打印本文 
关闭窗口 英国《自然》杂志网站在近日的报道中指出，工程师正竞相开发包括图形处理单元（GPU）等在内的尖端芯片，以满足未来AI的计算需求。
GPU加快机器学习运算速度
GPU是英伟达公司标志性的计算机芯片。传统中央处理单元（CPU）按顺序处理指令，而GPU可并行处理更多指令，因此可分布式训练程序，从而大大加快机器学习的运算速度。
2022年，英伟达公司Hopper超级芯片在MLPerf上击败了包括图像分类和语音识别在内所有类别的竞争对手。MLPerf是国际上最权威、最有影响力的AI基准测试之一，被誉为“AI界奥运会”。
今年3月，英伟达正式展示了性能更优异的新一代AI芯片Blackwell。它拥有2080亿个晶体管，是英伟达首个采用多芯片封装设计的GPU。随着技术发展，GPU变得越来越大，如果不能更大，就把更多GPU组合在一起，变成更大的虚拟GPU。Blackwell就是在同一个芯片上集成了两个GPU，新架构将通过芯片与芯片间的连接技术，一步步构建出更大型AI超算集群。
如果要训练一个拥有1.8万亿个参数的GPT模型，需要8000块Hopper芯片，耗能15兆瓦，历时3个月。如果使用Blackwell芯片，只需2000块，耗能4兆瓦，就能在同样的时间内完成任务。
AI芯片市场持续增长，英伟达目前供应了其中80%以上的产品。2023年，该公司售出55万块Hopper芯片。近日，该公司市值首次突破3万亿美元，超越苹果，仅次于微软，成为全球市值第二高的公司。
多种芯片竞相涌现
尽管GPU一直是AI革命的核心，但它们并非是唯一“主角”。随着AI应用的激增，AI芯片的种类也在激增，现场可编程门阵列（FPGA）可谓“一枝独秀”。
FPGA是一种在计算和数字电路领域广泛应用的硬件设备。它以独特的可编程性和灵活性，成为嵌入式系统、高性能计算处理等多种应用的理想选择。
这就像搭建乐高积木，工程师可将FPGA电路一个接一个地构建到他们能想象的任何设计中，无论是洗衣机传感器还是用于引导自动驾驶汽车的AI。不过，与拥有不可调节电路的AI芯片（如GPU）相比，FPGA运行速度相对更慢、效率更低。但FPGA对处理某些任务（如粒子对撞机产生的数据）很有用。英伟达加速计算集团产品营销总监戴维·萨尔瓦托指出，FPGA的易编程性也对原型设计很有帮助。
张量处理单元（TPU）则是谷歌公司专为神经网络机器学习而定制的芯片，旨在执行矩阵计算和张量操作。TPU作为谷歌深度学习框架TensorFlow的加速器于2016年首次推出，其设计目标是提供低功耗、高效能的矩阵运算，以满足大规模机器学习和神经网络训练的需求。TPU在性能与能效之间取得了良好平衡。它们的功耗相对较低，这对于大规模数据中心和在移动设备上的应用至关重要。
此外，元宇宙平台也在独立开发自己的芯片。谷歌、英特尔和高通成立了UXL基金会，用以开发一套支持多种AI加速器芯片的软件和工具，以此对抗英伟达的GPU。
当然，GPU等AI芯片的兴起并不意味着传统CPU的终结，两者互相取长补短已成大势所趋。例如，有一个版本的Blackwell芯片就让GPU与CPU携手；世界上最强大的超级计算机之一、位于美国田纳西州橡树岭国家实验室的“前沿”也依赖CPU和GPU的结合，来执行高性能计算。
考虑到过去十年芯片领域翻天覆地的变化，工程师们可能很难预测芯片的未来。将来可能会研制出使用光而非电子的光学芯片，或量子计算芯片，而进一步提升芯片性能，将加速AI在科学领域的应用。（记者 刘 霞 ）
打印本文 关闭窗口