3
| 本文作者： 程弢 | 2016-08-18 08:00 |
硬件和算法在人工智能領域的作用可以說是各占一半的，而在芯片層面上，業界幾乎觀點一致——GPU在人工智能深度學習算法上的重要性遠高于CPU，這也就是為何NVIDIA在人工智能領域的風頭甚至蓋過了英特爾。
毫無疑問，GPU是當下訓練深度學習神經網絡最熱門的方法，這種方案已經受到了谷歌、微軟、IBM、豐田以及百度等企業的青睞，因此GPU廠商在最近兩年逐漸成為眾企業膜拜的對象。
作為GPU領域的絕對主導者，NVIDIA最近動作頻頻，今年早些時候公司專為深度神經網絡推出了Tesla P100 GPU，并且發布了基于該GPU的單機箱深度學習超級計算機——NVIDIA DGX-1。
如今這款深度學習超級計算機已經問世，NVIDIA CEO黃仁勛日前將DGX-1交付給了馬斯克創辦的人工智能項目OpenAI，OpenAI會用DGX-1做什么項目？如何使用？還不得而知，不過我們可以先聊一聊這款深度學習超級計算機到底是什么？它有什么牛逼的地方。
顧名思義，深度學習超級計算機是深度學習和超級計算機的結合體，我們所熟知的“天河一號”、“天河二號”等都是超級計算機，當然不僅如此，通常情況下具備高性能計算（HPC）的計算機都可算作超級計算機，如NVIDIA的Tesla系列。
因為深度學習神經網絡尤其是幾百上千層的神經網絡需對計算和吞吐能力的需求非常高，GPU對處理復雜運算擁有天然的優勢：它有出色的浮點計算性能，可以同時保證分類和卷積的性能以及精準度。
所以搭載GPU的超級計算機已經成為訓練各種深度神經網絡的不二選擇。例如在谷歌Brain項目中，其3臺機器中配置了12顆GPU，性能就達到了包含1000個節點的CPU簇的水平。
黃仁勛曾表示，3000人花費3年時間才研發出來這樣一款DGX-1，深度學習超級計算機研發的難度之大可見一斑。
根據NVIDIA官方的介紹，DGX-1的規格如下：
半精度 (FP16) 峰值性能最高可達 170 Teraflops；
8 個 Tesla P100 GPU 加速器，每顆 GPU 16GB 內存；
NVLink Hybrid Cube Mesh (NVLink 混合立方網格)；
7TB 固態硬盤 DL 高速緩存；
雙萬兆以太網，四路 InfiniBand 100Gb 網絡連接；
功耗：3U – 3200W。
因為NVIDIA將這些硬件設計在了一個機箱內，所以DGX-1被稱為單機箱深度學習超級計算機。
Tesla P100有153億個16nm FinFET晶體管，其核心面積達到了610mm2，按照黃仁勛的說法，這款GPU是迄今為止最大的芯片。
DGX-1集成的8個16GB顯存GPU吞吐量相當于 250臺傳統服務器的水平，其配置的7 TB固態硬盤用于儲存神經網絡訓練的大量原始數據。
除此之外，DGX-1系統還包含一套深度學習軟件，即深度學習GPU訓練系統 (DIGITS?)，它可用于設計深度神經網絡 (DNN)，據了解DGX-1可以將深度學習的培訓速度加快75倍，將CPU性能提升56倍。這是什么樣的概念呢？
英特爾雙路至強系統需要250多個節點和150個小時來訓練Alexnet，而DGX-1只需要一個節點2個小時，后者在性能和節點總帶寬上都有明顯的優勢。當然在性能的提升下，功耗達到了3200W，售價更是高達129000美元。
雖然GPU相比CPU有一定的優勢，但是在FPGA和神經網絡芯片面前，GPU依然要遜色不少。
有研究人員測試，相比GPU，FPGA的架構更靈活，單位能耗下性能更強。深度學習算法在FPGA上能夠更快、更有效地運行，而且功耗也能做到更低。英特爾甚至為此推出了FPGA和CPU的混合芯片架構。
另一個研究方向就是神經網絡芯片，這一領域的代表當屬IBM的TrueNorth和寒武紀的DianNao。根據模擬實驗測試的結果，采用DianNaoYu指令集的寒武紀深度學習處理器相對于x86指令集的CPU有兩個數量級的性能提升；而IBM的Truenorth里含有54億個低成本晶體管神經突觸芯片，功耗卻低至700毫瓦，在性能以及功耗的優化上都提升到了一個新的高度。
寒武紀神經網絡處理器研究者、中國科學院計算技術研究所研究員陳云霽表示，“加速芯片是神經網絡芯片的最終形態。”
但是理想很豐滿，現實很骨感！就目前來說，GPU是唯一實現大規模應用的方案，FPGA或者神經網絡芯片想要取代GPU的地位只能說是路漫漫了！
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
