江苏龙网

  1. 首页 > 人文 > >

[格上私募圈]干掉英伟达？( 六 )


2019年4月 ， 英特尔发布第二代至强处理器时 ， 格外强调了“这是第一个内置了人工智能加速处理模块的CPU架构”；2020年中旬 ， 一款基于Xe架构的GPU也将面世 ， 而英特尔已经承认 ， 这个产品是为数据中心量身定做的 。
与英特尔相比 ， 重返数据中心市场没多久的AMD ， 暂时不会对英伟达在这个市场的产品线构成威胁 。
但请记住 ， AMD在本月被曝光细节的代号为“Arcturus”的服务器加速卡RadeonInstinctMI100 ， 是一块针对数据中心和重量级计算任务而设计的GPU ， 旨在对标英伟达的T4 。
[格上私募圈]干掉英伟达？
文章图片
新对手登台：好戏在后头
在英伟达GPU对数据中心不断渗透的过程中 ， 除了老对手的夹击 ， 数据中心经营者格局也在发生显著变化——
AI相关应用的急剧增长 ， 引发了市场对超大型数据中心的强劲需求 。
超级数据中心不同于典型的数据中心 ， 从字面意义来看 ， 他们的体量显然更为庞大 ， 有成千上万台服务器以及数百万台虚拟机 。 因此 ， 他们有足够的能力来处理一个小型数据中心所不能承受的“AI计算之痛” 。
而云服务专业媒体CRN在2019年底给出了两组有趣的调查数字：
首先 ， 以公共云巨头亚马逊AWS、微软Azure、阿里、谷歌、腾讯等科技巨头为首的超大规模数据中心运营商 ， 正在迅速抢占数据中心市场的支出份额 。 目前 ， 数据中心硬件和软件上每3美元的支出 ， 就有1美元来自这类企业 。
其次 ， 自2013年以来 ， 这类超大型数据中心的数量增加了两倍 。 截至2019年第三季度末 ， 共有504个由巨头运营的超大规模数据中心 ， 正在建设的则至少有150个 。
因此 ， 结合超级数据中心的成本支出与增长情况 ， 一方面 ， 服务器以及其他配套硬件还会源源不断被送进机房；
另一方面 ， AI处理任务的持续增长 ， 又会倒逼服务器的配置要得到持续的升级 。
根据人工智能非营利组织Open.AI公布的调查数据 ， 深层神经网络的规模与复杂性 ， 每3.5个月翻一番 。 因此 ， 在被赋予更多更艰巨的计算任务的过程中 ， 这些硬件的复杂程度与处理器性能也被提出了更高的要求 。
举个例子 ， 亚马逊AWS自2015年以后 ， 便陆续在每个地区的数据中心部署了大量T4 。 原因就在于这些GPGPU擅长执行像“对话式AI”、“人工智能推荐”这种高性能计算工作负载 。
而像商汤、旷视这样的人脸识别独角兽企业 ， 需要在建立的超算中心里部署超万块GPU 。 据商汤内部工程师透露 ， 他们每天在算法平台上进行数据训练迭代的单次成本 ， 就高达数十万元 。
因此 ， 我们可想而知 ， 亚马逊、微软、阿里、谷歌等Top级云服务商的云计算数据中心 ， 为了支持自己与客户的深度学习训练任务 ， 所需要的GPU量级到底有多大 。
显然 ， 这个变化对所有数据中心的建设参与者 ， 包括创业公司在内 ， 都是一个绝对不能放手的巨大利益池 。
特别是云数据中心经营商 ， 高昂的训练时间与资金成本让他们也甘愿下海一搏 。
[格上私募圈]干掉英伟达？
文章图片
亚马逊的数据中心
在一场不久前清华闭门交流会上 ， 虎嗅有幸听到了阿里达摩院资深算法专家杨永霞对云上如何训练若干种卷积神经网络模型的深度解析 ， 而她在不经意间 ， 也流露出因硬件跟不上计算要求而产生的焦虑：
“一点几PB的数据量 ， 用8卡TeslaV100计算就要超过20个小时 ， 而我们其实有几百PB的数据 。 一块V100就几万块 ， 真的是用不起啊 。 ”
在这样的需求形势下 ， 谷歌推出自称性能可达同等级GPU产品15~30倍的AI专有芯片TPU；亚马逊与阿里陆续推出旨在以极低成本交付高吞吐量的云端AI推理芯片；微软为了能够追上这股“造芯新时尚” ， 急忙在2019年11月宣布 ， 将在云上释放英国AI芯片创业公司Graphcore（这家企业的“成名作”是一块被称为IPU的“智能处理单元”IPU及其配套软件Poplar ， 专门为人工智能应用程序所需的并行计算而设计）提供的复杂图像模型处理能力……


推荐阅读


上一篇：快科技：HBM2E内存，台积电5nm打造1700平方毫米巨型中介层：集成96GB

下一篇：有声印象：2020年上半年哈曼卡顿五款同价位圆筒状音箱测评