找回密码
 立即注册

QQ登录

只需一步,快速开始

谷歌已经All in:人工智能浪潮下的硬件风暴

评论: 0 | 发布者: 钱馨瑶 |原发: 中关村在线

放大 缩小
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Allin
  
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AlphaGoZero的时候,2000个TPU跑了40天。AlphaZero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GoogleBrain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TensorProcessingUnit,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CEOPichai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ProjectBrainwave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ProjectBrainwave团队负责人DougBurger展示FPGA模块
  
微软押宝的是FPGA(现场可编程门阵列FieldProgrammableGateArray,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CEOSatyaNadella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。

()

(编辑:钱馨瑶

已有 0 人参与

会员评论

返回顶部