NVIDIA 的 AI 之路越走越順，但也要警惕這些對手

人工智慧和機器學習已經重要到連 Google 都要自己造晶元的程度了。

在去年的開發者大會上，Google 發布了專為人工智慧演算法定製的 Tensor Processing Unit（TPU）。除此以外，各大科技公司正在研發中的晶元就有幾十種，它們都可以作為專業的人工智慧晶元為 AI 創業公司們提供定製的服務。

Google 在去年的開發者大會上發布 TPU

這一切都給了 NVIDIA 不小的壓力——雖然它最近幾年一直在深度學習領域的晶元供應商中佔據著主導地位。

因此，作為對其他晶元廠家的反擊，NVIDIA 試圖通過其最新的 GPU 來強化它在人工智慧領域的專業性能。

在星期三 NVIDIA 舉行的 GTC 大會（GPU 技術大會）上，NVIDIA 發布了一部目標伺服器市場的全新產品，基於新一代圖形架構 Volta 的 Tesla V100。

黃仁勛在 GTC 大會上發布 Tesla V100

這塊晶元用友超過 210 億個晶體管和 5120 個計算機內核，但對人工智慧來說最重要的是，Tesla V100 配備了 640 個 Tensor Core，這些計算機核心被專門用於在深度學習網路中進行數學運算。NVIDIA 聲稱這些 Tensor Core 可以達到驚人的 120 萬億每秒浮點指令個數。

NVIDIA 表示，相較於他們上一代架構 Pascal，新的晶元將深度學習的訓練速度提高了 12 倍，並將推理速度提高了 6 倍，新的架構相當於 100 個運行深度學習應用程序的 CPU（像英特爾的那種）。

英特爾的 Skylake CPU

NVIDIA 還發布了很多軟體工具，以便深度學習的操作程序在其硬體產品上可以更高效地運行。此前，NVIDIA 發布了 TensorRT，一個用於改進深度學習框架 TensorFlow 和 Caffe 推理性能的編譯器。NVIDIA 表示 Tesla V100 上的推理性能要比英特爾的 Skylake CPU 架構快 15 到 25 倍。

TensorRT

雖然 NVIDIA 很努力地在讓它的計算晶元更適合深度學習，但在競爭中，NVIDIA 總是會暴露出其最大的缺點——NVIDIA 的 GPU 必須支持其最初的功能：圖形處理。其競爭對手指出，對圖形處理的支持給晶元增加了不少的體積，這意味著這些 GPU 晶元的效率永遠會比專業的 AI 晶元要低一些。

NVIDIA 表示將在 2017 年幫助培訓 10 萬名 AI 開發者

在最近的一篇博客文章中，Google 聲稱其 TPU 要比現代的 GPU 和 CPU 們在推理性能上快 15 到 30 倍（雖然 NVIDIA 否認說 Google 是在拿 TPU 和老的 GPU 相比較）。另一邊 NVIDIA 的死對頭英特爾用超過 4 億美元收購了人工智慧晶元的創業公司 Nervana，並聲稱自己將在 2020 年之前將深度學習的訓練速度提高 100 倍。

NVIDIA 表示它已經在人工智慧晶元領域達到了相當專業的水準，並且足以與那些定製晶元的廠商同台競爭，Tesla V100 就是最好的證據。

NVIDIA 的 GPU 工程副總裁 Jonah Alben 在談起人工智慧晶元市場的競爭時說道：「我們都在用同樣的畫筆作畫。如果你觀察一款強大的人工智慧晶元所需的基本元素——帶寬、輸入/輸出以及計算，這些領域我們都稱得上是專家。」

黃教主在 GTC 上發表演講

儘管從規模上來看，Google 可能會在定製化人工智慧晶元的路上走得更遠，但毫無疑問 NVIDIA 還是一個非常強大的對手。「人工智慧晶元還沒有大量出貨，」一位分析師說道，「我認為 NVIDIA 需要一直提防著一些潛在的威脅，雖然在這些競爭者中的任何一家開始大量出貨之前，這些威脅都不會太明顯。」

這些即將全力研發人工智慧定製晶元的廠商和 NVIDIA 之間的競爭表明，深度學習的計算能力亟需更加強大、更加專業的處理能力。

幾年前，GPU 之所以在市場上脫穎而出，正是因為他們大大削減了深度學習網路的訓練時間。從上個世紀五十年代以來，一直默默無聞的深度學習突然走上了風口浪尖，憑藉著 GPU 的性能支持，深度學習成為了一個極具突破潛力的技術。然而，隨著越來越多的公司試圖將深度學習技術融入他們的產品和服務中，市場對晶元的處理能力和速度的需求也越來越強烈與苛刻。

「我所觀察到的一切都證明人們對深度學習計算能力的需求是沒有盡頭的，」Alben 說道，「對他們來說，越接近無限就越好。」

文章參考：Forbes；頭圖來源網路