江苏龙网

  1. 首页 > 资讯 > 科技 > >

AI用“AI核弹”饱和攻击的英伟达，如何赢下AI计算新赛场？( 三 )


在All IN AI的英特尔那里 ， 他们是如何来构建这一AI计算策略的？
英特尔最先补足的就是AI硬件平台版图 ， 而收购则是最快的方案 。 2015年 ， 英特尔先是天价收购了FPGA的制造商Altera ， 一年后又收购了Nervana ， 为全新一代AI加速器芯片组奠定了基础 。
去年12月 ， 英特尔再次花掉20亿美元高价收购了成立仅3年的以色列数据中心AI芯片制造商Habana Labs 。 与英伟达收购Mellanox一样异曲同工 ， 通过收购Habana ， 英特尔也将补足数据中心场景下的通信和AI两种能力 。
受到这一收购的激励 ， 英特尔宣布停止去年8月才发布的用于AI训练的Nervana NNP-T ， 转而专注于推进Habana Labs的Gaudi和Goya处理器产品 ， 以对标英伟达的tesla V100和推理芯片T4 。 此外 ， 一款基于Xe架构的GPU也将在今年中旬面世 。
在软件层面 ， 为应对异构计算带来的挑战 ， 英伟达在去年11月发布了OneAPI公开发行版 。 不管是CPU、GPU、FPGA还是加速器 ， OneAPI都尝试最大程度来简化和统一这些跨SVMS架构的创新 ， 以释放硬件性能 。
尽管英特尔以“全力以赴”的姿态投入到AI计算当中 ， 通过四处出手收编了涵盖GPU、FPGA 到ASIC的AI芯片产品阵列 ， 并建立了广泛适用的软硬件生态 。 但是在挑战英伟达的通用GPU产品上面 ， 仍然还有一定距离 。
AI用“AI核弹”饱和攻击的英伟达，如何赢下AI计算新赛场？
图片

首先 ， 英特尔通过CPU适用于AI计算的策略一直未能得到主要云计算厂商的青睐 ， 大多数厂商仍然乐于选择CPU+GPU或FPGA的方案来部署其AI训练的硬件方案 。 而GPU仍然是英伟达的主场 ， V100和T4仍然是当下数据中心主流的通用GPU和推理加速器 。
其次 ， 英特尔在AI芯片的布局才刚刚发力 ， 受到Nervana AI芯片一再延迟的影响 ， Habana产品才刚刚开始进行整合 ， 这将使得英特尔短期内难以挑战英伟达的AI服务器芯片的市场份额 。
而现在英伟达最新的安培架构的A100 GPU以及AI系统集群的发布 ， 更是给英特尔以及市场其他竞争对手一场饱和攻击 。 尽管说 ， 长期来看云计算厂商和AI服务器芯片厂商开发的定制芯片会侵蚀一部分GPU的份额 ， 而如今都要先跨越英伟达A100所搭起的AI计算的坚壁与高墙 。
AI计算升级 ， 带来数据中心全新布局方案
我们先看数据中心本身的变化 。 受到AI相关应用需求和场景的爆发式增长 ， 中小型数据中心无法承受如此巨量的“AI计算之痛” ， 市场对超大型数据中心的需求越发强烈 。
第一 ， 以亚马逊AWS、微软Azure、阿里、谷歌为代表的公有云巨头 ， 正在占据超大型数据中心的主要市场份额 。 一方面 ， 超大型数据中心将带来更多的服务器及配套硬件的增长；另一方面 ， AI算法的复杂度增加和AI处理任务的持续增长 ， 又需要服务器的配置以及结构得到持续升级 。
在一些视觉识别为主的AI企业 ， 建立一个超算中心就需要部署上万块GPU ， 对于那些TOP级云服务商的云计算数据中心 ， 为支持深度学习训练任务 ， 所需要的GPU量级也将是海量级别 。
第二 ， 云服务厂商都在推出自研的芯片 ， 来缓解因为价格昂贵和数据量巨大而带来的GPU计算成本飙升的问题 。 这些厂商推出的大多是推理芯片 ， 以节省GPU的通用算力 。 但这些推理芯片只在通用性上面的不足 ， 造成其很难突破自研自用的局面 。
那么,英伟达的A100 GPU芯片的发布 ， 对云计算数据中心带来哪些新的变化呢？或者说为AI服务器芯片的对手们设立了怎样的门槛呢？
首先 ， 作为采用全新的安培架构的A100 GPU ， 支持每秒1.5TB的缓冲带宽处理 ， 支持TF32 运算和FP64双精度运算 ， 分别带来高达20倍FP32的AI计算性能和HPC应用2.5倍的性能提升 。 此外还包括MIG 新架构、NVLink 3.0以及AI运算结构的稀疏性等特性 ， 这些使得 A100 加速卡不仅可用于AI训练和AI推理 ， 还可以用于科学仿真、AI对话、基因组与高性能数据分析、地震建模及财务计算等多种通用计算能力 。 而这一解决方案有可能缓解很多云服务厂商在推理上面的计算压力 ， 也对其他厂商的推理芯片带来一定的竞争压力 。


推荐阅读


上一篇：格力中国“最狠”女人，怼人无数，恨不能向天再借500年……

下一篇：冰箱长虹美菱刷新嵌入式冰箱最高标准 502WQ3S全面薄新品瑰丽上市