Saat CEO Apple Tim Cook memperkenalkan iPhone X, ia mengklaim itu akan "menetapkan jalan bagi teknologi untuk dekade berikutnya." Meskipun terlalu dini untuk mengatakannya, mesin saraf yang digunakan untuk pengenalan wajah adalah yang pertama dari jenisnya. Saat ini jaringan saraf dalam adalah kenyataan, dan neuromorfik tampaknya menjadi satu-satunya jalan praktis untuk membuat kemajuan berkelanjutan dalam AI.
Menghadapi kendala bandwidth data dan persyaratan komputasi yang terus meningkat, penginderaan dan komputasi harus menemukan kembali diri mereka sendiri dengan meniru arsitektur neurobiologis, klaim laporan yang baru-baru ini diterbitkan oleh Yole Développement (Lyon, Prancis).
Dalam wawancara dengan EE Times , Pierre Cambou, Analis Utama untuk Pencitraan di Yole, menjelaskan bahwa penginderaan dan komputasi neuromorfik dapat memecahkan sebagian besar masalah AI saat ini sambil membuka perspektif aplikasi baru dalam beberapa dekade mendatang. “Rekayasa neuromorfik adalah langkah selanjutnya menuju biomimikri dan mendorong kemajuan menuju AI.”
Kenapa sekarang?
Tujuh puluh tahun telah berlalu sejak matematikawan Alan Turing mengajukan pertanyaan "Dapatkah mesin berpikir?", dan tiga puluh tahun sejak Carver Mead, seorang insinyur listrik di Institut Teknologi California, memperkenalkan konsep rekayasa neuromorfik. Namun, dalam dekade berikutnya, para peneliti mengalami sedikit keberhasilan praktis dalam membangun mesin dengan kemampuan mirip otak untuk belajar dan beradaptasi. Harapan muncul kembali ketika Georgia Tech mempresentasikan susunan saraf bidang yang dapat diprogram pada tahun 2006 dan peneliti MIT meluncurkan chip komputer yang meniru bagaimana neuron otak beradaptasi sebagai respons terhadap informasi baru pada tahun 2011.
Titik baliknya adalah publikasi makalah, "Klasifikasi ImageNet dengan Jaringan Saraf Konvolusi Dalam" oleh sekelompok ilmuwan dari Universitas Toronto. Arsitektur AlexNet, yang terdiri dari jaringan saraf konvolusi 8 lapis, memungkinkan untuk mengklasifikasikan 1,2 juta gambar beresolusi tinggi dalam kontes ImageNet ke dalam salah satu dari 1.000 kategori (misalnya kucing, anjing). “Hanya dengan pengembangan AlexNet, pendekatan pembelajaran mendalam terbukti lebih kuat dan mulai mendapatkan momentum di bidang AI.”
Pierre Cambou
Sebagian besar teknik penerapan deep learning saat ini mengandalkan Hukum Moore, dan “berfungsi dengan baik”. Namun, seiring dengan berkembangnya pembelajaran mendalam, akan ada semakin banyak permintaan untuk chip yang dapat melakukan tugas komputasi tinggi. Hukum Moore telah melambat akhir-akhir ini, dan telah membuat banyak orang di industri, termasuk Yole Développement, percaya bahwa itu tidak akan mampu mempertahankan kemajuan pembelajaran yang mendalam. Cambou termasuk di antara mereka yang percaya bahwa pembelajaran mendalam “akan gagal” jika terus diterapkan seperti sekarang ini.
Untuk menjelaskan sudut pandangnya, Cambou menyebutkan tiga rintangan utama. Yang pertama adalah ekonomi Hukum Moore. “Sangat sedikit pemain yang bisa bermain, dan kami akan berakhir dengan satu atau dua fab di dunia yang melampaui 7nm. Kami pikir inovasi akan merugikan jika hanya Google yang mampu melakukan sesuatu.”
Kedua, beban data meningkat lebih cepat daripada Hukum Moore, dan kelebihan data membuat teknologi memori saat ini menjadi faktor pembatas. Dan ketiga, peningkatan eksponensial dalam kebutuhan daya komputasi telah menciptakan dinding panas untuk setiap aplikasi. “Dengan chip 7nm, kami kira-kira memiliki efisiensi satu teraflop per watt. Untuk menyalakan Waymo, kita mungkin membutuhkan satu kilowatt, yang berarti kita membutuhkan seribu teraflops,” kata Cambou. Paradigma teknologi saat ini tidak dapat memenuhi janji, dan solusinya adalah dengan menerapkan pembelajaran mendalam pada perangkat keras neuromorfik dan memanfaatkan efisiensi energi yang jauh lebih baik.
Melihat lebih luas pada situasi saat ini, Cambou mengatakan sudah waktunya untuk pendekatan yang mengganggu yang memanfaatkan manfaat yang diperoleh dari teknologi memori yang muncul dan meningkatkan bandwidth data dan efisiensi daya. Itu adalah pendekatan neuromorfik. “Kisah AI akan terus bergerak maju, dan kami yakin langkah selanjutnya adalah ke arah neuromorfik.”
Dalam beberapa tahun terakhir, ada banyak upaya dalam membangun perangkat keras neuromorfik yang menyampaikan kemampuan kognitif dengan mengimplementasikan neuron dalam silikon. Untuk Cambou, ini adalah cara yang harus dilakukan karena “pendekatan neuromorfik sedang berjalan dengan baik” dan memungkinkan efisiensi yang jauh lebih besar. “Perangkat keras telah mengaktifkan jaringan saraf dan pembelajaran mendalam, dan kami percaya itu akan memungkinkan langkah selanjutnya dalam AI neuromorfik. Kemudian kita bisa bermimpi lagi tentang AI dan bermimpi tentang aplikasi berbasis AI.”
Sumber:Yole
Neuron dan sinapsis
Perangkat keras neuromorfik bergerak keluar dari lab penelitian dengan konvergensi minat dan tujuan dari bidang penginderaan, komputasi, dan memori. Usaha patungan sedang dibentuk, aliansi strategis sedang ditandatangani, dan inisiatif penelitian selama satu dekade seperti Proyek Otak Manusia Uni Eropa sedang diluncurkan.
Meskipun tidak ada bisnis yang signifikan yang diharapkan sebelum tahun 2024, skala peluangnya bisa menjadi signifikan selama beberapa dekade setelah itu. Menurut Yole, jika semua pertanyaan teknis diselesaikan dalam beberapa tahun ke depan, pasar komputasi neuromorfik dapat meningkat dari $69 juta pada tahun 2024 menjadi $5 miliar pada tahun 2029 dan $21,3 miliar pada tahun 2034. Ekosistemnya besar dan beragam dengan pemain terkemuka seperti Samsung, Intel, dan SK Hynix, serta perusahaan rintisan seperti Brainchip, Nepes, Vicarious, dan General Vision.
Chip neuromorfik bukan lagi teori, tapi fakta. Pada tahun 2017, Intel memperkenalkan Loihi, chip penelitian neuromorfik pertamanya yang terdiri dari 130.000 neuron. Pada bulan Juli, grup Santa Clara mencapai tonggak sejarah baru dengan sistem neuromorfik 8 juta neuronnya, dengan nama kode Pantai Pohoiki, yang terdiri dari 64 chip penelitian Loihi. Demikian pula chip komputer IBM TrueNorth yang terinspirasi otak memiliki 1 juta neuron dan 256 juta sinapsis dan sistem-on-chip neuromorfik Akida Brainchip memiliki 1,2 juta neuron dan 10 miliar sinapsis.
“Ada perlombaan untuk menyediakan perangkat keras yang akan meningkatkan standar dalam hal neuron dan sinapsis. Sinapsis mungkin lebih penting daripada neuron,” kata Cambou. “Di Yole, kami melihat dua langkah di depan kami. Pertama, aplikasi yang akan dibangun berdasarkan pendekatan saat ini, sebagian asinkron dan sebagian dari Von Neumann.” Contoh yang bagus adalah Akida dari Brainchip dan Loihi dari Intel. “Kemudian, mungkin dalam 10 hingga 15 tahun ke depan, kita akan mendapatkan RRAM [memori akses acak resistif] di atasnya. Itu akan memungkinkan lebih banyak sinapsis dibuat.”
Upaya komputasi neuromorfik berasal dari pemutar memori seperti Micron, Western Digital, dan SK Hynix, tetapi banyak yang mencari lebih banyak pendapatan jangka pendek dan pada akhirnya mungkin tidak menjadi pemain kuat dalam penelitian neuromorfik. “Kita harus melihat pemain kecil yang telah memilih neuromorfik sebagai teknologi inti mereka,” kata Cambou.
Startup memori yang mengganggu seperti Weebit, Robosensing, Knowm, Memry, dan Symetrix menggabungkan teknologi memori non-volatil dengan desain chip komputasi neuromorfik. Mereka telah muncul bersama startup memori bermain murni seperti Crossbar dan Adesto, tetapi pendekatan memristor (resistor memori) mereka sering dianggap lebih berjangka panjang daripada upaya dari perusahaan komputasi pureplay. “Banyak pemutar memori bekerja pada RRAM dan memori perubahan fase untuk meniru sinapsis,” kata Cambou. Selain itu, “MRAM [magnetoresistive random access memory] adalah bagian dari memori yang muncul yang akan membantu keberhasilan pendekatan neuromorfik.”
Sumber:Yole
Selain komputasi, ekosistem penginderaan neuromorfik telah muncul, dengan akarnya berasal dari penemuan Neuron Silikon oleh Misha Mahowald di Institut Neuroinformatika dan ETH Zurich pada tahun 1991. Persaingan saat ini rendah, dengan lebih sedikit dari sepuluh pemain secara global. Di antara mereka, Prophesee, Samsung, Insightness, Inivation, dan Celepixel menyediakan produk siap pakai seperti sensor gambar dan kamera berbasis peristiwa. Pendekatan berbasis bingkai, seperti yang digunakan dalam sinematografi, tidak dapat menangkap gerakan.
“Bioskop menipu otak kita, tapi kita tidak bisa menipu komputer,” kata Cambou. “Satu-satunya cara yang tepat untuk melakukannya adalah dengan memberikan informasi yang sama seperti yang diberikan mata. Kamera berbasis peristiwa sangat kuat untuk segala jenis pemahaman gerakan dan pemahaman pola secara real time.” Secara lebih luas, sensor pendengaran, pencitraan, dan perilaku memiliki “dampak pada setiap tingkat yang kita sebut kecerdasan umum”.
Pada tingkat semikonduktor yang dikemas, Yole mengatakan pihaknya memperkirakan penginderaan neuromorfik akan tumbuh dari $43 juta pada tahun 2024 menjadi $2 miliar pada tahun 2029 dan $4,7 miliar pada tahun 2034.
Otomotif, bukan hanya
Otomotif mungkin merupakan pasar yang paling jelas, kata Cambou. Namun, pasar awal adalah industri dan seluler, terutama untuk robotika dan persepsi waktu nyata.
Dalam jangka pendek, penginderaan dan komputasi neuromorfik akan digunakan untuk pemantauan mesin industri yang selalu aktif. Ini juga akan memainkan peran utama dalam logistik, otomatisasi pangan dan pertanian. “Sementara pembelajaran mendalam membutuhkan kumpulan data yang sangat besar, neuromorfik belajar dengan sangat cepat hanya dari beberapa gambar atau beberapa kata dan memahami waktu,” kata Cambou.
Dalam dekade berikutnya, ketersediaan chip komputasi dalam memori hibrida akan membuka pasar otomotif, yang sangat menunggu teknologi penggerak otonom pasar massal. “Kita hidup di dunia interaksi, dan neuromorfik akan sangat kuat dalam memberikan pemahaman kepada komputer tentang lingkungan yang tidak terstruktur.”
