Конец эпохи Nvidia?

Graphcore разработала чипы на базе вычислительных графов.
Как будут расширяться границы закона Мура с появлением IPU? Какое аппаратное и программное обеспечение нас ждёт? Одно можно сказать наверняка: Nvidia стоит бояться и переживать.
Если везением можно назвать умение быть в нужном месте в нужное время, можно сказать, что мы с вами везунчики. Graphcore — популярнейшее название в мире чипов ИИ, уже давно появилось на радарах крупных технических изданий.
Graphcore, если вы ещё не знали, только что получила очередные 200 миллионов долларов финансирования от BMW, Microsoft и ведущих финансовых инвесторов на масштабирование самого продвинутого в мире чипа ИИ. Теперь Graphcore официально «единорог» с оценкой в 1,7 миллиарда долларов. Среди партнёров компании — Dell, Bosch и Samsung. Нетрудно догадаться, что назревает что-то очень большое. Но давайте по порядку.
Graphcore базируется в Бристоле, Великобритания, и была основана ветеранами полупроводниковой промышленности Найджелом Туном, CEO, и Саймоном Ноулзом, CTO. Ранее Тун и Ноулз работали с такими компаниями, как Altera, Element14 и Icera, которые достигли общей стоимости в миллиарды долларов. Тун уверен, что они могут и смогут перевернуть полупроводниковую отрасль сильнее, чем когда-либо прежде, сломав практическую монополию Nvidia.
Nvidia — главный игрок в области ИИ, благодаря её чипам GPU, и всё это развивается. В этой области есть и другие игроки, но Тун уверен, что только у Nvidia есть чёткая, последовательная стратегия и эффективный продукт на рынке. Есть ещё Google, который инвестирует в чипы ИИ, но Toon утверждает, что у Graphcore есть ведущее преимущество и фантастическая возможность построить империю с чипами IPU (Intelligent Processor Unit). В качестве примера он приводит успех мобильных процессоров ARM.
Чтобы понять, в чём причина его уверенности, уверенности его партнёров и инвесторов, нам нужно понять, что именно делает Graphcore и что отличает её от конкурентов. Машинное обучение и искусственный интеллект — самые быстро развивающиеся и переломные технологии. Машинное обучение, которое лежит в основе искусственного интеллекта в наши дни, очень эффективно в нахождении паттернов и закономерностей, и работает на основе комбинации соответствующих алгоритмов (моделей) и данных (обучающих наборов).
Некоторые люди называют искусственный интеллект перемножением матриц. Хотя такие крайние заявления сомнительны, факт остается фактом: большая часть машинного обучения связана с эффективными операциями с данными в масштабе. Именно поэтому GPU так хорошо справляются с нагрузками машинного обучения. Их архитектура изначально разрабатывалась для обработки графики, но показала себя крайне эффективно и в операциях с данными.
Что сделала Graphcore? Инвестировала в совершенно новую архитектуру. Именно поэтому Тун считает, что у неё есть преимущество над другими вариантами. Тун отмечает, что в конкурентной борьбе эффективно строятся специализированные чипы (ASIC), которые хорошо справляются с определёнными математическими операциями с данными, оптимизированными под определённые задачи. Но для завтрашних нагрузок это уже не подойдёт.
Тун считает, мы достигли наименьшего напряжения, которое можем использовать в таких чипах. Поэтому, мы можем добавить больше транзисторов, но заставить работать их намного быстрее не сможем.
«Ваш ноутбук работает на 2 ГГц, у него просто больше ядер. Но нам нужны тысячи ядер для работы с машинным обучением. Нам нужен иной архитектурный процесс для конструирования чипов другими способами. Старые методы не сработают».
Тун говорит, что IPU — это универсальный процессор машинного интеллекта, специально разработанный для машинного интеллекта.
«Одно из преимуществ нашей архитектуры — то, что она подходит для многих современных подходов к машинному обучению, таких как CNN, но при это высоко оптимизирована для других подходов к машинному обучению, вроде обучения с подкреплением и прочих. Архитектура IPU позволяет нам превосходить графические процессоры — она сочетает в себе массивный параллелизм с более чем 1000 независимых процессорных ядер на IPU и встроенную память, так что всю модель можно разместить на чипе».
Но как IPU можно сравнить с GPU от Nvidia на практике? Недавно были выпущены некоторые тесты машинного обучения, в которых Nvidia вроде как побеждала. Но как отмечает Тун, структуры данных для машинного обучения отличаются, поскольку они более многомерны и комплексны. Следовательно, с ними нужно работать иначе. GPU очень мощные, но не обязательно эффективные в работе с этими структурами данных. Можно создавать и в 10, и в 100 раз более быстрые модели.
Однако скорость — это ещё не все, что нужно для успеха в этой игре. Nvidia, к примеру, преуспела не только потому что её GPU мощные. Большая часть её успеха заключается в программном обеспечении. Библиотеки, которые позволили разработчикам абстрагироваться от аппаратных особенностей и сосредоточиться на оптимизации своих алгоритмов машинного обучения, стали ключевым элементом успеха компании.
Конечно, вам уже стало интересно, что же это за графы. Какого рода структуры, модели и формализм использует Graphcore для представления и работы с этими графами? Можно ли назвать их графами знаний? Хорошие новости в том, что ждать осталось недолго.
«Мы называем их просто вычислительными графами. Все модели машинного обучения лучше всего выражать в виде графов — так работает и TensorFlow. Просто наши графы на несколько порядков сложнее, поскольку у нас есть параллелизм на несколько порядков для работы с графами на наших чипах», — говорит Тун.
Тун обещает, что со временем Graphcore предоставит разработчикам IPU полный доступ с открытым исходным кодом к своим оптимизированным библиотекам графов, чтобы они могли видеть, как Graphcore создаёт приложения.
Graphcore уже поставляет производственное оборудование первым клиентам в режиме раннего доступа. Сейчас Graphcore продаёт PCIe-платы, которые готовы к подключению к серверным платформам, которые называются C2 IPU-Processor. Каждая содержит два процессора IPU. Также компания работает с Dell над привлечением корпоративных клиентов и облачных клиентов.
Продукт будет широко доступен в следующем году. Первоначальный фокус будет на дата-центрах, облачных решениях и определённом числе периферийных приложений, требующих больших вычислительных ресурсов, вроде автономных автомобилей. На потребительские устройства типа мобильных телефонов Graphcore пока не ориентируется.
Источник: nanonewsnet.ru Больше познавательной информации можно узнать на нашем сайте: technosphera.ru