| 目前，谷歌、Facebook、微软、Twitter和百度等互联网巨头，都在使用这种叫做GPU的芯片，让服务器学习海量的照片、视频、声音文档，以及社交媒体上的信息，来改善搜索和自动化照片标记等各种各样的软件功能。一些汽车制造商也在利用这项技术，开发可以感知周围环境、避开危险区域的无人驾驶汽车。
除了在GPU和图形计算领域长期领先，英伟达也是最早一批在人工智能领域进行投资的科技公司。2008年，当时在斯坦福做研究的吴恩达发表了一篇用GPU上的CUDA进行神经网络训练的论文。2012年“深度学习三巨头”之一Geoff Hilton的学生Alex Krizhevsky用英伟达的GeForce显卡在ImageNet中将图像识别准确率大幅提升，这也是英伟达CEO黄仁勋时常提到的英伟达注重深度学习的开端。
有报告显示，世界上目前约有3000多家AI初创公司，大部分都采用了Nvidia提供的硬件平台。
“深度学习被证明是非常有效的。”黄仁勋在季报2月10日的发布会中表示。在列举目前GPU计算平台正在人工智能、云计算、游戏和自动驾驶领域快速展开应用的同时，黄仁勋表示，在未来数年间，深度学习将会成为计算机计算的一种基础性的核心工具。
AMD和Intel巨头的AI演变
投资者和芯片制造商关注着所有互联网巨头的一举一动。仅仅以英伟达的数据中心业务为例，在很长一段时间以来，该公司一直为谷歌提供数据服务。
英伟达并非GPU的唯一领先者，巨头Intel和AMD都在这一领域有着不同的优势。
2016年11月，Intel公司发布了一个叫做Nervana的AI处理器，他们宣称会在明年年中测试这个原型。如果一切进展顺利，Nervana芯片的最终形态会在2017年底面世。这个芯片名称基于Intel早前购买的一个叫做Nervana的公司。按照Intel的人所说，这家公司是世界上第一家专门为AI打造芯片的公司。
Intel公司披露了一些关于这个芯片的一些细节，按照他们所说，这个项目代码为“Lake Crest”，将会用到Nervana Engine 和Neon DNN相关软件。这款芯片可以加速各类神经网络，例如谷歌TensorFlow框架。
芯片由所谓的“处理集群”阵列构成，处理被称作“活动点”的简化数学运算。相对于浮点运算，这种方法所需的数据量更少，因此带来了10倍的性能提升。
Lake Crest利用私有的数据连接创造了规模更大、速度更快的集群，其拓扑结构为圆环形或其他形式。这帮助用户创造更大、更多元化的神经网络模型。这一数据连接中包含12个100Gbps的双向连接，其物理层基于28G的串并转换。
TPU与FPGA可能的逆袭
在上述芯片巨头进行GPU领域的提升之外，有更多的企业在试图引发一轮全面的颠覆。其代表为谷歌在2016年宣布将独立开发一种名为TPU的全新的处理系统。
TPU是专门为机器学习应用而设计的专用芯片。通过降低芯片的计算精度，减少实现每个计算操作所需的晶体管数量，从而能让芯片的每秒运行的操作个数更高，这样经过精细调优的机器学习模型就能在芯片上运行得更快，进而更快地让用户得到更智能的结果。Google将TPU加速器芯片嵌入电路板中，利用已有的硬盘PCI-E接口接入数据中心服务器中。
据Google 资深副总裁Urs Holzle 透露，当前Google TPU、GPU 并用，这种情况仍会维持一段时间，但他表示，GPU 可执行绘图运算工作，用途多元；TPU 属于ASIC，也就是专为特定用途设计的特殊规格逻辑IC，由于只执行单一工作，速度更快，但缺点是成本较高。
除了上述提到的谷歌，微软也在使用一种叫做现场可变编程门阵列（FPGA）的新型处理器。
据介绍，这个FPGA 目前已支持微软Bing，未来它们将会驱动基于深度神经网络——以人类大脑结构为基础建模的人工智能——的新搜索算法，在执行这个人工智能的几个命令时，速度比普通芯片快上几个数量级。有了它，你的计算机屏幕只会空屏23毫秒而不是4秒。
在第三代原型中，芯片位于每个服务器的边缘，直接插入到网络，但仍旧创造任何机器都可接入的FPGA池。这开始看起来是Office 365可用的东西了。最终，Project Catapult准备好上线了。另外，Catapult硬件的成本只占了服务器中所有其它的配件总成本的30%，需要的运转能量也只有不到10%，但其处理速度却是原来的2倍。
此外，有一些公司，例如Nervada和Movidius，模拟GPU的平行模式，但是专注于更快速地移动数据，省略图像所需要的功能。其他公司，包括使用了被称为“True North”的芯片的IBM公司，开发了由神经元、突触等其他大脑特征所启发的芯片设计。 2/3 首页 上一页 1 2 3 下一页 尾页 |
