人工智能正在改變計算系統(tǒng)的本質(zhì)

卷積神經(jīng)網(wǎng)絡(luò)和長期短期記憶網(wǎng)絡(luò)的核心，深度學(xué)習(xí)的兩個主要支柱，甚至在像谷歌的變形金剛這樣的更現(xiàn)代的網(wǎng)絡(luò)中，大多數(shù)計算都是線性代數(shù)計算，稱為張量數(shù)學(xué)。最常見的是，將一些輸入數(shù)據(jù)轉(zhuǎn)換為矢量，然后將該矢量乘以神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣的列，并將所有這些乘法的乘積相加。稱為乘法相加，這些計算使用所謂的“乘法 - 累加”電路或“MAC”在計算機中呈現(xiàn)。因此，只需改進MAC并在芯片上創(chuàng)建更多的MAC來增加并行化，就可以立即改善機器學(xué)習(xí)。

主導(dǎo)AI培訓(xùn)的Nvidia和其CPU主導(dǎo)機器學(xué)習(xí)推理的英特爾都試圖調(diào)整他們的產(chǎn)品以利用那些原子線性代數(shù)函數(shù)。Nvidia為其Tesla GPU添加了“張量核心”，以優(yōu)化矩陣乘法。英特爾已花費300億美元收購那些從事機器學(xué)習(xí)的公司，包括Mobileye，Movidius和Nervana Systems，其中最后一個應(yīng)該在某個時候?qū)е隆癗ervana神經(jīng)網(wǎng)絡(luò)處理器”，盡管有延遲。

到目前為止，這些舉措并不能滿足機器學(xué)習(xí)的需求，例如Facebook的LeCun。在2月與ZDNet聊天期間，LeCun認為，“我們需要的是競爭對手，現(xiàn)在，你知道，主導(dǎo)供應(yīng)商[Nvidia]。” 這不是因為，他說，Nvidia沒有做出好的籌碼。這是“因為他們做出了假設(shè)，”他繼續(xù)說道，“而且擁有一套不同的硬件可以用來做當前GPUS擅長的補充事物，這是不錯的選擇?！?/p>

他說，其中一個有缺陷的假設(shè)是假設(shè)訓(xùn)練神經(jīng)網(wǎng)絡(luò)將是一個可以操作的“整齊陣列”的問題。相反，未來的網(wǎng)絡(luò)可能會使用大量的網(wǎng)絡(luò)圖，其中神經(jīng)網(wǎng)絡(luò)的計算圖的元素作為指針流式傳輸?shù)教幚砥?。LeCun表示，芯片必須進行大量的乘法增加，但對于如何將這些乘法增加呈現(xiàn)給處理器的期望不同。

作為TPU芯片貢獻者之一的谷歌軟件工程師Cliff Young，去年10月在硅谷舉行的芯片活動上發(fā)表了主題演講時更直言不諱。“很長一段時間，我們都拒絕了，并說英特爾和Nvidia非常擅長構(gòu)建高性能系統(tǒng)，”Young說?！拔迥昵拔覀兂搅诉@個門檻?！痹谶@個漏洞中，新的芯片來自谷歌等人工智能巨頭，還有一大批風(fēng)險投資支持的創(chuàng)業(yè)公司。

除了谷歌的TPU，現(xiàn)在已經(jīng)進行了第三次迭代，微軟還有一個可編程處理器，一個名為Project Brainwave的“FPGA”，客戶可以通過其Azure云服務(wù)租用它。亞馬遜表示，它將在今年晚些時候推出自己的定制芯片，名為“Inferentia”。當LeCun在2月份與ZDNet談話時，他提到Facebook有自己的籌碼。

“當然，像谷歌和Facebook這樣擁有大量產(chǎn)品的公司，對你自己的引擎工作是有道理的，”LeCun說?！斑@方面有內(nèi)部活動。”創(chuàng)業(yè)公司包括Graphcore，一家位于布里斯托爾的五年創(chuàng)業(yè)公司，一個位于倫敦西南一個半小時的港口城市; Cornami，Effinix和Flex Logix，所有這些都是由ZDNet描述的; 和硅谷的洛斯阿爾托斯的Cerebras系統(tǒng)公司仍然處于秘密模式。

許多這些初創(chuàng)公司都有一個共同點，那就是大大增加用于矩陣乘法的計算機芯片區(qū)域的數(shù)量，即MAC單元，以便在每個時鐘周期內(nèi)擠出最多的并行化。Graphcore是所有初創(chuàng)公司中最遠的，是第一個真正向客戶發(fā)送生產(chǎn)芯片的公司。關(guān)于它的第一個芯片最引人注目的事情之一是大量的內(nèi)存。為了紀念世界上第一臺數(shù)字計算機，Colossus 被稱為芯片，面積巨大，面積為806平方毫米。首席技術(shù)官Simon Knowles稱其為“迄今為止最復(fù)雜的處理器芯片”。

Colossus由1,024個被稱為“智能處理單元”的獨立核心組成，每個核心都可以獨立處理矩陣數(shù)學(xué)。眾所周知，每個IPU都有自己的專用內(nèi)存，256千字節(jié)的快速SRAM內(nèi)存?？偣灿?04兆字節(jié)的內(nèi)存是芯片中最常用的內(nèi)存。沒有人知道芯片上存在如此多的內(nèi)存會如何改變構(gòu)建的神經(jīng)網(wǎng)絡(luò)的種類?？赡苁峭ㄟ^訪問越來越多的內(nèi)存，訪問速度非常低，更多的神經(jīng)網(wǎng)絡(luò)將專注于以新的和有趣的方式重用存儲在內(nèi)存中的值。

對于所有這些芯片的努力，問題當然是由于該公司的“CUDA”編程技術(shù)，他們沒有為Nvidia建立多年的軟件。Graphcore和其他人的答案將是雙重的。一個是用于機器學(xué)習(xí)的各種編程框架，例如TensorFlow和Pytorch，提供了一種避免芯片本身細節(jié)并專注于程序結(jié)構(gòu)的方法。所有進入市場的芯片都支持這些框架，他們的創(chuàng)造者認為這些框架與Nvidia的競爭環(huán)境。

第二點是Graphcore和其他人正在構(gòu)建自己的編程技術(shù)。他們可以證明他們的專有軟件既可以轉(zhuǎn)換框架，也可以智能地將并行計算分配給芯片上的眾多MAC單元和向量單元。這就是Graphcore為其“Poplar”軟件所做的論證。Poplar將神經(jīng)網(wǎng)絡(luò)的計算圖分解為“codelets”，并將每個codelet分配到Colossus的不同核心，以優(yōu)化并行處理。

在過去的二十年中，大數(shù)據(jù)和快速并行計算成為常態(tài)，推動了機器學(xué)習(xí)，帶來了深度學(xué)習(xí)。下一波計算機硬件和軟件可能涉及大量內(nèi)存和神經(jīng)網(wǎng)絡(luò)，這些內(nèi)存和神經(jīng)網(wǎng)絡(luò)受到動態(tài)限制，以利用高度并行的芯片架構(gòu)。未來看起來很有趣。