易坊好文馆

  1. 首页 > 生活百科 >

AI 西方唯一AI芯片独角兽 单挑英伟达( 四 )


重重考验
但是 ， 就像GPU的大热与计算机视觉领域的主流算法模型ResNets的广泛应用的相辅相成 ， 决定Graphcore成功还是失败的关键 ， 也在于“特定” 。
就像Graphcore销售副总裁兼中国区总经理在接受虎嗅采访时指出：
一方面 ， 他们的产品的确更适用于训练市场中数据较为稀疏 ， 精度要求较高的深度学习任务 ， 譬如与自然语言处理相关的推荐任务 ， 这也是阿里云与百度愿意与之达成合作的重要原因之一 。
另一方面 ， 计算机视觉领域刚流行起来的新模型 ， 是IPU在努力“攻克”的方向 ， 而之前很多模型 ， 还是GPU最应手 。
【AI|西方唯一AI芯片独角兽 单挑英伟达】此外 ， GPU创造的强大软件生态Cuda ， 比硬件更不容易被破坏（关于Cuda ， 也在《干掉英伟达》这篇文章里有详细解释） ， 而这层围墙恰恰是开辟产业影响力的关键 。
毫无疑问 ， Graphocore在这方面根基尚浅 ， 因此除了常规操作 ， 他们选择基于编程软件Poplar ， 做一些相对大胆的尝试 。
譬如 ， 他们在自己的开发者社区开放计算图库PopLibs的源代码 ， 让开发者去尝试描述一种新的卷积网络层 。这一层对标的是GPU的cnDNN和cuBLAS ， 而英伟达并没有开放它们 。
为了向开源社区致敬 ， Poplar v1.4增加了对 PyTorch 的全面支持 。这一聪明的举动将有助于简化人们的接受程度 ， 有助于吸引更广泛的社区参与 。
此外 ， 为了能够尽快打开市场 ， Graphcore并没有走“打比赛来提升产业知名度”的实验室销售路线 ， 而是将IPU直接推入了产业界 ， 去逐个敲开服务器集成商、云厂商等客户的大门 。
“AI这个行业本身 ， 不管是算法的迭代还是模型的变化 ， 其实都是非常快的 。有云厂商曾抱怨 ， 说某家处理器跑某一种模型性能非常好 ， 但模型稍微改一改 ， 跑出来的性能就大跌眼镜 。”
Graphcore中国区技术应用总负责人罗旭认为 ， 尽管市场在大量鼓吹ASIC（专用芯片）和FPGA（可编程芯片） ， 但通用性 ， 仍然是产业界考虑芯片的首要条件 ， 尤其是互联网厂商 。
“互联网厂商应用非常多 ， 每个应用都会有不同的适用模型 。如果一个处理器只能适配一个模型 ， 那客户是无法引入这个处理器做大量推广的 。”
而“编程环境是否友好” ， 也就是英伟达Cuda贡献的那种力量 ， 是第二个关键的采购指标 。
“现在客户一般都是用AI框架来设计模型 ， 比如谷歌的TensorFlow、Facebook的PyTorch等等 。他们会考虑这枚处理器的上层SDK是否能够轻松接入到框架里 ， 以及编程模型是否好用 。
客户可能会有一些算子级别的优化 ， 需要做一些自定义算子 。自定义算子开发起来是否方便其实也是取决于编程友好性如何 。”
如果说客户还在乎什么 ， 当然是产品性能 。
无论是云厂商、服务器厂商还是通过云服务购买算力的开发者 ， 都会测试多种模型跑在芯片上的性能表现 。
“如果他们主要看重NLP（自然语言处理）模型 ， 那在性能测试时就可能重点测一下BERT 。如果他们看重计算机视觉 ， 那在性能测试时就可能重点测试一些计算机视觉的经典模型 。
总的来说 ， 客户需要从以上几个维度综合评估下来 ， 才能决定到底要不要使用这个处理器 ， 或者说 ， 必须确定这个处理器能给他们带来多大的收益 。”
而在这个方面 ， 无论是英伟达 ， 还是Graphcore的IPU或其他厂商的专用芯片 ， 都是有自己最擅长的模型 ， 只能说是“各有千秋” ， 绝对不能以偏概全 。
赢家通吃 ， 将不复存在
从Graphcore给出的产品基准测试指标与宣传重点来看 ， 这家公司正在拿着锤子找钉子 ， 努力扩展IPU擅长的应用场景 ， 以便让IPU架构能够发挥最大效率 。
换句话说 ， Graphcore或许会分英伟达的一杯羹 ， 但永远不可能取代它们 。
正如“特定”这个词的含义所限 ， 人工智能训练与推理芯片市场 ， 因模型的多样性与复杂性 ， 一定能够容纳包括英伟达、Graphcore在内更多的芯片企业 。

推荐阅读


上一篇：视点·观察 职场女性成为代孕黑市潜在客户群 不想因生育影响工作

下一篇：the 美国法院拒绝下令强迫亚马逊重新上线Parler