中关村在线

办公打印

谷歌已经All in:人工智能浪潮下的硬件风暴

【中关村在线原创】在前两天的谷歌I/O大会上, 在安卓P之外,谷歌还发布了非常重要的硬件:TPU3.0。这是这家科技巨头第三次发布新版本的机器学习专用处理器。除了谷歌和业内英伟达,还有哪些科技巨头也参与到了AI硬件的研发当中?

AI开销大,谷歌已All in

人工智能需要大量的计算资源进行训练。但是这个规模有多大?很多人是没概念的。对于大公司来说,对资源的要求非常高,尤其是神经网络,比如谷歌I/O大会大放异彩的安卓电池节约模式和自动亮度调整,就是Deepmind的产品,Deepmind在官方新闻并未透露让手机学习这些行为需要多少资源,但是在围棋项目上可以窥探一下。

2000个P100运行两三周才能训练出强大的围棋程序

Deepmind训练AlphaGo Zero的时候,2000个TPU跑了40天。Alpha Zero训练则是调用了5000个TPU。写成论文之后,Facebook在重现论文的时候,则是使用了2000个GPU运行了两三周的时间,这个GPU都是英伟达的P100,一个8GPU的学习服务器英伟达就要卖到上百万人民币。

TPU:每小时6.5美元,训练AlphaGo要数百万美元

让巨头们狠下心来自己搞AI硬件的动力来自多个方面,一来谷歌自己做针对TensorFlow优化的TPU效果好,二来现在谷歌云都可以租赁分时使用TPU资源了,对于擅长硬件或是云计算的科技巨头们来说,是时候发展自己的AI硬件了,这正在成为大公司的游戏。

CPU在任务处理器里出现两个核心,可以追溯到十多年前的奔腾四时代,刚刚出现的HyperThreaing技术。不过很多年过去,由于CPU的单个核心任务繁重,所以就算是服务器的版本,核心数也不过20多个就基本到头了。

GPU更多的核更适合机器学习和AI

在神经网络出现之后,要用计算机系统去模拟更多的人大脑的神经元,这样神经网络在训练的时候对资源的开销非常大。因为神经网络的特点是节点多,这对于核心不多的CPU来说就需要非常大的服务器集群。但是当时人们发现了显卡,单个显卡上面有很多个单元,正好适合训练人工智能的神经网络。

在TitanV当中,英伟达加入了640个张量单元用来加速AI训练速度

英伟达的股票过去几年成为投资热点,暴涨了数倍

而神经网络单个节点并不需要多高的计算能力,这让显卡企业英伟达迅速的推出了针对神经网络、机器学习专用的GPU,过去几年英伟达的股价暴涨数倍。科技巨头们采购的GPU往往以万计,只有这个规模才能满足他们对于探索的需求。

DGX-2可以支持单机16个V100GPU

现在英伟达成为了业内最大的机器学习GPU的供应商,并且英伟达自己也提供DGX系列机器学习服务器,今年的新款可以单机支持16个GPU,过去是8个。可以说英伟达是AI时代最大硬件赢家也不为过。

赢家自信的微笑

这里我们回到开头,Facebook训练围棋程序ELF用了多少个GPU?2000个!英伟达总裁黄仁勋还可以笑很久很久。

谷歌最早的Google Brain搞机器识图的时候,就是大规模的GPU集群。据说曾经用力上万张GPU来进行学习训练。因为GPU并没有针对性的对谷歌的TensorFlow框架进行优化。而到了和李世石下围棋的版本,则已经开始使用自己的TPU,但是多达50个。

谷歌完整经历了从CPU到GPU再到TPU的流程

到了与柯洁下棋的时候,可以看到机器已经变成了只要一个4U左右的4TPU服务器就可以,这就是专用芯片的威力,对于AI和神经网络,专用芯片的效率提升是指数式的,而不是线性的几个机架缩小到1个。

TPU2.0:四个一张PCB,算力可以达到180TFlops

谷歌的TPU全称叫做Tensor Processing Unit,张量处理单元,它针对谷歌的深度学习框架TensorFlow定制开发,TPU推出只有8位的低精度计算,并且有不小的板载内存以减少对内存的访问,但是优化后可以极大的提高机器学习的效率。

TPU3.0的高功耗不得不用上水冷散热

图片下面8个互联机架有每秒1000万亿次的能力

与柯洁下棋的是TPU二代,四个TPU有180TFlops的计算能力。而这两天的谷歌I/O上则推出了TPU3.0版本,功耗进一步加大,使用了水冷。根据谷歌CEO Pichai的话说,要比过去快十倍以上:这其实说的是一整个集群模块,可以达到100PFlops,也就是所说的每秒1000万亿次。

TPU只是对TensorFlow优化

当然TPU不是万能的,它针对的是谷歌的学习框架,而Facebook的学习PyTorch框架基本就没法用,所以目前来说还只是针对性的硬件。

谷歌的TPU本质上是ASIC,当然机器学习不止一条路,微软就在5月7日的Build2018大会上,宣布了Project Brainwave的预览版,这其实比谷歌的I/O还早了几天。

微软押宝FPGA

微软Project Brainwave团队负责人Doug Burger展示FPGA模块

微软押宝的是FPGA(现场可编程门阵列Field Programmable Gate Array,简称FPGA),微软始终认为FPGA更灵活,可以适应多种机器学习的类型。微软还声称,FPGA可以使用图形识别模型每1.3毫秒就识别一张图片,而根据微软CEO Satya Nadella的演讲,FPGA的延迟要比TPU低5倍。

近看FPGA,可以插在全高的PCIE服务器模块上加速AI和深度学习计算

微软的FPGA灵活性在于不仅仅支持TPU支持的TensorFlow,也支持微软自己的人工智能认知工具包,前面说的识别图片就是最基础的人工智能应用之一。与谷歌云支持TPU差不多,微软也即将在Azure云中支持FPGA的人工智能、机器学习加速。

最近关于国产半导体的事情闹得沸沸扬扬。其实半导体这种成熟的工业,要追赶的路还很长,不要妄自菲薄,也不要有点成绩就沾沾自喜嚷嚷赶英超美才是正确的态度,路是一步一步走出来的。最近国内的芯片领域的领军企业、具有深厚中国科学院背景的寒武纪就推出了MLU。

寒武纪的成品模块与芯片

MLU造型上和英伟达标准版的显卡有点像,也是在PCB后部用一个涡轮风扇横向吹风散热的结构,这种结构成熟,可以很容易的放到机箱里面。当然我们更关心的是性能。根据寒武纪官方公布的数字,INT8模式下最高可以达到166.4TFLOPS,大概和谷歌的TPU2.0性能相当。

寒武纪会成为中国的英伟达吗?

MLU和GPU一样,都相当灵活,可以容易的放到机箱、服务器里面起到专门的AI加速作用,并且MLU的工艺是TSMC的16nm,估计未来国内很多AI领域的研究会围绕MLU展开。

机器学习硬件的应用场景,分学习和应用推理两部分

谷歌助手号称已经通过了图灵测试,分辨不出AI与真人的区别

今天列举的只是众多的AI硬件当中的几个,还有大量获得千万美元以上风投公司的AI硬件在路上,烧钱背后是人们意识到了AI同过图灵测试之后展现的强大,尤其是谷歌I/O大会上的谷歌助手,让人分辨不出就是是人还是机器。但无论如何,硬件越强大、AI越智能,越能解放我们的双手和劳动力,让真正的大脑投入到思考当中。

展开全文
人赞过该文
内容纠错

相关电商优惠

HP M701n

HP M701n

5699
72人评分
100%好评
HP P1108

HP P1108

1059
1402人评分
99%好评
兄弟2260D

兄弟2260D

949
1183人评分
98%好评
佳能LBP2900+

佳能LBP2900+

839
1150人评分
96%好评
奔图P3305DN

奔图P3305DN

3400
13人评分
87%好评

评论

更多评论
还没有人评论~ 快来抢沙发吧~

读过此文的还读过

点击加载更多
说点什么吧~ 0

发评论,赚金豆

收藏 0 分享
首页查报价问答论坛下载手机笔记本游戏硬件数码影音家用电器办公打印 更多

更多频道

频道导航
辅助工具