen ebenfalls der genannten Creative Commons Lizenz, sofern sich aus der Abbildungslegende nichts anderes ergibt. Sofern das betreffende Material nicht unter der genannten Creative Commons Lizenz steht und die betreffende Handlung nicht nach gesetzlichen Vorschriften erlaubt ist, ist für die oben aufgeführten Weiterverwendungen des Materials die Einwilligung des jeweiligen Rechteinhabers einzuholen.
Copyright information
© 2019 Der/die Autor(en)
About this chapter
Cite this chapter
Schürholz, M., Spitzner, EC. (2019). Hardware für KI. In: Wittpahl, V. (eds) Künstliche Intelligenz. Springer Vieweg, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-58042-4_2
Download citation
DOI: https://doi.org/10.1007/978-3-662-58042-4_2
Publisher Name: Springer Vieweg, Berlin, Heidelberg
Print ISBN: 978-3-662-58041-7
Online ISBN: 978-3-662-58042-4
eBook Packages: Computer Science and Engineering (German Language)