江苏龙网

  1. 首页 > 生活 > >

怎样评价当下「AI 芯片公司『各自为政』，但时刻面临被黑马逆袭的可能」的局势( 二 )


怎样评价当下「AI 芯片公司『各自为政』，但时刻面临被黑马逆袭的可能」的局势

再比如说，自动驾驶汽车的AI，并不是通过确定的事物来判断周围物体的活动路径，它通过以往的经验，表示曾经有一辆车，按照这样的方式行驶。因此，系统能够预测到特定类型的动态。这种预测问题解决的结果是，人工智能计算可以通过单精度计算来完成。因此，虽然CPU和GPU都可以很好地完成，但实际上它们对任务来说是多余的。一个单精度芯片足以完成这项工作，并且能在更小、更低的功耗下完成。毫无疑问，对于芯片来说，功耗和范围是一个大问题——也许对人工智能来说尤其如此，因为一个尺寸并不能适用于这一领域的所有情况。在人工智能中包含机器学习，机器学习中又包含深度学习，所有这些都可以通过不同的设置被部署到不同的任务中。“并非所有的人工智能芯片都是一样的，”英特尔旗下Movidius公司的营销总监Gary Brown说。Movidius针对深度学习过程制作了一个自定义芯片，因为深度学习涉及的步骤在CPU上受到高度限制。“每个芯片可以在不同的时间处理不同的智能问题，我们的芯片是视觉智能，算法通过由摄像头输入的内容学习。这是我们的重点。”Gary Brown表示，甚至有必要对网络边缘和数据中心等其加以区分——而在这个领域，公司只是意识到他们需要在不同的地方使用不同的芯片。“处于边缘的芯片无法与数据中心的芯片竞争，”他说，“像Xeon这样的数据中心芯片必须具备高性能的性能，它与智能手机中的AI是不同的。在那里你必须将功耗降到1瓦以下，所以问题是，“哪里（的本地处理器）还不够好，所以需要一个辅助芯片？”毕竟，如果想在智能手机或AR头戴设备上使用人工智能，电源是一个挑战，英伟达的Volta处理器在人工智能处理领域占很重要的地位，但其功耗可达300瓦。所以不可能被用于手机中。Sean Stetson是自动驾驶工业车辆制造商Seegrid的技术进步总监，他也认为人工智能和机器学习到目前为止一直受到普通处理器的不好的影响。他表示：“为了让算法发挥作用，无论是机器学习、图像处理还是图形处理，它们都有非常具体的工作流。”如果没有专门针对这些模式设置的计算核心，那么就会进行大量的无用数据加载和传输。当你在最低效的时候移动数据时，就会产生很多信号和瞬态的能量。而处理器的效率是以每条指令使用的能量来衡量的。”当然，更加专业化以及更高的能效并不是这些新的人工智能芯片存在的全部原因。IBM公司研究员兼IBM Power systems开发副总裁Brad McCredie表示，人们都争先恐后地加入这一行列的更明显的原因是：回报将会非常丰厚。他说：“IT行业几十年来第一次看到了增长，我们看到了指数增长的拐点。”预期会有新的资金进入这一行业，而这一切都围绕着人工智能。这就是导致大量风投涌入这一领域的原因，人们看到了淘金潮，这是毫无疑问的”。
怎样评价当下「AI 芯片公司『各自为政』，但时刻面临被黑马逆袭的可能」的局势


一个全新的生态系统
专注于人工智能的芯片并不是凭空设计的，伴随它们的是处理人工智能和机器学习高度并行性的新方法。如果你构建了一个人工智能协处理器，但是使用过时的标准PC技术甚至是过时的服务器，那么这就像把法拉利引擎放在大众甲壳虫中一样。英特尔公司首席技术官兼Nervana联合创始人Amir Khosrowshahi表示。“当人们谈论人工智能和AI芯片的时候，构建人工智能解决方案需要大量的非人工智能技术，它会涉及到CPU、内存、SSD和互连等，要让所有这些都发挥作用，是非常关键的。”例如，当IBM为任务关键系统设计其Power9处理器时，它使用英伟达的高速NVLink来支持核心互连、PCI Express Generation 4，以及它自己的接口OpenCAPI（相干加速器处理器接口），OpenCAPI是一种新的连接类型，它为内存、加速器、网络、存储和其他芯片提供高带宽、低延迟连接。McCredie说，x86的生态系统没有跟上。他指出，PCI Express Gen 3在市场上已经有7年没有重大更新（第一次只是最近才出现），而IBM是最早采用这一技术的公司之一，x86服务器仍在使用PCIe Gen 3，它的带宽只有4 Gen的一半。他说：“计算能力的爆炸式增长将需要更大的计算能力，我们需要处理器来做它们能够完成的所有事情，然后在这个基础上再多做一些，该行业终于开始关注内存带宽和输入/输出带宽的性能，这些东西正成为系统性能的一阶约束”。McCredie继续说道：“我认为加速器将会增长，将来会有更多的工作负载，因此需要更多的加速。我们甚至会回过头来加速常见的工作负载，例如数据库和ERP（企业资源规划）。我认为，我们正看到行业中一个坚实的趋势开始，现在我们更加注重加速，更加注重市场适应性。但是硬件本身并不能在机器学习中学习，软件才是主要的部分。在所有这些新芯片的热潮中，几乎没有提到与硬件协同工作的软件。“幸运的是，这是因为这些软件在很大程度上已经存在，它正在等待芯片赶上来，”金融分析和人工智能开发商OTAS Technologies的首席执行官Tom Doris说。“我认为，如果你看一看以前的历史，就会发现一切都是硬件驱动的，算法并没有太大的改变，技术进步都是由硬件的进步推动的，这对我来说有点意外，因为我已经离开这个领域好几年了，自90年代末以来，软件和算法方面并没有发生太大的变化，基本上都是计算能力的改变”他说。彭博首席技术官办公室的数据科学家David Rosenberg也认为，目前软件的状况良好。他表示：“在某些领域，软件还有很长的路要走，这与分布式神经计算的技术有关，但对于我们已经知道解决方法的问题，软件已经得到了很好的改进。现在的问题是硬件怎样能够足够快地、高效地执行软件。”事实上，目前的情况是，硬件和软件正在并行开发，目的是支持这一新的人工智能芯片及其用例。前斯坦福大学教授Ian Buck说，在英伟达，软件和硬件团队的规模大致相同。Buck教授开发了CUDA编程语言（CUDA允许开发者编写应用程序并使用Nvidia的GPU进行并行处理，而不是CPU）。Buck在英伟达主要负责的是人工智能领域。他说：“我们正在针对系统软件、程序库、人工智能框架和编译器开发新的架构，所有这些都是为了利用每天出现的新方法和神经网络，在人工智能领域取得成功的唯一途径，不仅仅是构建伟大的芯片，而且要紧密地整合到软件的堆栈中，以实现和优化每天都在发明的新网络。”因此，对于Buck来说，人工智能代表一种新的计算方式的原因之一是，他相信它确实构成了硬件和软件之间的一种新型的关系，我们不需要考虑向后的兼容性，我们正在重新设计那些擅长处理此类任务的处理器，并与软件一起运行。


推荐阅读


上一篇：硬盘知识，磁头号是啥东西

下一篇：设计群网是啥样的网站