人工智能顛覆傳統(tǒng)計(jì)算方式：讓內(nèi)存更接近計(jì)算資源

　　大數(shù)據(jù)應(yīng)用推動(dòng)了“讓內(nèi)存更接近計(jì)算資源”的架構(gòu)需求，而人工智能和機(jī)器學(xué)習(xí)則進(jìn)一步證明了硬件和硬件架構(gòu)在成功部署中發(fā)揮的關(guān)鍵作用。不過有一個(gè)關(guān)鍵問題——數(shù)據(jù)處理應(yīng)該在哪里進(jìn)行。

　　在Forrester Research近期的一項(xiàng)調(diào)查中，有89%的受訪者表示，計(jì)算和內(nèi)存在架構(gòu)上緊密相連是至關(guān)重要的。這項(xiàng)調(diào)研由美光(Micron Technology)公司委托，調(diào)查結(jié)果中還發(fā)現(xiàn)，內(nèi)存和存儲(chǔ)是如今限制人工智能和機(jī)器學(xué)習(xí)發(fā)展的非常重要的因素。此外，還有超過75%的受訪者指出，他們需要升級(jí)或重新構(gòu)建內(nèi)存和存儲(chǔ)架構(gòu)以打破這種局限性。

　　因?yàn)闄C(jī)器學(xué)習(xí)能夠通過神經(jīng)網(wǎng)絡(luò)對(duì)龐大的數(shù)據(jù)矩陣進(jìn)行多次累積操作，這使得大數(shù)據(jù)及其分析過程中的很多問題得以解決。同時(shí)，隨著更多結(jié)果的產(chǎn)生，這樣的操作還會(huì)反復(fù)進(jìn)行，以生成最佳路徑和最佳選擇的算法，并且這些算法都是通過處理數(shù)據(jù)進(jìn)行反復(fù)學(xué)習(xí)的。

　　美光公司企業(yè)戰(zhàn)略副總裁Colm Lysaght表示，因?yàn)閿?shù)據(jù)量非常大，所以解決內(nèi)存問題的常見方案就是增加更多的DRAM(Dynamic Random Access Memory)，即動(dòng)態(tài)隨機(jī)存取存儲(chǔ)器。這是最為常見的系統(tǒng)內(nèi)存，能夠?qū)⑿阅芷款i從原始計(jì)算轉(zhuǎn)移到數(shù)據(jù)所在的位置?！皟?nèi)存和存儲(chǔ)就是數(shù)據(jù)所在的地方。我們必須把數(shù)據(jù)帶入CPU，然后再返回，如此反復(fù)。因?yàn)檫@些龐大的數(shù)據(jù)集都需要被處理?！?/p>

　　Lysaght說，如果能夠讓計(jì)算和內(nèi)存更緊密地結(jié)合在一起，就意味著可以節(jié)省更多電力能源，因?yàn)樵趦?nèi)存和計(jì)算之間就不需要往返太多次。“這會(huì)提高性能，因?yàn)閿?shù)據(jù)處理直接發(fā)生在它所在的位置?！?/p>

　　在Lysaght看來，有很多不同的方法都可以打造出更好的架構(gòu)。拿神經(jīng)形態(tài)處理器舉例，它在內(nèi)部使用神經(jīng)網(wǎng)絡(luò)，并將內(nèi)部核心數(shù)據(jù)分解為更多的較小顆粒?！耙?yàn)橐獙?duì)大量的數(shù)據(jù)要進(jìn)行處理，所以讓更多的核心反復(fù)執(zhí)行相對(duì)簡(jiǎn)單的操作是一種更好的解決方案，”Lysaght說。

　　最近，內(nèi)存公司Crossbar與Gyrfalcon Technology、mtes Neural Networks(mtesNN)、RoboSensing等公司一起，打造了一個(gè)致力于提供加速、節(jié)能型人工智能平臺(tái)的聯(lián)盟——SCAiLE(用于邊緣學(xué)習(xí)的SCABLE AI)。該聯(lián)盟將結(jié)合先進(jìn)的加速硬件、電阻式RAM(ReRAM)和優(yōu)化神經(jīng)網(wǎng)絡(luò)，打造就緒的低功耗解決方案，使得整個(gè)過程無需進(jìn)行監(jiān)督學(xué)習(xí)。

　　Crossbar公司戰(zhàn)略營銷和業(yè)務(wù)開發(fā)副總裁Sylvain Dubois表示，目前很多企業(yè)面臨的挑戰(zhàn)是，他們既希望在設(shè)備上采用人工智能，但是又不知道該怎么做，無論是智能揚(yáng)聲器、智能攝像頭還是智能電視。而該聯(lián)盟的目標(biāo)，就是提供一個(gè)將所有必要部分組合在一起的平臺(tái)。

　　Crossbar的主要貢獻(xiàn)在于內(nèi)存(特別是ReRAM)，它將通過各種輸入處理機(jī)器學(xué)習(xí)系統(tǒng)中的數(shù)據(jù)，包括文本、關(guān)鍵字、GPS坐標(biāo)、傳感器可視數(shù)據(jù)等大量非結(jié)構(gòu)化數(shù)據(jù)。

　　Dubois設(shè)想了一種存儲(chǔ)器陣列，它的架構(gòu)能夠以非常寬且高度并行的方式由實(shí)例中的每一個(gè)特定處理代碼讀取，實(shí)現(xiàn)在邊緣設(shè)備中并行讀取一千個(gè)字節(jié)?！叭绻ヅ淞耍憔蜁?huì)知道該怎么做。如果沒有匹配，那么這就是我們所說的學(xué)習(xí)曲率。”Dubois說。

　　例如，對(duì)攝像頭傳感器來說，該系統(tǒng)將能夠在ReRAM陣列備用位置保存新事件或一組功能?！跋麓萎?dāng)有類似事件在這個(gè)攝像頭前發(fā)生的時(shí)候，攝像頭本身就能夠在沒有任何訓(xùn)練的情況下檢測(cè)到該事件?！盌ubois舉例說。

　　這提供了一種完全不同的人工智能計(jì)算方式，因?yàn)槿绻霈F(xiàn)需要快速?zèng)Q策的意外事件(例如關(guān)注安全性的交通場(chǎng)景)時(shí)，它就不再需要依賴于云中的訓(xùn)練能力，而能夠在當(dāng)下快速處理。

　　Forrester Research的這項(xiàng)研究表明，有越來越多的企業(yè)將在公有云和邊緣位置進(jìn)行數(shù)據(jù)分析，從而在邊緣完成更多的機(jī)器學(xué)習(xí)能力。有51%的受訪者表示，他們正在公有云中運(yùn)行分析，預(yù)計(jì)未來三年這一比例將增加到61%。此外，有44%的人已經(jīng)在邊緣設(shè)備中進(jìn)行數(shù)據(jù)分析，預(yù)測(cè)到2021年這一比例將增長到53%。

　　Forrester基礎(chǔ)設(shè)施和運(yùn)營高級(jí)分析師Chris Gardner對(duì)于硬件的重要性感到驚訝，特別是存儲(chǔ)和內(nèi)存。他表示，一個(gè)非常重要的研究結(jié)果是，有大量工作是脫離了存儲(chǔ)在內(nèi)存本身進(jìn)行的。但值得注意的是，這取決于你的需求是什么。根據(jù)Gardner的說法，訓(xùn)練模型需要大量的內(nèi)存和存儲(chǔ)空間。除外之外，你根本不需要任何東西。

　　Gardner說，在完美的情況下，企業(yè)希望擁有一個(gè)數(shù)百GB的RAM大型環(huán)境。但實(shí)際上，他們不得不自己構(gòu)建或者付費(fèi)讓供應(yīng)商來實(shí)現(xiàn)，而且這需要的是硬件方面的轉(zhuǎn)變?！拔覀冃枰嘁詢?nèi)存為中心的架構(gòu)，讓計(jì)算圍繞內(nèi)存以及存儲(chǔ)來進(jìn)行，而不是讓計(jì)算本身成為中心。“這并不是說當(dāng)前的計(jì)算架構(gòu)很糟糕，但這可能并不是做人工智能和機(jī)器學(xué)習(xí)最有效的方式?！盙ardner表示。

　　此外，Gardner還提到了邊緣計(jì)算，有一個(gè)場(chǎng)景是某個(gè)舉行大型體育賽事的體育場(chǎng)內(nèi)安裝了很多攝像頭，這些攝像頭實(shí)時(shí)產(chǎn)生了大量需要快速處理的數(shù)據(jù)，以確定是否存在危險(xiǎn)情況。“他們可以把這些數(shù)據(jù)發(fā)送到云端并返回，但是他們沒有時(shí)間去這么做，因?yàn)樗麄儽仨毐M快處理這些數(shù)據(jù)。”

　　未來還將有一些機(jī)器學(xué)習(xí)是在云中進(jìn)行的，然后返回到物聯(lián)網(wǎng)設(shè)備，但是其中一些設(shè)備將變得越來越智能化，并且可以自主地進(jìn)行機(jī)器學(xué)習(xí)，共享回云端以及其他設(shè)備。對(duì)于內(nèi)存制造商來說，這意味著商用組件制造商要持續(xù)進(jìn)行轉(zhuǎn)型，而且要重新編譯應(yīng)用以利用人工智能和機(jī)器學(xué)習(xí)工作負(fù)載所需的、以內(nèi)存為中心的架構(gòu)。但是現(xiàn)在這些技術(shù)還處于實(shí)驗(yàn)階段，還沒有一個(gè)真正的采用內(nèi)存為中心、在實(shí)驗(yàn)環(huán)境之外有很多延遲表現(xiàn)的架構(gòu)。

　　Gardner說：“幾十年來我們一直是用以CPU為中心的心態(tài)去構(gòu)建架構(gòu)，而想要擺脫這種想法是非常具有革命性的?！?/p>

　　對(duì)此，去年秋天美光還宣布投資1億美元用于人工智能，并在實(shí)驗(yàn)室中打造了一個(gè)類似DRAM的產(chǎn)品，目標(biāo)是在2021年進(jìn)行采樣，同時(shí)美光的研究人員也在研究處理器內(nèi)存架構(gòu)，這也是其他很多初創(chuàng)公司正在研究的領(lǐng)域。