 Google и Facebook открыли доступ к дизайну для аппаратного вычислительного оборудования, которое питает логику искусственного интеллекта, используемого в их продуктах. Эти интеллектуальные алгоритмы питают поисковик Google, цифровой помощник Messenger от Facebook, - и, конечно же, целевую рекламу, используемую обоими фирмами.
Компьютерные серверы Facebook, под кодовым названием Big Sur, упакованы графическими процессорами (GPU) - видеокартами, используемых в персональных компьютерах, чтобы играть в новейшие видеоигры с 3D-графикой. Так же, как и аппаратное обеспечение, которое питает ИИ TensorFlow от Google. Так почему же искусственный интеллект построен из графических процессоров вместо обычных компьютерных процессоров?
Первоначально чипы были разработаны в качестве сопроцессоров, которые действовали наряду с основным центральным процессором компьютера (CPU), с тем, чтобы разгрузить требования к вычислительным графическим задачам. Отображение 3D-графики сцены известно, как параллельная задача. При отсутствии связи или взаимозависимости между одной областью изображения и другой, работа может быть легко разбита на отдельные задачи, которые могут быть обработаны одновременно параллельным образом - выполняя задачу гораздо быстрее.
Именно этот параллелизм побудил производителей графических процессоров дать их аппаратным средствам радикально иное назначение. Путем оптимизации, графические процессоры могут достичь максимальной вычислительной производительности только на массивно-параллельных задачах, и могут быть превращены в специализированные процессоры, которые могут работать с любым распараллеленным кодом, а не только с графическими задачами. Центральные процессоры, с другой стороны оптимизированы, чтобы быть быстрее при обработке однопоточных (непараллельных) задач, потому что большинство программ общего назначения по-прежнему является однопоточным.
В отличие от процессоров с одним, двумя, четырьмя или восемью процессорными ядрами, современные графические процессоры имеют тысячи ядер: Процессор NVIDIA Tesla М40, используемый в серверах Facebook, имеет 3072 так называемых ядер CUDA, например. Тем не менее, этот массивный параллелизм имеет свою цену: программное обеспечение должно быть написано специально для того, чтобы воспользоваться этим, и графические процессоры трудно запрограммировать.
Одна из причин, по которой графические процессоры появились в суперкомпьютерах, заключается в том, что некоторые из самых требовательных вычислительных задач хорошо подходят для параллельного выполнения.
Ярким примером является глубокое обучение, одно из передовых разработок в ИИ. Концепция нейронной сети, в основе которой лежит этот мощный подход, позволяет строить гораздо большие и глубокие нейронные сети - и этот подход обеспечивает значительно улучшенные результаты. Эти нейронные сети питаются программное обеспечение распознавания речи, перевода языков и семантические средства поиска, которые Google, Facebook и многие приложения используют сегодня.
Обучение нейронной сети так работает так же, как и установление связей между нейронами и укрепление этих связей в мозге. С вычислительной точки зрения этот процесс обучения может быть распараллелен, поэтому он может быть ускорен с помощью аппаратного обеспечения графических процессоров. Это машинное обучение требует примеры для распознания, и оно также легко поддается ускорению с помощью параллельной обработки., Обучение нейронной сети может быть достигнуто во много раз быстрее на графических процессорах, чем на центральных процессорах системы.
На протяжении десятилетий мы привыкли к версии закона Мура, которая гласит, что вычислительные мощности компьютера ориентировочно будут удваиваться каждые два года. Это, главным образом, было достигнуто за счет миниатюризации, что приводит к уменьшению выработки тепла, что позволяет процессорам работать быстрее. Тем не менее, эта тенденция подходит к концу, так как полупроводники были уменьшены до теоретических пределов в кремнии. Теперь, единственным надежным путем к более высокой скорости является увеличение параллелизма, как показано с ростом многоядерных процессоров в течение последних десяти лет. Графические процессоры, однако, имеют фору.
Кроме того, графические процессоры также используются для моделирования жидкости и аэродинамики, физики двигателей и моделирования мозга. Некоторые из самых мощных компьютеров в мире, таких как суперкомпьютер Titan, построены на графических ускорителях Nvidia. Тем не менее, не ко всем проблемам можно легко проводить параллели, и программирование для этих сред является трудным.
|
