工程师为AI瓶颈提供明智，及时的想法

赖斯大学的研究人员已经展示了设计创新的以数据为中心的计算硬件以及与机器学习算法共同设计硬件的方法，这些算法可以共同将能源效率提高两个数量级。

机器学习的进步，无人驾驶汽车背后的人工智能形式以及许多其他高科技应用，已经开创了计算的新时代（以数据为中心的时代），并迫使工程师们重新考虑具有消失了75年

“问题在于，对于当今机器学习最先进的大规模深度神经网络而言，运行整个系统所需的90％以上的电力都消耗在内存和处理器之间的数据移动中”，电气与计算机工程学助理教授林颖妍说。

林和合作者提出了优化数据中心处理的两个互补的方法，这两者都呈现6月3日在国际研讨会上的计算机体系结构（ISCA），最大的会议为新的思路和研究的一个计算机体系结构。

以数据为中心的体系结构的驱动与一个称为vonNeumann瓶颈的问题有关，这种效率低下的原因是自数学家约翰·冯·诺伊曼（JohnvonNeumann）于1945年发明内存以来，计算结构中内存和处理的分离一直占主导地位。从程序和数据来看，冯·诺伊曼（vonNeumann）架构使单台计算机具有难以置信的通用性。根据从内存中加载的存储程序，可以使用计算机进行视频通话，准备电子表格或模拟火星上的天气。

但是将内存与处理分开也意味着即使简单的操作（如加2加2）也需要计算机处理器多次访问内存。深度神经网络中的大量操作使这种记忆瓶颈变得更糟，深度神经网络是通过“研究”大量先前示例来学习做出人性化决策的系统。网络越大，它可以完成的任务就越困难，并且显示的网络示例越多，它的执行效果就越好。深度神经网络训练可能需要专门的处理器库，这些处理器需要全天候运行一周以上。基于智能网络在智能手机上执行任务可以在不到一个小时的时间内耗尽电池电量。