深层神经网络（dnns）可以学会几乎任何东西，包括如何在我们擅长的比赛击败我们。问题是每次培训ai系统，都会占用昂贵的超级计算机或数据中心几天时间。 ibm的t.j. watson研究中心的科学家们认为，他们可以大量使用“电阻处理单元”，即结合cpu和非易失性存储器的理论芯片，来减少马力和学习时间。此外，芯片能成倍加快数据传输速度，系统能完成所有的世界语言之间的语音识别和翻译。

问题是，为什么要花这么多的计算能力和时间来教ai？因为，像谷歌的deepmind或ibm的watson这样的现代神经网络必须并行地执行数十亿的任务。这需要调用大量的cpu内存，加起来迅速超千亿周期。研究人员曾提出，使用新的存储技术像电阻式ram，可以永久存储数据，速度也与dram的一样的速度数据。最终，他们想出了新型芯片——电阻处理单元（rpu），即把大量的电阻式ram直接放到cpu。

这种芯片能以最快的速度读取并同时处理数据，从而大大减少所需的神经网络训练时间和计算能力。 新闻报道：”相比于国家的最先进的微处理器，这种大规模并行架构rpu可实现3万倍加速，......以前需要在有数千台机器的数据中心培训几天，现在一个rpu加速器花上几个小时就能解决。”

科学家们认为，可能使用常规的cmos技术来这样的芯片，但现在rpu仍处于研究阶段。此外，其技术的背后，如电阻式ram，尚未实现商业化。然而，快速的本地内存芯片构建可以大大加快ai任务，如处理图像，掌握语言和大规模数据分析等。

以上是网络信息转载，信息真实性自行斟酌。