首页 > 机器人资讯 > 英伟达全球副总裁沈威:仍然坚信「GPU天生适合深度学习任务」

英伟达全球副总裁沈威:仍然坚信「GPU天生适合深度学习任务」

日期:2019-03-05   人气:  来源:互联网
简介:英伟达全球副总裁沈威:仍然坚信「GPU天生适合深度学习任务」 9月7日,由中国工程院信息与电子工程学部主办、浪潮集团承办的AICC中国人工智能计算大会在北京举行,海内外数十位知名专家分享了AI在互联网、云计算、超算等众多行业的创新实例。在现场,机器……

英伟达全球副总裁沈威:仍然坚信「GPU天生适合深度学习任务」

9月7日,由中国工程院信息与电子工程学部主办、浪潮集团承办的AICC中国人工智能计算大会在北京举行,海内外数十位知名专家分享了AI在互联网、云计算、超算等众多行业的创新实例。在现场,机器之能采访到英伟达全球副总裁暨中国区企业事业总经理沈威,机器人维修,与其就当前人工智能芯片市场以及英伟达的底气展开了探讨,沈威表示:「除GPU天生适合深度学习这一任务以外,英伟达的CUDA计算平台是决胜的关键。」

不可否认,GPU为深度学习的大规模应用奠定了硬件基础。然而,随着人工智能时代的到来,深度学习技术专用芯片之争也愈发火热。芯片巨头英特尔大量收购人工智能相关公司,研发人工智能专用芯片,站台FPGA,并已与很多垂直领域的企业进行合作;谷歌研制了基于硬件定义编程架构的TPU;曾是英伟达重要客户的微软也开始为自己的数据中心研发基于FPGA的可重复编程AI芯片。此外,一些专业的人工智能公司,如科大讯飞等,也在研发适合自身业务的专用芯片。

GPU、FPGA、ASIC是AI芯片市场打得火热的三种架构,其中GPU是当前的主流。与CPU相比,GPU在硬件架构上拥有更多的计算单元,使其成为AI芯片的天然选择;FPGA即现场可编程门阵列,是一种软件定义的架构,开发者可以通过编程定义片上单元的功能;ASIC代指为专门目的而设计的集成电路,将功能烧制到芯片上,适合较为稳定的解决方案,且产品升级难度较大,但功耗较低。目前,FPGA和ASIC还处于试验阶段,有能力使用FPGA的人工智能厂家并不多,绝大部分的AI芯片市场依然被英伟达占领,生态的构建并不容易,FPGA与ASIC的AI之路也任重而道远。

在其他厂家积极开拓新战场时,英伟达仍然坚信「GPU天生适合深度学习任务」。9月7日,英伟达全球副总裁、中国区企业事业总经理沈威在AICC上与机器之能就这一话题进行了讨论。沈威认为,英伟达CUDA运算平台是关键,CUDA让GPU的计算能力得以释放,让普通的程序员也能用JAVA、C++等编程语言在GPU上工作。

以下为采访实录,机器之能做了不改变原意的整理:

人工智能芯片战场愈发火热,不论芯片厂商还是AI领域的垂直公司都在试图抢占市场。这是是否英伟达的AI战略造成影响?现在再提GPU是深度学习芯片的唯一霸主是否不再合适?

从2012年谷歌的李飞飞教授开启ImageNet以来,我们很开心看到GPU在人工智能市场的接受度很高,同时我们也看到很多跟随者。不过我觉得这是一件好事,首先,这意味着这些公司中的任何一家,www.zr-kuka.com,对人工智能、深度学习这件事情都非常认同。不过我们在高性能运算、人工智能领域已经投入了很多年,具有先发优势。从历史的发展来看,深度学习为什么要用英伟达的GPU?因为深度学习与高性能计算关系非常密切,深度学习任务中涉及到大量的运算,这是英伟达非常擅长的事情。

刚才我们说的是硬件方面,硬件很多半导体厂商都在做。但他们都忽略了一点,就是平台。我们的CUDA运算平台从2006年开始开放,到现在已经是第9代,CUDA将GPU的高性能运算能力开放给一般的程序员。虽然半导体工艺是与时俱进的,但如果没有好的编程环境,技术人员们还是很难迎接这次深度学习的浪潮。这就间接回答了你的问题。不论哪家公司,可能他们在市场上也已经有很长时间了,但我个人认为,它的编程语言还不能针对数据中心的海量数据进行更便利地编程。大家可能看到,在深度学习时代,英伟达进行了一次面向人工智能的转型,但其实我们早已铺垫好相关能力。

现在GPU、FPGA、ASIC这三种架构都能完成深度学习任务,你对这三种架构的优劣势作何评价?

深度学习主要分为线下训练和线上推理,目前在线下训练用户无一例外地都在使用GPU加速他们的训练过程。不仅仅是因为GPU的运算速度快,更重要是英伟达建立了一个完善的生态系统,我们提供了许多SDK来加速所有深度学习框架,并和这些框架深度集成,如cuDNN、NCCL、cuBLAS等。在线上推理方向,英伟达目前的方案是TensroRT加低功耗的NVIDIATeslaP4GPU加速器。现在国内各大云服务提供商都在使用TeslaP4做线上推理,包括科大讯飞。

事实上,深度学习远没有成熟,每天都在变化演进、迭代,GPU目前还是最佳选择。ASIC是一种专用芯片,它是为了某种特定需求而专门定制的芯片,目前还不能与GPU这样拥有很成熟生态的通用芯片同日而语。FPGA的生态系统才刚刚开始,道路还很漫长。

英伟达在无人驾驶和智能家居方面推出了自己的专用芯片,是否意味着英伟达看重这两个应用领域?更广阔的例如金融、医疗方面为何没有专用芯片的布局?

GPU天生解决深度学习问题,人工智能本身和人脑有很多类似的地方,机器人维修,需要眼睛看,脑子想。英伟达希望在GPU最擅长、最深耕的视觉运算上发力,因此英伟达在自动驾驶和嵌入式端布局了两种产品。其他领域我们也非常地看好,金融、医疗、制造是国内外爆发增长的几个GPU应用点,在这些领域我们有很多的合作伙伴。英伟达处在整个IT生态圈中,我们必须要跟不同行业的公司进行合作。

目前英伟达的生态圈中,有哪些比较坚实的合作伙伴?

我们有不同层次的合作伙伴。一种是跟服务器厂商的合作,因为在硬件层面单单为用户提供GPU,用户是没有办法使用的,浪潮,曙光,华为等都是我们的合作伙伴;还有就是行业解决方案层面,在一个整机做好之后,可能会需要针对不同行业,例如医疗、制造业等等进行优化,以适合客户不同的应用场景,在这个层面科大讯飞、商汤都是我们的合作伙伴,我们叫SolutionPartner。

这些合作伙伴做得都很好,因为深度学习才刚刚开始,很少有人在用过CUDA开发环境之后说不喜欢英伟达。因为你不可能自己从零开始写一些函数库、优化库,我倒是很好奇,不用英伟达的人他们要怎么做。深度学习解决方案提供商们在算法和数据方面都有自己的努力,但是如果没有我们GPU的加速,他们的更新迭代和开发速度就会大大降低,走向市场的周期也会被拉长,所以我们也是帮助他们更快走向市场的必不可少的要素。

现在有很多中小企业或高校实验室不能负担大规模的GPU集群,英伟达是否想要争取这一部分市场?

其实我们也有关注到这一方面。我们和全世界很多大公司一样,会和很多高校合作教育、培训相关的项目,现在非常多高校在他们的计算中心里面有GPU集群,并且我们也有合作开设相关课程。另一方面,我相信大家也注意到了云计算的发展,现在国内几家领先的云服务厂商都已经用到了英伟达非常多GPU,所以他们也提供非常多基于GPU的方案。对于不想自己买设备的厂家来说,我觉得云服务是一种选择。云是一种趋势,能够更快捷地惠及新的开发者、新的初创公司。

免责声明:本网部分文章和信息来源于互联网,本网转载出于传递更多信息和学习之目的。如转载稿涉及版权等问题,请立即联系网站所有人,我们会予以更改或删除相关文章,保证您的权利。