人工智能算力的发展趋势

      近年来，人工智能算力得到的长足的进展，并呈现出一定的趋势：人工智能算力需求暴增，异构计算成为主流、GPU仍然是人工智能计算的主要算力供给、传统高性能计算正在与人工智能融合为“先进计算"、边缘人工智能算力持续提升。

      人工智能算力需求暴增，异构计算成为主流：随着算力需求的暴增，对算力的合理利用和不同计算单元的协作就变得日益重要，将CPU、DSP、GPU、ASIC、协处理器、FPGA等各种计算单元、使用不同的类型指令集、不同的体系架构的计算单元组成一个混合的系统执行计算，让每一种不同类型的计算单元都可以执行自己最擅长的任务，从而大幅度提高人工智能计算的效率和速度。总的来说，不同处理器芯片在构建异构计算方面有着自己的鲜明特点，CPU、GPU领域存在大量的开源软件和应用软件，任何新的技术首先会用CPU实现算法，因此CPU编程的资源丰富而且容易获得，开发成本低而开发周期。FPGA的或现采用Verilog/VHDL等底层硬件描述语言实现，需要开发者对FPGA的芯片特性有较为深入的了解，但其高并行性的特性往往可以使业务性能得到量级的提升；同时FPGA是动态可重配的，当在数据中心部署之后，可以根据业务形态来配置不同的逻辑实现不同的硬件加速功能。ASIC芯片可以获得最优的性绵，即面积利用率高、速度快、功耗低；但是AISC开发风险极大，需要有足够大的市场来保证成本价格，而且从研发到市场的时间同期很长，不适合例如深度学习CNN等算法正在快速迭代的领域

      GPU仍然是人工智能计算的主要算力供给：值得注意的是，越来越多的人工智能计算服务器开始使用8GPU甚至16GPU卡，这意味着随着数据的爆发式增长、深度神经网络日趋复杂，单系统可提供更高密度、更高性能的AI基础架构，将在Al线下训练场景中得到更广泛应用。此外，GPU计算正朝着"Non-CPU"方向发展，即不需要计算系统中使用CPU，用户可构建起完全由GPU组成的计算系统。

      传统高性能计算正在与人工智能融合为“先进计算"：事实上，现在有可用的大型数据集合和强大的计算资源，这样的组合允许这个领域取得很大的进步。人工智能，特别是机器学习和深度学习，需要庞大的计算资源，随着数据的增长，计算力变得越来越重要，只有拥有更好的、与人工智能计算相匹配的计算系统，比如提供GPU计算能力或是深度学习算法框架平台才能更好的训练深度学习模型。这一计算系统正是先进计算系统。

      边缘人工智能算力持续提升：随着物联网边缘设备对人工智能能力的要求不断提升，对即时、高吞吐量的边缘人工智能算力的需求也在持续增加，边缘设备需要借助人工智能及与之相匹配的算力，即时做出分析、判断和决策，与此同时，2025年，预计将会有1500亿台机愿传感器和物联网设备持续输出数据，这比当今使用智能手机的个人用户所产生的数据要高出几个数量级，因此，无论是市场规模还是算力需求规模都极为庞大。

      以上就是我们给您带来的关于人工智能算力的发展趋势的相关分享，如果您有更多想要咨询的相关问题欢迎您与我们联系。