深度学习硬件才是进步的核心。现在让我们忘记2008-2012年深度学习的快速扩展，近年的进步主要取决于硬件：在社交媒体的帮助下，每部手机上的廉价图像传感器都可以收集巨大的数据集，但其只处于次级重要程度。GPU允许加速深层神经网络的训练。在过去2年里，机器学习硬件蓬勃发展，尤其是针对深度神经网络的硬件。
有几家公司正在这个领域努力，包括英伟达、英特尔、Nervana、Movidius、Bitmain、Cambricon、Cerebras、DeePhi、谷歌、Graphcore、Groq、华为、ARM以及Wave Computing等，他们都在开发定制的高性能微型芯片，能够训练和运行深层神经网络。关键是提供最低功耗和最高的可测量性能，同时计算最近有用的神经网络操作，而不是每秒钟的原始理论操作。但是在这个领域很少有人了解硬件是如何真正改变机器学习、神经网络和AI的，很少有人知道微型芯片的重要性以及如何开发它们。
训练或推理：许多公司都在制造能提供神经网络训练的微型芯片。这是为了获得英伟达市场的一部分，它是迄今为止事实上的培训硬件。但这种训练只占深层神经网络应用的很小部分。对于每个训练步骤，实际应用程序中都有上百万个部署。例如，你现在可以在云端使用的一个目标检测神经网络，它曾经被训练过一次，并且在很多图像上都是可以使用的。但是一旦经过训练，它就可以被数以百万计的计算机用于数十亿的数据。
我们在这里想说的是，训练硬件的重要性和你所使用的次数相比是微不足道的，而制作用于训练的芯片组需要额外的硬件和额外的技巧。这将导致相同性能却消耗更高的功率，因此不是当前部署的最佳状态。训练硬件是很重要的，而对推理硬件进行修改却很简单，但它并不像许多人认为的那样重要。
应用程序：能够更快、更低功率地提供培训的硬件在这个领域非常重要，因为它将允许更快地创建和测试新的模型和应用程序。但真正重要的一步是应用所需的硬件，主要是推理硬件。今天有许多应用之所以无法使用，主要是因为硬件而不是软件。例如，我们的手机可以是基于语音的助手，目前是次优的，因为它们不能一直运行。就连我们的家庭助理也离不开电源，除非我们在周围安装更多麦克风或设备，否则就不能跟着我们。但也许最大的应用是将手机屏幕从我们的生活中移除，并将其嵌入到我们的视觉系统中。如果没有超级高效的硬件，所有这些和更多的应用将是不可能的。
赢家和输家：在硬件方面，赢家将是那些能够以最低功耗发挥更高性能、并能将设备迅速投入市场的公司。想象用手机代替SoC，这种情况每年都会发生。现在想象下将神经网络加速器嵌入到内存中。这可能会更快地征服市场，并快速渗透，这就是我们所说的赢家。
资讯是全球知名展览公司百科展览集团旗下的专业媒体平台，自1994年品牌成立以来，一直专注于安全&自动化产业前沿产品、技术及市场趋势的专业媒体传播和品牌服务。从安全管理到产业数字化，资讯拥有首屈一指的国际行业展览会资源以及丰富的媒体经验，提供媒体、活动、展会等整合营销服务。
粤公网安备 44030402000264号
