導語：GPU不僅能夠完善人工智能處理識別工作，將被用在手機發展線路
谷歌將其自己的人工智能技術TensorFlow通過開源的方式貢獻給了全世界，這是谷歌對與互聯網所做的最大貢獻之一。通過這個做法，谷歌向世界展示了當前的計算機軟件正在發生什么樣的變化。
最近一段時間，許多互聯網巨頭都在經常性的將自己的軟件技術分享給全世界。開源加速了科技的發展速度。在將自己的人工智能技術TensorFlow進行了開源之后，谷歌將會為出自己之外的其他研究機器學習的公司和機構提供幫助。而且從很多方面來講，這些研究成功最終都會回到谷歌這里。
但是除了軟件之外，谷歌的這個人工智能技術還反映出了計算機硬件世界的發展形勢。在谷歌內部，在解決圖像識別、語音識別和語言翻譯等軟件服務的問題時，TensorFlow所依靠的是搭配了專門用來針對游戲來渲染圖像的GPU的機器，或是圖像處理單元和芯片。而且谷歌對于芯片的依賴程度，其實要遠遠高于外界普遍的認知。
Jeff Dean是一位來自谷歌的工程師，他負責管理該公司的人工智能工作。Dean表示，谷歌不僅僅是在使用GPU來訓練他們的人工智能服務，而且還要使用這些硬件來運行這些服務——將其投送到消費者手中的智能手機之上。
在當今的在線服務世界中，人工智能正在發揮著越來越重要的作用——而且非傳統的芯片也在人工智能技術的發展中發或者更加重要的作用。
這意味著一個巨大的變化。今天，在Facebook大規模的計算機數據中心內部，這家公司正在使用GPU來完善他們的面部識別服務，但是在將這些服務投送到用戶那里的時候，他們所依靠的卻是傳統的計算機處理器，也就是CPU。這種做法目前正是行業內部常見的解決方案，就像Facebook CTO Mike Schroepfer最近在面對記者時所說的那樣。但是谷歌希望能夠找到一種效率更高的解決方案，他們不僅希望使用GPU來完善人工智能，更希望使用GPU將軟件服務投送到用戶那里。谷歌并不是全世界唯一一家希望做出這種改變的公司。中國的搜索巨頭百度也在搭建新的人工智能產品，其工作方式與谷歌的產品基本相同。
這樣的改變的對于顯示芯片企業nVidia來說是一個好消息，這家公司在GPU硬件研發方面十分在行。而對于另一家芯片企業，全世界最大的芯片制造商英特爾來說，這種改變暴露了該公司最大的短板，因為他們并不生產GPU。然而，還有一些公司和研究人員正在開發另一種芯片：FPGA（現場可編程門陣列），這種設備可以在人工智能領域代替GPU的作用，而英特爾不久之前就宣布他們收購了一家FPGA芯片開發企業，相比這正是英特爾應對這種改變的措施。
無論如何，人工智能都在當前世界的在線服務領域發揮著越來越重要的作用——而非傳統芯片的架構也在進一步影響著人工智能的發展。今天，驅動在線服務的，也許依然是科技公司內部的計算機數據中心。但是在未來數年之后，也許驅動在線服務的，將會是移動設備，也就是我們現在使用這些服務的終端。
高速發展的深度學習
在谷歌、Facebook、微軟和百度這些公司內部，GPU的作用還不僅如此，它還在所謂的“深度學習”領域發揮著巨大的作用，因為GPU可以平行處理大量瑣碎信息。深度學習所依賴的是神經系統網絡——與人類大腦神經高度相似的網絡——而這種網絡出現的目的，就是要在高速的狀態下分析海量的數據。例如，如果你想要教會這種網絡如何識別出貓的模樣，你就要給它提供無數多的貓的圖片。而這種工作，正是GPU芯片所擅長的事情。而且相比于CPU，GPU的另一大優勢，就是它對能源的需求遠遠低于CPU。
然而目前為止，當這些公司推出深度學習服務的時候——例如推出一個能夠識別貓圖像的智能手機應用——驅動這個應用的，依然是數據中心系統中的CPU。 Bryan Catanzaro是百度人工智能集團負責高性能計算系統的工程師，他表示當前深度學習應用依然依賴CPU，是因為GPU只有在收到大量數據的情況下才能發揮效用。而驅動智能手機應用的數據中心服務器軟件并不會以這種方式向芯片輸入數據。
一般情況下，當手機應用的請求到達的時候，服務器會一次處理一個請求。Catanzaro解釋說，如果當請求到達數據中心的時候，你使用GPU來拆分處理每一條請求，那么GPU的運行效率就會收到極大的影響。GPU甚至會無法正常運行。
如果你能夠在執行階段不斷的將數據發送給GPU，那么它將會發揮比CPU高的多的效率。在開發新人工智能平臺的同時，百度正在進行這方面的嘗試。基本上鎖，當請求涌入數據中心的時候，它將會把多條請求進行打包處理，當達到一定的體積之后，再將其一同發送給GPU。Catanzaro表示：“我們會對這些請求進行收集和打包，這樣就無需讓GPU一次只處理一條請求，而是讓它同時處理多個請求。這樣做能夠更好的發揮GPU的效率。”
我們現在還不清楚谷歌將如何處理這個問題。但是該公司表示，已經有相關的案例顯示TensorFlow能夠在執行階段運行在GPU上。該公司發言人Jason Freidenfelds透露：“對于不同的問題，我們有時會用GPU訓練深度學習，有時也會用它來處理識別工作。”
也許這看起來是一件微不足道的事情，但是其實它對技術發展來說是一件非常重要的事情。這個驅動人工智能程序的系統會被用在越來越多的計算設備上。而這些系統正在我們的日常生活中發揮著重要的作用。谷歌如今正在大量使用深度學習技術，不僅僅是識別照片、語音以及翻譯文字，而且他們還在使用這個技術來優化搜索結果。而且其他一些公司還在將深度學習技術與廣告投遞、計算機安全進行整合，甚至還有公司在使用深度學習技術讓計算機來理解人類的正常語義。換句話說，谷歌和百度這些企業將會需要大量的GPU。
無處不在的人工智能
與此同時，TensorFlow還在將一些人工智能技術徹底推到數據中心之外，讓其進入到我們每天都在使用的智能手機之中。
一般來說，當你使用手機上的深度學習應用的時候，它的運行必須要依靠網絡，因為它需要將信息發送回數據中心之內。所有人工智能處理都是在數據中心內部完成的。例如，當你對著安卓手機說出一個命令的時候，它必須將你所說的話發到谷歌的數據中心之內。在那里，由大量CPU或GPU組成的龐大數據網絡將會處理你的指令并作出相應。
但是谷歌在開放了他們的人工智能引擎之后，在某些情況下，這些數據將會在你的手機本地完成處理，而無需再發回到谷歌的數據中心之內。Dean表示：“你可以將一些模型描述添加到手機本地，并且在本地完成運行過程。而且你不需要對這段描述或是代碼作出任何改變。”
這其實就是谷歌開發谷歌翻譯這個應用所使用的方式。谷歌訓練這個應用來識別用戶語音，然后在其數據中心內部將這段語音翻譯成另一種語言。但是在完成訓練之后，這個應用可以自己運行——無需依托互聯網連接。就是因為如此，你才可以用手機的攝像頭拍攝一個法語單詞，讓后將其即時翻譯成英語。
但是這種工作其實難度很高。畢竟，手機的數據處理能力著實有限。但是隨著時間的推移，越來越多的任務將會在手機本地完成。深度學習軟件也將會不斷進步，移動設備硬件的計算能力也會不斷增長。深度學習初創企業Skymind公司的創始人Chris Nicholson就表示：“深度學習的未來發展平臺，在于小型移動設備。”
例如，GPU已經找到了它在手機上的發展路線，硬件制造商一直都在努力推動GPU速度和使用效率的發展。同時，有消息稱IBM正在開發一個名叫Neuromorphic的芯片，這個芯片是專門針對人工智能任務所開發的。據測試過這個芯片的人表示，這個芯片非常適合移動設備。
今天，谷歌的AI引擎運行時所依托的是服務器的CPU和GPU，智能手機的芯片也是這樣。但是谷歌工程師Rajat Monga表示，該公司在開發TensorFlow的時候，刻意的希望工程師能夠將其與其他硬件平臺進行整合。如今既然這個工具已經開源，這意味著任何人都可以使用它。就像Dean對TensorFlow的描述那樣：“它將會被用在更多的硬件上。”
是的，硬件世界當前也在發生著改變——而且其改變速度與軟件的改變速度旗鼓相當。
京公網安備 11010502049343號