发帖
雷达卡
我们写了很多有关人工智能及其算法，方法和技术的文章。作为软件开发公司，我们对这样的创新非常感兴趣，可以立即将其付诸实践。但是，人工智能不仅是一个可以创造奇迹的智能程序，而且还可以为您提供帮助。在许多情况下，取决于结合了此程序的物理设备。就像没有身体的机器人一样，要提高生产力，AI软件通常需要外壳。在本文中，我们将探讨AI硬件的真正含义。
随着AI系统变得越来越复杂，它们需要硬件提供更多的计算能力。为了满足他们的需求，专门为AI设计的新硬件被认为可以加速神经网络的训练和性能，并降低功耗。传统的解决方案是减小逻辑门的尺寸以适合更多的晶体管，但是将逻辑门缩小到大约5nm以下会由于量子隧道效应而导致芯片故障，因此现在的挑战是寻找另一种方法。
什么是AI硬件？
首先，什么是真正的AI硬件，它与我们习惯的通用硬件有何不同。本质上，当我们谈论AI硬件时，我们指的是某种类型的AI加速器-一类微处理器或微芯片，旨在加速AI应用的处理，尤其是在机器学习，神经网络和计算机视觉中。它们通常设计为多核，并专注于低精度算术，新颖的数据流体系结构或内存计算能力。
AI加速器背后的想法是，很大一部分AI任务可以大规模并行化。例如，借助通用GPU（GPGPU），图形卡可用于大规模并行计算实现中，其性能可高达CPU的10倍。
AI加速器设计的第二个重点是多核实现。考虑一下可以使用通常用于将像素传递到屏幕的许多简单内核来加速此类任务的GPU。这些内核设计用于AI通用的简单算术函数，其中简单函数的数量如此之多，以至于传统的计算方法都失败了。使用专门设计的专用集成电路（ASIC），效率甚至可以比GPGPU更高，这可以使边缘AI任务受益。
一般而言，专用加速器可提供更高的性能，更多的功能和更高的功率效率，以方便执行给定的任务。
AI硬件最重要的新功能是什么？
随着对处理最新软件的计算资源的需求呈指数级增长，业界正在等待具有新功能的新一代AI芯片：
更高的计算能力和成本效益：下一代AI硬件解决方案将需要更加强大和更具成本效益， 以满足复杂训练 模型的需求；
云计算和边缘计算：必须调整新的硅架构，以通过云中的训练模型支持深度学习，神经网络和计算机视觉算法，并在边缘提供无处不在的AI；
更快的洞察力：为了对企业有用，人工智能解决方案（包括软件和硬件）应该提供对客户行为和偏好的洞察力，从而可以提高销售和客户满意度，升级制造流程和正常运行时间并降低成本；
新材料：正在进行新的研究，以从传统的硅转向光学计算芯片的光学系统开发，该系统比传统的CPU或GPU快得多。
新的体系结构：还有其他类型的体系结构，例如神经形态芯片-试图模仿脑细胞的体系结构。这种互连的“神经元”架构用低功率信号代替了冯·诺依曼的来回瓶颈，该低功率信号直接在神经元之间传递，从而实现了更高效的计算。如果您尝试在边缘或云端训练神经网络，则此类架构将具有巨大优势。
如何选择您的AI硬件提供商
当然，在购买AI硬件之前，企业应该了解不同类型的硬件如何满足不同需求。如今，随着向专用芯片的转变，您不想在不需要的专用硬件上花费大量资金。
选择AI硬件的第一步是确定与客户或供应商互动的改进如何影响业务流程。之后，可以寻找可以支持这些更改的软件解决方案以及相应的硬件。
选择诸如GPU之类的通用芯片，诸如TPU或VPU之类的更专业的解决方案，还是寻找有前途的初创公司提供的更具创新性的设计，取决于企业所需的AI任务。
5大AI硬件解决方案
AI硬件解决方案
尽管您可能认为图形处理单元（GPU）是主要的AI硬件体系结构，但事实并非如此。在过去的几年中，初创公司和成熟的芯片供应商推出了针对AI工作负载进行了优化的令人印象深刻的新一代硬件架构。
当前最流行的AI加速硬件解决方案包括：
Tensor Processing Unit是Google专门针对具有云解决方案的神经网络机器学习开发的AI加速器专用集成电路（ASIC）。
Nervana神经网络处理器-I 1000是Intel生产的离散加速器，专门针对不断增长的复杂性和推理应用规模而设计。
EyeQ是片上系统（SoC）设备系列，由Mobileye设计，以支持复杂的计算密集型视觉处理，即使位于挡风玻璃上也能保持低功耗。
Epiphany V是Adapteva的1
Myriad 2是Movidus的视觉处理器单元（VPU）片上系统（SoC），包括一组可编程处理器以及一组专用和可配置的图像和视觉加速器，以为计算相机供电。
更多有前途的创业公司
人工智能初创企业
除了知名的半导体公司之外，还有许多资金雄厚的初创公司从事专用芯片或尝试开发新架构来构建超级计算机：
Graphcore是一家半导体公司，致力于开发智能处理器（IPU），该处理器在处理器内部拥有完整的机器学习模型。IPU被设计用于复杂的高维模型，因为它强调大规模并行，低精度浮点计算并提供高计算密度。
Wave Computing 正在开发采用破坏性的大规模并行数据流架构的Wave数据流处理单元（DPU）。引入Wave时，其基于DPU的解决方案被称为世界上最快，最节能的深度学习计算机系列。
Luminous Computing 正在单芯片上开发用于AI的超级计算机，它将取代3000个TPU板。该公司的想法是利用光子学解决传统处理器必须克服的所有主要瓶颈。
Mythic 扩展了其IPU版本，超越了传统的数字体系结构，存储器和计算元素-重新思考了一切：晶体管和物理，电路和系统以及软件和AI算法。
Prophesee 与芯片生产商略有不同，因为它专注于创新的计算机视觉传感器和系统，适用于所有人工视觉领域。传感器技术受到生物眼睛的启发，以高效有效的方式获取和处理视觉信息。
尽管AI硬件市场发展迅速，但硬件基础结构的三个关键部分（计算，存储和网络）中，计算已成为焦点，并在过去几年中取得了长足进步。业界正在寻求最快的可用选项，并将其推广为深度学习的解决方案。在不久的将来，存储和网络这两个领域仍有待观察。
关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
