多年來，計算機硬件一直是一個不太活躍的市場。占主導(dǎo)地位的x86微處理器架構(gòu)已經(jīng)達(dá)到了通過小型化可以實現(xiàn)的性能增益的極限，因此制造商主要關(guān)注將更多的內(nèi)核封裝到芯片中。
對于快速發(fā)展的機器學(xué)習(xí)和深度學(xué)習(xí)來說，GPU就是救星。GPU最初是為圖形處理設(shè)計的，它可以有數(shù)千個小內(nèi)核，非常適合AI訓(xùn)練所需的并行處理能力。
人工智能的本質(zhì)是得益于并行處理，大約10年前，人們發(fā)現(xiàn)，設(shè)計用于在屏幕上顯示像素的GPU很適合這一點，因為它們是并行處理引擎，可以在其中放入很多核心。
這對英偉達(dá)公司來說是個好消息，該企業(yè)的市值從2015年的不到180億美元飆升至去年市場收縮之前的7350億美元。直到最近，該企業(yè)還幾乎獨攬了整個市場。但許多競爭對手正試圖改變這種局面。
在人工智能工作負(fù)載方面，到目前為止主要是英偉達(dá)的GPU，但用戶正在尋找可以將其提升到新水平的技術(shù)，隨著高性能計算和AI工作負(fù)載的不斷融合，我們將會看到更多種類的加速器出現(xiàn)。
加速推動新型硬件的發(fā)展
大型芯片制造商并沒有停滯不前。三年前，英特爾收購了以色列芯片制造商哈瓦那實驗室，并讓這家企業(yè)成為其人工智能開發(fā)工作的重點。
哈瓦那去年春天推出的Gaudi2訓(xùn)練優(yōu)化處理器和Greco推理處理器，據(jù)稱速度至少是英偉達(dá)旗艦處理器A100的兩倍。
今年3月，英偉達(dá)推出了擁有800億個晶體管的H100加速器GPU，并支持該公司的高速NVLink互連。它具有一個專用引擎，與上一代相比，它可以將自然語言處理中，使用的基于Transformer的模型的執(zhí)行速度提高六倍。最近使用MLPerf基準(zhǔn)的測試顯示，在大多數(shù)深度學(xué)習(xí)測試中，H100優(yōu)于Gaudi2。英偉達(dá)也被認(rèn)為在其軟件堆棧中具有優(yōu)勢。
許多用戶選擇GPU，因為他們可以進(jìn)入集中式軟件的生態(tài)系統(tǒng)，英偉達(dá)之所以如此成功，是因為他們建立了生態(tài)系統(tǒng)戰(zhàn)略。
超規(guī)模云計算公司甚至比芯片制造商更早進(jìn)入這一領(lǐng)域。谷歌有限責(zé)任公司的Tensor處理單元是一種專用集成電路，于2016年推出，目前已經(jīng)是第四代。亞馬遜網(wǎng)絡(luò)服務(wù)公司在2018年推出了面向機器學(xué)習(xí)的推理處理加速器，聲稱其性能是GPU加速實例的兩倍多。
上個月，該公司宣布了基于其Trainium芯片的云實例的普遍可用性，稱在深度學(xué)習(xí)模型訓(xùn)練場景中，以可比的性能，它們的成本比基于GPU的EC2低50%。兩家企業(yè)的努力主要集中在通過云服務(wù)交付。
雖然成熟的市場領(lǐng)導(dǎo)者專注于增量改進(jìn)，但許多更有趣的創(chuàng)新正在構(gòu)建AI專用硬件的初創(chuàng)企業(yè)中進(jìn)行。根據(jù)數(shù)據(jù)顯示，在去年投資于芯片初創(chuàng)公司的18億美元風(fēng)險投資家中，他們吸引了大部分的投資，是2017年的兩倍多。
他們正在追逐一個可能帶來巨大收益的市場，預(yù)計到2030年，全球人工智能芯片市場將從2020年的80億美元增長到近1950億美元。
更小、更快、更便宜
很少有初創(chuàng)公司想要取代x86CPU，但這是因為這樣做的杠桿相對較小。芯片不再是瓶頸，不同芯片之間的通信才是一個巨大的瓶頸。
CPU執(zhí)行低級操作，如管理文件和分配任務(wù)，但純粹的CPU專用方法不再適用于擴展，CPU設(shè)計用于從打開文件到管理內(nèi)存緩存的各種活動，必須是通用的。這意味著它不太適合人工智能模型訓(xùn)練所需的大規(guī)模并行矩陣算術(shù)運算。
市場上的大多數(shù)活動都圍繞著協(xié)處理器加速器、專用集成電路，以及在較小程度上可以針對特定用途進(jìn)行微調(diào)的現(xiàn)場可編程門陣列。
每個人都在遵循谷歌的說法，即開發(fā)協(xié)同處理器，與CPU協(xié)同工作，通過將算法硬編碼到處理器中，而不是作為軟件運行，來針對AI工作量的特定部分。
加速度方程
加速度方程用于開發(fā)所謂的圖形流處理器，用于自動駕駛汽車和視頻監(jiān)控等邊緣計算場景。完全可編程芯片組承擔(dān)了CPU的許多功能，但在任務(wù)級并行和流執(zhí)行處理方面進(jìn)行了優(yōu)化，僅使用7瓦的電源。
體系結(jié)構(gòu)基于圖數(shù)據(jù)結(jié)構(gòu)，其中對象之間的關(guān)系表示為連接的節(jié)點和邊。每個機器學(xué)習(xí)框架都使用圖形概念，在整個芯片的設(shè)計中都保持著同樣的語義?？梢詧?zhí)行包括CMM但包含自定義節(jié)點的整個圖。我們可以在這些圖形中加速任何平行的東西。
其基于圖形的架構(gòu)解決了GPU和CPU的一些容量限制，并能更靈活地適應(yīng)不同類型的AI任務(wù)。它還允許開發(fā)人員將更多的處理轉(zhuǎn)移到邊緣，以便更好地推斷。如果企業(yè)能對80%的處理過程進(jìn)行預(yù)處理，就能節(jié)省大量時間和成本。
這些應(yīng)用可以讓智能更接近數(shù)據(jù)，實現(xiàn)快速決策。大多數(shù)的目標(biāo)是推斷，這是AI模型的現(xiàn)場部署，而不是更計算密集型的訓(xùn)練任務(wù)。
某企業(yè)正在開發(fā)一種使用內(nèi)存計算的芯片，以減少延遲和對外置存儲設(shè)備的需求。其人工智能平臺將提供靈活性和運行多個神經(jīng)網(wǎng)絡(luò)的能力，同時保持較高的準(zhǔn)確性。
其數(shù)據(jù)處理單元系列為大規(guī)模并行處理器陣列，擁有可伸縮的80核處理器，能夠并行執(zhí)行數(shù)十個任務(wù)。關(guān)鍵創(chuàng)新是在每個處理元素內(nèi)部緊密集成一個張量協(xié)處理器，并支持元素之間的直接張量數(shù)據(jù)交換，以避免內(nèi)存帶寬瓶頸。這可以實現(xiàn)高效的AI應(yīng)用加速，因為預(yù)處理和后處理是在相同的處理元素上執(zhí)行的。
而有些企業(yè)專注于利用縮略圖大小的芯片組推斷深度學(xué)習(xí)模型，該企業(yè)稱該芯片組每秒可以執(zhí)行26萬億次操作，而消耗的電力不到3瓦。在某種程度上，它是通過將用于訓(xùn)練深度學(xué)習(xí)模型的每個網(wǎng)絡(luò)層分解為所需的計算元素，并將它們整合在一個專門為深度學(xué)習(xí)構(gòu)建的芯片上實現(xiàn)的。
板載內(nèi)存的使用進(jìn)一步減少了開銷，整個網(wǎng)絡(luò)都在芯片內(nèi)部，更沒有外部存儲器，這意味著芯片可以更小，消耗更少的能量。該芯片可以在接近實時的高清圖像上運行深度學(xué)習(xí)模型，使單個設(shè)備能夠同時在四條車道上運行自動車牌識別。
硬件目前的發(fā)展
一些初創(chuàng)企業(yè)采取的更多的是登月的方法，旨在重新定義人工智能模型訓(xùn)練和運行的整個平臺。
例如，針對機器學(xué)習(xí)進(jìn)行了優(yōu)化的人工智能處理器，在接近9,000個并發(fā)線程和900兆處理器內(nèi)內(nèi)存的情況下，每秒可以管理高達(dá)350萬億次處理操作。綜合計算系統(tǒng)被稱為Bow-2000IPU機器，據(jù)稱可以每秒進(jìn)行1.4千萬億次運算。
其不同之處在于其三維堆疊晶片設(shè)計，使其能夠在一個芯片中封裝近1500個并行處理核。所有這些企業(yè)都能夠運行完全不同的業(yè)務(wù)。這與廣泛使用的GPU架構(gòu)不同，后者更傾向于對大數(shù)據(jù)塊運行相同的操作。
再比如，有些企業(yè)正在解決互連問題，也就是集成電路中連接元件之間的布線。隨著處理器達(dá)到理論上的最高速度，移動比特的路徑越來越成為瓶頸，特別是當(dāng)多個處理器同時訪問內(nèi)存時，如今的芯片不再是互連的瓶頸。
該芯片在一個人工智能平臺中使用納米光子波導(dǎo)，該平臺稱其在低能量封裝中結(jié)合了高速和大帶寬。它本質(zhì)上是一個光通信層，可以連接多個其他處理器和加速器。
人工智能結(jié)果的質(zhì)量來自于同時支持非常龐大和復(fù)雜的模型的能力，同時實現(xiàn)非常高的吞吐量響應(yīng)，這兩者都是可以實現(xiàn)的。這適用于任何可以使用線性代數(shù)完成的操作，包括大多數(shù)人工智能的應(yīng)用。
人們對其集成硬件和軟件平臺的期望極高。而企業(yè)則抓住了這一要點，例如研發(fā)平臺可以在從數(shù)據(jù)中心到邊緣的任何地方，運行人工智能和其他數(shù)據(jù)密集型應(yīng)用。
而硬件平臺使用專為機器和深度學(xué)習(xí)設(shè)計的定制7納米芯片。其可重新配置的數(shù)據(jù)流架構(gòu)運行AI優(yōu)化的軟件堆棧，其硬件架構(gòu)旨在最小化內(nèi)存訪問，從而減少互連瓶頸。
處理器更是可以重新配置，以適應(yīng)AI或高性能計算HPC工作負(fù)載，處理器被設(shè)計為以更高的性能水平處理大規(guī)模矩陣操作，這對工作量變化的客戶來說是一個加分項。
雖然CPU、GPU甚至FPGA都非常適合于事務(wù)系統(tǒng)和ERP等確定性軟件，但是，機器學(xué)習(xí)算法是概率的，這意味著結(jié)果是不提前知道的，這需要一種完全不同的硬件基礎(chǔ)設(shè)施。
平臺通過將1tb的高速雙數(shù)據(jù)速率同步存儲器連接到處理器上，最大限度地減少了互連問題，基本上可以用快20倍的片上存儲器來掩蓋DDR控制器的延遲，所以這對用戶來說是透明的，這使我們能夠訓(xùn)練更高參數(shù)計數(shù)的語言模型和最高分辨率的圖像，而無需平鋪或下采樣。
平鋪是一種用于圖像分析的技術(shù)，它通過將圖像分割成更小的塊，分析每個塊，然后重新組合，來減少對計算能力的需求。下采樣在訓(xùn)練數(shù)據(jù)的隨機子集上訓(xùn)練模型，以節(jié)省時間和計算資源。其結(jié)果是一個系統(tǒng)，不僅比基于GPU的系統(tǒng)更快，而且能夠解決更大的問題。
總結(jié)
由于許多企業(yè)都在為同樣的問題尋求解決方案，一場洗牌是不可避免的，但沒有人預(yù)計這種洗牌會很快到來。GPU將存在很長一段時間，可能仍然是人工智能訓(xùn)練和推斷項目中最具成本效益的解決方案，而這些項目不需要極端性能。
盡管如此，隨著高端市場的模型越來越大、越來越復(fù)雜，對特定功能架構(gòu)的需求也越來越大。從現(xiàn)在開始的三到五年內(nèi)，我們可能會看到GPU和AI加速器的多樣性，這是我們能夠擴大規(guī)模以滿足本十年結(jié)束及以后需求的唯一途徑。
預(yù)計領(lǐng)先的芯片制造商將繼續(xù)做他們擅長的事情，并逐步建立現(xiàn)有的技術(shù)。許多企業(yè)還將效仿英特爾，收購專注于人工智能的初創(chuàng)公司。高性能計算界也在關(guān)注人工智能的潛力，以幫助解決大規(guī)模模擬和氣候建模等經(jīng)典問題。
高性能計算生態(tài)系統(tǒng)總是在尋找他們可以吸收的新技術(shù)，以保持領(lǐng)先地位，他們正在探索人工智能能帶來什么。而潛伏在幕后的是量子計算，這是一項仍停留在理論層面而非實際層面的技術(shù)，但它有可能徹底改變計算方式。
無論哪種新架構(gòu)受到青睞，人工智能的激增無疑已經(jīng)重新點燃了人們對硬件創(chuàng)新潛力的興趣，從而開辟了軟件領(lǐng)域的新領(lǐng)域。
（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
