智能制造網(wǎng)APP
智能制造網(wǎng)手機站
智能制造網(wǎng)小程序
智能制造網(wǎng)官微
智能制造網(wǎng)服務號
智能控制
機器人
儀器儀表
物聯(lián)網(wǎng)
3D打印
工業(yè)軟件
回放
品牌
上海清易
【中國智能制造網(wǎng) 智造快訊】2017年，當AlphaGo在圍棋大戰(zhàn)中完勝柯潔后，各大媒體對人工智能的討論就不絕于耳，甚至有人擔心機器會具備自主思維，終有一天會像電影《終結者》中的場景一樣對人類造成生存威脅。
2018年1月9日，規(guī)模大的2018北美消費電子產(chǎn)品展在美國拉斯維加斯拉開帷幕。本次參展的科技企業(yè)超過4000家，包括高通、英偉達、英特爾、LG、IBM、百度在內(nèi)的業(yè)界科技巨頭紛紛發(fā)布了各自新的人工智能芯片產(chǎn)品和戰(zhàn)略，作為本屆展會的大看點，人工智能芯片產(chǎn)品無疑受到了為廣泛的關注。
與CPU比較，人工智能芯片有何不同？
2017年，當AlphaGo在圍棋大戰(zhàn)中完勝柯潔后，各大媒體對人工智能的討論就不絕于耳，甚至有人擔心機器會具備自主思維，終有一天會像電影《終結者》中的場景一樣對人類造成生存威脅。不管這種危機是否存在，但必須認識到人工智能芯片在架構和功能特點上與傳統(tǒng)的CPU是有著非常大的區(qū)別。
傳統(tǒng)的CPU運行的所有的軟件是由程序員編寫，完成的固化的功能操作。其計算過程主要體現(xiàn)在執(zhí)行指令這個環(huán)節(jié)。但與傳統(tǒng)的計算模式不同，人工智能要模仿的是人腦的神經(jīng)網(wǎng)絡，從基本的單元上模擬了人類大腦的運行機制。它不需要人為的提取所需解決問題的特征或者總結規(guī)律來進行編程。
人工智能是在大量的樣本數(shù)據(jù)基礎上，通過神經(jīng)網(wǎng)絡算法訓練數(shù)據(jù)，建立了輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的映射關系，其直接的應用是在分類識別方面。例如訓練樣本的輸入是語音數(shù)據(jù)，訓練后的神經(jīng)網(wǎng)絡實現(xiàn)的功能就是語音識別，如果訓練樣本輸入是人臉圖像數(shù)據(jù)，訓練后實現(xiàn)的功能就是人臉識別。
通常來說，人工智能包括機器學習和深度學習，但不管是機器學習還是深度學習都需要構建算法和模式，以實現(xiàn)對數(shù)據(jù)樣本的反復運算和訓練，降低對人工理解功能原理的要求。因此，人工智能芯片需要具備高性能的并行計算能力，同時要能支持當前的各種人工神經(jīng)網(wǎng)絡算法。傳統(tǒng)CPU由于計算能力弱，支撐深度學習的海量數(shù)據(jù)并行運算，且串行的內(nèi)部結構設計架構為的是以軟件編程的方式實現(xiàn)設定的功能，并不適合應用于人工神經(jīng)網(wǎng)絡算法的自主迭代運算。傳統(tǒng)CPU架構往往需要數(shù)百甚至上千條指令才能完成一個神經(jīng)元的處理，在AI芯片上可能只需要一條指令就能完成。
解讀主流的人工智能芯片
人工智能的階段是深度學習，而對于深度學習過程則可分為訓練和推斷兩個環(huán)節(jié)：訓練環(huán)節(jié)通常需要通過大量的數(shù)據(jù)輸入或采取增強學習等非監(jiān)督學習方法，訓練出一個復雜的深度神經(jīng)網(wǎng)絡模型。訓練過程由于涉及海量的訓練數(shù)據(jù)和復雜的深度神經(jīng)網(wǎng)絡結構，需要的計算規(guī)模非常龐大，通常需要GPU集群訓練幾天甚至數(shù)周的時間，在訓練環(huán)節(jié)GPU目前暫時扮演著難以輕易替代的角色。推斷環(huán)節(jié)指利用訓練好的模型，使用新的數(shù)據(jù)去“推斷”出各種結論，如視頻監(jiān)控設備通過后臺的深度神經(jīng)網(wǎng)絡模型，判斷一張抓拍到的人臉是否屬于黑名單。雖然推斷環(huán)節(jié)的計算量相比訓練環(huán)節(jié)少，但仍然涉及大量的矩陣運算。
在推斷環(huán)節(jié)，除了使用CPU或GPU進行運算外，F(xiàn)PGA以及ASIC均能發(fā)揮重大作用。目前，主流的人工智能芯片基本都是以GPU、FPGA、ASIC以及類腦芯片為主。
1.FPGA
即專用集成電路，一種集成大量基本門電路及存儲器的芯片，可通過燒入FPGA配置文件來來定義這些門電路及存儲器間的連線，從而實現(xiàn)特定的功能。而且燒入的內(nèi)容是可配置的，通過配置特定的文件可將FPGA轉變?yōu)椴煌奶幚砥?，就如一塊可重復刷寫的白板一樣。FPGA有低延遲的特點，非常適合在推斷環(huán)節(jié)支撐海量的用戶實時計算請求，如語音識別。由于FPGA適合用于低延遲的流式計算密集型任務處理，意味著FPGA芯片做面向與海量用戶高并發(fā)的云端推斷，相比GPU具備更低計算延遲的優(yōu)勢，能夠提供更佳的消費者體驗。在這個領域，主流的廠商包括Intel、亞馬遜、百度、微軟和阿里云。
2.ASIC
即專用集成電路，不可配置的高度定制專用芯片。特點是需要大量的研發(fā)投入，如果不能保證出貨量其單顆成本難以下降，而且芯片的功能一旦流片后則無更改余地，若市場深度學習方向一旦改變，ASIC前期投入將無法回收，意味著ASIC具有較大的市場風險。但ASIC作為專用芯片性能高于FPGA，如能實現(xiàn)高出貨量，其單顆成本可做到遠低于FPGA。
谷歌推出的TPU就是一款針對深度學習加速的ASIC芯片，而且TPU被安裝到AlphaGo系統(tǒng)中。但谷歌推出的代TPU僅能用于推斷，不可用于訓練模型，但隨著TPU2.0的發(fā)布，新一代TPU除了可以支持推斷以外，還能支持訓練環(huán)節(jié)的深度網(wǎng)絡加速。根據(jù)谷歌披露的測試數(shù)據(jù)，谷歌在自身的深度學習翻譯模型的實踐中，如果在32塊GPU上并行訓練，需要一整天的訓練時間，而在TPU2.0上，八分之一個TPUPod(TPU集群，每64個TPU組成一個Pod)就能在6個小時內(nèi)完成同樣的訓練任務。
3.GPU
即圖形處理器。初是用在個人電腦、工作站、游戲機和一些移動設備上運行繪圖運算工作的微處理器，可以快速地處理圖像上的每一個像素點。后來科學家發(fā)現(xiàn)，其海量數(shù)據(jù)并行運算的能力與深度學習需求不謀而合，因此，被先引入深度學習。2011年吳恩達教授將其應用于谷歌大腦中便取得驚人效果，結果表明，12顆英偉達的GPU可以提供相當于2000顆CPU的深度學習性能，之后紐約大學、多倫多大學以及瑞士人工智能實驗室的研究人員紛紛在GPU上加速其深度神經(jīng)網(wǎng)絡。
GPU之所以會被選為超算的硬件，是因為目前要求高的計算問題正好非常適合并行執(zhí)行。一個主要的例子就是深度學習，這是人工智能(AI)先進的領域。深度學習以神經(jīng)網(wǎng)絡為基礎。神經(jīng)網(wǎng)絡是巨大的網(wǎng)狀結構，其中的節(jié)點連接非常復雜。訓練一個神經(jīng)網(wǎng)絡學習，很像我們大腦在學習時，建立和增強神經(jīng)元之間的聯(lián)系。從計算的角度說，這個學習過程可以是并行的，因此它可以用GPU硬件來加速。這種機器學習需要的例子數(shù)量很多，同樣也可以用并行計算來加速。在GPU上進行的神經(jīng)網(wǎng)絡訓練能比CPU系統(tǒng)快許多倍。目前，70%的GPU芯片市場都被NVIDIA占據(jù)，包括谷歌、微軟、亞馬遜等巨頭也通過購買NVIDIA的GPU產(chǎn)品擴大自己數(shù)據(jù)中心的AI計算能力。
4.類人腦芯片
類人腦芯片架構是一款模擬人腦的新型芯片編程架構，這種芯片的功能類似于大腦的神經(jīng)突觸，處理器類似于神經(jīng)元，而其通訊系統(tǒng)類似于神經(jīng)纖維，可以允許為類人腦芯片設計應用程序。通過這種神經(jīng)元網(wǎng)絡系統(tǒng)，計算機可以感知、記憶和處理大量不同的情況。
IBM的TrueNorth芯片就是其中一個。2014年，IBM推出了TrueNorth類人腦芯片，這款芯片集合了54億個晶體管，構成了一個有100萬個模擬神經(jīng)元的網(wǎng)絡，這些神經(jīng)元由數(shù)量龐大的模擬神經(jīng)突觸動相連接。TrueNorth處理能力相當于1600萬個神經(jīng)元和40億個神經(jīng)突觸，在執(zhí)行圖象識別與綜合感官處理等復雜認知任務時，效率要遠遠高于傳統(tǒng)芯片。
原標題：人工智能芯片到底有何不同？
浙公網(wǎng)安備 33010602000006號
智能制造網(wǎng)APP
智能制造網(wǎng)小程序
微信公眾號
