当前实现完整人工智能计算的方式为CPU+AI芯片的不同架构芯片协同计算,即异构计算,AI芯片也被称为AI加速器或计算卡。异构计算指的是采用不同架构的处理器协同计算。人工智能芯片(CPU、ASIC、FPGA等)主要用来处理人工智能应用中的大量计算任务(其大规模并行计算能力优于CPU),其他非计算任务仍由CPU负责,因此AI芯片也被称为AI加速器或计算卡。
CPU+AI芯片的异构计算是AI计算的主要架构
数据来源:公开资料整理
目前主要有3类芯片作为AI异构计算的加速卡(AI芯片):GPU(图形处理器)、FPGA(现场可编程逻辑阵列)、ASIC(专用集成电路)。CPU与这三类芯片在AI任务中的特性对比见下表。
AI异构计算中各芯片的特性对比
- | 并行 计算 能力 | 深度学 习计算 速度 | 能耗 | 效率 | 优点 | 代表企业 | 特点 |
CPU | 低 | 最慢 | 最高 | 最低 | 在计算和逻辑 运算方面全能 | Intel、AMD | 通用性强,AI任务除了计算还有其他任务,因此CPU仍然不可或缺 |
GPU | 高 | 快 | 较高 | 高 | 在计算方面通 用性强 | NVIDIA、 AMD | 通用性强,软件开发环境好(NVIDIA的功劳),但功耗高于FPGA和ASIC |
FPGA | 高 | 快 | 低 | 高 | 硬件可编程,复 用性高 | Xilinx, Altera(已被 Intel收购) | 由于其硬件可重新编程,对中小企业来说开发成本低,但软件开发环境弱于GPU |
ASIC | 高 | 最快 | 最低 | 高 | 电路根据需求 专门定制 | Google | 对于中小企业来说开发成本高,Google的TPU不对外出售,其他软件开发环境尚不完善 |
数据来源:公开资料整理
2000年以后,科学计算、数值分析、金融分析等高性能运算(HPC)需求催生了CPU+GPU的异构计算。高性能计算(HPC,HighPerformanceComputing)包括科学计算、数值分析、金融分析、密码破解等,在2000年以后较快发展。HPC中需要的计算远多于其他逻辑指令,而GPU比CPU更加擅长大规模浮点计算,因此GPU被用来代替CPU进行通用计算。
GPU在高性能运算方面的性能远超CPU
数据来源:公开资料整理
数据+计算力+算法逐步成熟,AI再次兴起,CPU+GPU/FPGA/ASIC的异构计算快速发展。
英特尔预计,2016年到2020专注于AI的计算力或将会增加12倍。异构计算作为AI计算的主要方式,发展空间大。
GA1、GN4、GN5、GN5i都是阿里云中的实例(可以理解为具体的云计算产品),用户可购买该实例(租赁该产品)用于深度学习和科学计算。GA1是阿里云采用AMDGPU的弹性计算GPU可视化实例(ECSGPU),于2017年初推出,更多侧重于图像处理和高性能计算(HPC)。GN4、GN5、GN5i采用NVIDIAGPU,适用于AI计算和科学计算,其中GN4、GN5均为上半年推出,GN5i为本次最新推出。
下半年,阿里云还计划推出搭载目前性能最强V100(Volta架构,NVIDIAGPU的最新架构)的高性能GPU异构实例。
GN4、GN5异构计算平台参数和特点
数据来源:公开资料整理
GN4、GN5、GN5i异构计算平台采用的GPU参数和特点
数据来源:公开资料整理
2014年已有应用AWSGPU进行神经网络的尝试,阿里云的GPU实例GA1为2017年2月推出,随后陆续发布了GN4、GN5等实例,发展迅速,预计将助力中国企业和院校在AI领域的研发和应用。
相关报告:智研咨询发布的《2017-2023年中国人工智能市场分析预测及市场前景预测报告》
文章转载、引用说明:
智研咨询推崇信息资源共享,欢迎各大媒体和行研机构转载引用。但请遵守如下规则:
1.可全文转载,但不得恶意镜像。转载需注明来源(智研咨询)。
2.转载文章内容时不得进行删减或修改。图表和数据可以引用,但不能去除水印和数据来源。
如有违反以上规则,我们将保留追究法律责任的权力。
版权提示:
智研咨询倡导尊重与保护知识产权,对有明确来源的内容注明出处。如发现本站文章存在版权、稿酬或其它问题,烦请联系我们,我们将及时与您沟通处理。联系方式:gaojian@chyxx.com、010-60343812。