AI芯片：現(xiàn)實(shí)版螳螂捕蟬黃雀在后

谷歌的無人車在美國開了幾十萬公里，通過訓(xùn)練練出一個(gè)自動(dòng)駕駛的AI模型。這個(gè)模型訓(xùn)練出來之后，未來可以部署到每一臺(tái)量產(chǎn)的谷歌無人車，實(shí)現(xiàn)自動(dòng)駕駛。在自動(dòng)駕駛中，這個(gè)AI模型就必須實(shí)時(shí)進(jìn)行推斷。

圖片來自網(wǎng)絡(luò)

英偉達(dá)Q1的財(cái)報(bào)發(fā)布后幾小時(shí)，股價(jià)就暴漲14%。

老黃的Keynote還沒講完，英偉達(dá)市值就被推高20%，突破700億美元。

華爾街瘋狂的背后，是人工智能的大潮，與推動(dòng)這一大潮的全新技術(shù)。

英偉達(dá)最新的GPU芯片——TeslaV100及其TensorCore，必將讓這科技的大潮又起一層浪。

眼看著英偉達(dá)在這人工智能的浪潮中一騎絕塵，它的技術(shù)到底能有多厲害?難道其他芯片巨頭就真的在吃干飯嗎?

今天，我們特意邀請(qǐng)到兩位芯片領(lǐng)域的專家，專門來聊聊英偉達(dá)的新技術(shù)，以及這場AI芯片大戰(zhàn)的關(guān)鍵看點(diǎn)。

英偉達(dá)領(lǐng)先多少

昨天以前，英偉達(dá)在深度學(xué)習(xí)芯片領(lǐng)域已經(jīng)非常領(lǐng)先了，但是還不是遙不可及。

但在一口氣發(fā)布的7個(gè)產(chǎn)品和計(jì)劃后，特別是其中的TeslaV100，確實(shí)震撼?？梢哉f，大大拉開了它與競爭對(duì)手的距離。

這不由得讓人想起90年代，思科成為互聯(lián)網(wǎng)第一波紅利的最大獲益者?，F(xiàn)在AI時(shí)代的到來，盡管我們還不知道它這一輪到底能沖多高，但大家都還在摩拳擦掌、買槍買炮。

而英偉達(dá)卻第一時(shí)間成為一家獨(dú)大的軍火商，肯定是AI第一波紅利的最大獲益者。

英偉達(dá)在GTC大會(huì)推出的全新GPU，確實(shí)在技術(shù)上劃了時(shí)代，吊打所有對(duì)手。

通用的GPU單元，專門的Tensor加速器，矩陣運(yùn)算絕對(duì)性能爆炸，同時(shí)還兼顧其他算法。不愧是英偉達(dá)憑借多年在深度學(xué)習(xí)領(lǐng)域的積累、對(duì)需求深刻洞察之后推出的心血大作，比上一代強(qiáng)大十倍的性能，既適合訓(xùn)練又適合部署。

就此，老黃已直接對(duì)絕大多數(shù)做深度學(xué)習(xí)芯片的創(chuàng)業(yè)項(xiàng)目宣判了死刑。

為什么GPU就適合AI?

我們來科普一下。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種技術(shù)，基于深度神經(jīng)網(wǎng)絡(luò)，這一輪AI主要就是深度學(xué)習(xí)技術(shù)突破引領(lǐng)的。

而深度學(xué)習(xí)里面絕大多數(shù)的運(yùn)算都是矩陣運(yùn)算，矩陣運(yùn)算天生就容易并行，而GPU最擅長的就是做并行數(shù)學(xué)計(jì)算，所以特別適合做深度學(xué)習(xí)。

2012年的時(shí)候，Geoffrey Hinton的學(xué)生Alex Krizhevsky用GPU來做深度學(xué)習(xí)，并且取得了ImageNet大賽冠軍。經(jīng)過他們的評(píng)測，用GPU比CPU快60倍。

人工智能研究者一找上GPU，英偉達(dá)立馬抓住機(jī)會(huì)，短時(shí)間內(nèi)動(dòng)用數(shù)千工程師、投入20億美元，研發(fā)出第一臺(tái)專門為深度學(xué)習(xí)優(yōu)化的Pascal GPU。所以，在深度學(xué)習(xí)大行其道的今天，英偉達(dá)就成了大贏家了。而深度學(xué)習(xí)中GPU的應(yīng)用，有這兩個(gè)場景：一個(gè)是訓(xùn)練，一個(gè)是部署。所謂訓(xùn)練，就是AI的構(gòu)建過程，研究員在線下通過喂給AI算法大量的數(shù)據(jù)，產(chǎn)生出一個(gè)模型。而部署，就是把訓(xùn)練好的這個(gè)模型拿到應(yīng)用現(xiàn)場去用，去做推斷。

比如說，谷歌的無人車在美國開了幾十萬公里，通過訓(xùn)練練出一個(gè)自動(dòng)駕駛的AI模型。這個(gè)模型訓(xùn)練出來之后，未來可以部署到每一臺(tái)量產(chǎn)的谷歌無人車，實(shí)現(xiàn)自動(dòng)駕駛。在自動(dòng)駕駛中，這個(gè)AI模型就必須實(shí)時(shí)進(jìn)行推斷。

訓(xùn)練階段，我們主要關(guān)心的是大規(guī)模的計(jì)算吞吐率，而到了部署中，更強(qiáng)調(diào)的是絕對(duì)的計(jì)算能力、低延遲、高性能功耗比、高穩(wěn)定性。

現(xiàn)在在AI界，訓(xùn)練模型普遍采用英偉達(dá)的GPU，但是到了部署領(lǐng)域呢，有人用GPU，有人用谷歌的TPU，有人用英特爾，還有一大批嵌入式芯片開發(fā)商正在開發(fā)專用的前端深度學(xué)習(xí)芯片。

但是，剛剛發(fā)布的V100，既適合做訓(xùn)練，又適合做推斷，除了功耗較大以外，在能力方面實(shí)現(xiàn)了左右通殺，所以確實(shí)厲害。

另外，英偉達(dá)還有一個(gè)專門用來部署的運(yùn)行時(shí)環(huán)境叫TeslaRT。所以英偉達(dá)在AI芯片領(lǐng)域真有點(diǎn)一騎絕塵的架勢了。

難道無人能擋英偉達(dá)?

AI芯片這么大的一塊蛋糕，總得多有幾個(gè)人來分才熱鬧，就算英偉達(dá)現(xiàn)在的優(yōu)勢不容置疑，那接下來的疑問就是，它的優(yōu)勢究竟能持續(xù)多久?

谷歌TPU

幾天前，在谷歌TPU團(tuán)隊(duì)出走半數(shù)后，計(jì)算機(jī)體系架構(gòu)的宗師DavidPatterson宣布他要加入谷歌，正式參與TPU項(xiàng)目。

上個(gè)月，谷歌關(guān)于TPU性能的論文披露說，TPU運(yùn)行速度是英偉達(dá)和英特爾相關(guān)處理器的15-30倍，能效高出30-80倍。

谷歌的TPU適用于部署，能跟谷歌自家的TensorFlow緊密結(jié)合?？上情]源的，谷歌視它為核心競爭力，應(yīng)該不會(huì)開放給別人用。

TPU的第一版很驚艷，不過缺點(diǎn)也很多?，F(xiàn)在從谷歌的論文來看，這個(gè)架構(gòu)有點(diǎn)過時(shí)，實(shí)踐當(dāng)中也會(huì)有很大局限性。雖說這次DavidPatterson加入谷歌TPU團(tuán)隊(duì)的動(dòng)靜很大，但我們還是應(yīng)當(dāng)保持冷靜、繼續(xù)觀察。

英特爾

另一個(gè)能跟英偉達(dá)叫板的，就是老牌芯片巨頭英特爾，但它的CPU擅長高速處理數(shù)字，卻不擅長處理音視頻等非結(jié)構(gòu)化數(shù)據(jù)。

于是在去年，英特爾耗資4億美元收購深度學(xué)習(xí)初創(chuàng)企業(yè)Nervana，試圖通過Nervana Systems在硅層實(shí)現(xiàn)機(jī)器學(xué)習(xí)。今年3月，這家土豪又怒砸153億美元收購一家以色列芯片公司Mobileye，土豪要用自己家的高性能計(jì)算和網(wǎng)絡(luò)連接能力，結(jié)合Mobileye的計(jì)算機(jī)視覺專業(yè)技術(shù)，打造從云端直達(dá)每輛汽車的無人駕駛解決方案，深化它在自動(dòng)駕駛領(lǐng)域的布局。

收購Nervana，是英特爾非常厲害的一招。因?yàn)?，這家公司前幾年一直在幫英偉達(dá)優(yōu)化GPU平臺(tái)。他們是一群頂級(jí)黑客團(tuán)隊(duì)，hack了GPU的native指令集，寫出了比當(dāng)時(shí)的cudnn(NVIDIA自己的深度學(xué)習(xí)數(shù)學(xué)庫)還要快若干倍的數(shù)學(xué)庫。他們的成果都開源給了社區(qū)，cudnn后面的進(jìn)步很大程度是因?yàn)槲樟诉@些成果。這家公司被英特爾收購后，就斷了繼續(xù)為英偉達(dá)提供服務(wù)的可能，同時(shí)也極大增強(qiáng)了英特爾的實(shí)力。

英特爾現(xiàn)在是allinAI，它的幾大產(chǎn)品線，都會(huì)重點(diǎn)針對(duì)深度學(xué)習(xí)進(jìn)行專門定制，比如之前作為HPC平臺(tái)的XeonPhi加速計(jì)算卡，收購的AlteraFPGA，包括NervanaSystem，都是各自獨(dú)立的深度學(xué)習(xí)產(chǎn)品線。其他還包括IoT部門，還有收購的Movidius公司，這些是提供嵌入式和端的解決方案。

小編聽完，真是眼界大開。

這樣來看，在深度學(xué)習(xí)芯片上，英偉達(dá)一馬當(dāng)先，英特爾黃雀在后，而谷歌的TPU，還真是任重而道遠(yuǎn)啊。