准备布局自定义硬件以加速AI
发布时间：2022-02-16 11:55:58 所属栏目：要闻 来源：互联网
导读：据IDC根据IDC开始使用该技术，在2019年，欧洲人工智能（AI）在欧洲的人工智能（AI）的支出设定为增长49％。 Andrea Minonne是IDC客户洞察力与欧洲分析的高级研究分析师表示：许多欧洲零售商，如丝芙兰，ASOS和Zara，以及纳特韦斯特和汇丰银行等银行已经遇到
|
据IDC根据IDC开始使用该技术，在2019年，欧洲人工智能（AI）在欧洲的人工智能（AI）的支出设定为增长49％。 Andrea Minonne是IDC客户洞察力与欧洲分析的高级研究分析师表示：“许多欧洲零售商，如丝芙兰，ASOS和Zara，以及纳特韦斯特和汇丰银行等银行已经遇到了AI的好处 - 包括增加的商店访问，更高的收入，降低成本，更令人愉悦和个性化的客户旅程。“与流程自动化相关的工业特定用例正在成为主流，重点被设定为为个性化或预测目的而转向下一代使用AI。”有行业共识，即传统的基于CPU的计算机架构通常不达到运行机器学习算法的任务。如今，图形处理器提供运行当前机器学习应用所需的性能。 但是现在需要更大水平的性能的网络巨头正在开发自定义AI加速硬件。例如，2月份，FT报告了Facebook正在开发自己的机器学习芯片。Facebook加入谷歌，三年前宣布其自定义AI芯片。2016年，谷歌推出了一个张量处理单元（TPU），定制应用专用集成电路（ASIC），它专门为机器学习而设计 - 并针对Tensorflow深神经网络（DNN）学习模块量身定制。 当时，常规Jouppi，Google的杰出硬件工程师写道：“我们已经在我们的数据中心内运行了TPU以上超过一年，并发现它们为机器学习提供了每个瓦特的数量级优化的性能。这与未来大约七年的快速转发技术大致相当于[三代摩尔定律]。“Google的TPU可在GCP上获得。目前正在测试顶端V2-512 Cloud TPU V2 Pod，每小时花费422.40美元。 ASICS非常昂贵和有限，因为它们旨在运行一个应用程序，例如在Google的TPU的情况下的Tensorflow DNN模块。Microsoft Azure使用现场可编程门阵列（FPGA）提供加速，并根据Microsoft，FPGA提供靠近ASIC的性能。“随着时间的推移，他们也是灵活和可重新配置的，实现新的逻辑，”它说。它的硬件加速机器学习架构，被称为脑力，基于英特尔的FPGA设备来实现微软表示的内容“使数据科学家和开发人员能够加速实时AI计算”。 可以说，图形处理单元（GPU）是希望部署硬件以加速机器学习算法的大多数组织的入口点。根据NVIDIA的说法，GPUS适合培训AI应用的深神经网络。“因为神经网络是从大量相同的神经元创建的，所以它们是高度平行的，”它说。“这种并行性自然地映射到GPU，这提供了超大速度超过CPU培训。” MathWorks的并行计算工具高级工程经理和高级工程经理和主要建筑师Jos Martin表示：“如果没有GPU的出现和他们带来的快速计算，我们就不会看到这一领域的目前的爆炸。AI的发展和GPU计算齐头并进以加速彼此的增长。“Martin表示，在过去几年GPU技术的进步中，他们现在支持计算机科学中所知的内容，这是Martin表示。 从云等云等机器学习GPU，如亚马逊EC2 P3，提供多达八个NVIDIA V100张核心GPU，每小时31.22美元的网络吞吐量高达100 Gbps。显然，数据需要在云中进行机器学习处理。如果规定或数据集的大小禁止这一点，许多组织已建立自己的基于GPU的机器学习加速器。 一个例子是莫斯科的Tinkoff Bank，它已经建立了自己的超级计算机，以支持其策略来开发机器学习和AI的平台。被称为Kolmogorov集群，它被认为是俄罗斯第八最大的超级计算机。 （编辑：济南站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
