Генът на машинното обучение прониква в процесорите

Като царе на невронните мрежи се очертават мощните специализирани процесори от рода на Google Tensor Processing Unit

Централните процесори може да излязат от еволюционния си унес, а причината за очаквания скок ще бъдат невронните мрежи и машинното обучение. През настоящата година се заражда нова ниша на специализирани процесори.

Разработки като Google Tensor Processing Unit (TPU), Fujitsu Deep Learning Unit (DLU) и Graphcore Intelligent Processing Unit (IPU), както и многобройните прототипи на база програмируеми логически матрици от Altera и Xilinx привличат интереса на операторите на големи центрове за данни по целия свят, като например Baidu.

Гафичните чипове от последно поколение също се справят отлично със задачите, свързани с невронни мрежи, благодарение на високата степен на паралелизъм, но не са толкова икономични, колкото специално създадените за тази цел решения.

В момента се наблюдава борба за доминация в новата ниша. Така например, в графичните чипове на Nvidia се появиха специални ядра за тензорни изчисления – по-конкретно, във Volta V100 има 640 такива ядра. Обикновено те изпълняват математически изчисления с опростена точност – 32 и 16 бита с плаваща запетая, а понякога и целочислени до 8 бита.

AMD също развива подобни продукти и това са ускорителите от серията Radeon Instinct. Но по-интересното е, че еволюционна мутация се наблюдава и в x86-съвместимите процесори. Такива например са Intel Knights Mill, в които част от общата производителност е заделена за специализирани задачи по машинно обучение.

Кой ще победи в започналата надпревара все още е трудно да се прогнозира. Решения като Nvidia Volta и Radeon Instinct може да последват съдбата на динозаврите, тъй като отстъпват на Google TPU в съотношението енергопотребление/производителност при изпълнение на специални задачи.

Ролята на протобозайници в този ускорен еволюционен процес играят решенията на база програмируеми логически матрици, но като царе на невронните мрежи се очертават мощните специализирани процесори от рода на Google TPU.

Еволюцията обаче е нелинеен процес и могат да възникнат нишови решения, способни да работят не само със системи за машинно обучение. Освен това самите системи за обучение могат да бъдат много различни и да изискват гъвкавост, на която ASIC чиповете не отговорят.

Може да възникне също необходимост от изпълнение на паралелно изпълнение на задачи в друг порядък, където решения от рода на Intel Knights Mill ще намерят своето място в еволюцията на процесорите. Едно е ясно обаче – генът на машинното обучение вече е проникнал задълго в съвременните процесори.