IBM、Intel、NVIDIA和 AMD 等因 AI 工作負載「將重新設計處理器」

人工智慧（AI）正在給處理器提出新的要求。演算法型數據處理不同於早期的數據處理模式（以LINPACK等基準測試為代表）。AI還在改變計算架構，不再強調CPU，而是利用協處理器更快的計算能力。CPU只是扮演輔助者的角色，許多深度學習任務在加速器晶元上執行，比如GPU、FPGA和谷歌的Tensor處理器。

IBM、英特爾、英偉達和AMD等各大硬體公司在欣然接受架構方面的變化，調整硬體以促進構建人工神經網路，這正是20世紀60年代的研究人員所設想的。IBM在去年12月初發布了新的POWER9系統，依賴超高速管道（IBM稱之為「軟管」而不是「吸管」），將數據快速傳輸到能夠處理機器學習任務的協處理器。計算機的學習能力直接與互連吞吐量有關，因為更快的數據傳輸意味著更快獲得處理結果。

數據中心中的深度學習大多緊緊圍繞英偉達的GPU，而IBM的POWER9伺服器系列通過專用的下一代NVLink（http://www.nvidia.com/object/nvlink.html）通道，提供通向英偉達最新的Volta GPU的最快路徑，NVLink通道比目前x86晶元中每條通道的PCI-Express 3.0快7倍到10倍。英偉達提供自己的深度學習框架，基於面向其GPU的CUDA編程工具包，而IBM提供的PowerAI軟體支持流行的深度學習工具。

英偉達的GPU之所以很流行，是由於它能夠在數千個處理器核心上執行低級別的浮點運算處理，眾多核心結合起來，可以大致判斷圖像中的貓是不是果真是貓，這是個典型的AI問題。這非常像大腦的工作機理：神經元組成的網路共同處理可用的信息，以識別眼前的東西。

IBM認為，POWER9的快速吞吐量會讓x86系統上的吞吐量黯然失色，不過通往AI的道路有好多條，英特爾在搞清楚這點。英特爾正在圍繞一系列晶元（包括FPGA和ASIC）打造其AI產品組合，希望其中一種晶元能取得成功。這家晶元製造商正試圖盡量減小這個風險：由於產品延誤或失敗，像當初錯失移動設備和電視潮流那樣錯失AI潮流。

看到英偉達大獲成功，促動之下，英特爾也在製造自己的GPU（2009年曾對一款代號為Larrabee的GPU心灰意冷），將Nervana晶元集成到伺服器內部（還有與之配套的深度學習框架），同時還提供Altera FPGA。英特爾有Saffron編程框架（http://saffrontech.com/），該框架擅長獲取和整合來自多個來源的數據。英特爾的Altera FPGA將進入汽車，模仿與圖像識別有關的類似GPU的功能。英特爾最近擯棄了Knights Hill超級計算晶元，圍繞AI開發一種全新類型的晶元。

但是IBM在一些功能方面具有先行優勢，比如PCI-Express 4.0（速度比PCIeE 3.0快兩倍），比如一種名為OpenCAPI的開放互連技術，不同的協處理器、存儲器和內存可以與它連接起來。除了AMD GPU外，POWER9還留有介面（hook即鉤子），以便連接像谷歌TPU這些專門的深度學習協處理器以及來自Wave Computing和Graphcore等公司的其他產品。協處理器公司的任務就是添加與OpenCAPI兼容的功能。

對於IBM和英特爾來說，支持現場可編程門陣列（FPGA）可能很重要，因為這類晶元可能會蠶食GPU在AI領域的主導地位。比例說，在深度學習中，可以往FPGA載入專門用於圖像識別、金融建模或語言處理的代碼。可以輕鬆更改代碼，將FPGA另作他用。長期以來，FPGA用於通過代碼來模擬晶元，或者測試操作系統。蘋果、英特爾、高通、微軟及其他公司經常通過FPGA來測試軟硬體，FPGA在高速運行時可能很耗電，不過耗電量在降低。與CPU不同，FPGA無法用作執行各種操作的通用晶元。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！