您的位置:首页 >人工智能 >正文

在过去的两年中人工智能已从学术奇迹演变为全球大趋势

在过去的两年中,人工智能已从学术奇迹演变为全球大趋势。某种形式的机器学习将彻底改变几乎所有领域-消费者,汽车,工业,电子的每个领域-除此之外,还以我们未知的方式影响社会和我们的生活。

这对行业意味着什么,实际上每个处理器供应商都将机器学习识别为会下金蛋的鹅。竞赛将以自己的方法作为正确的解决方案,以加速具有最大潜力的区域中的特定工作负载:数据中心外的机器学习或边缘的AI。

边缘的AI拥有巨大的前景,因为它几乎可以应用于任何电子设备,从无人驾驶汽车到路上看到行人,再到响应语音命令的咖啡机。需要延迟,数据保密性,低功耗和低成本的任何组合的应用程序最终将迁移到边缘的AI推理(请注意,“边缘AI”是Gartner图表上唯一的AI点,距离五年不到)。

AI推理的工作负载是特定的:它们需要对大量低精度数据进行大规模并行处理,而访问内存成为瓶颈。大部分(如果不是全部)处理器类型都在努力使自己适应这些要求。

现有的技术是GPU,实际上是当今的一个公司细分市场。纯粹靠运气,GPU的单指令多数据(SIMD)架构为加速计算机图形而开发,事实证明它非常适合AI工作负载。英伟达正竭尽全力,开发用于数据中心和自动驾驶的AI超级计算机,以及用于边缘设备的缩小版本。

其他人也都想要这个市场的一部分。长期以来一直用于加速数学算法的FPGA供应商正在完善其产品,以适应边缘AI处理。赛灵思采用了领域特定架构的概念并将其运行,将可编程逻辑与其他计算类型结合在一起,以允许针对新工作负载定制数据流。同时,莱迪思的目标是低功耗设备中的图像处理。

还有许多初创公司将其新颖的架构推向了下一个大趋势。它们的范围从内存中的处理器技术(Mythic,Syntiant,Gyrfalcon)到处理器临近的内存(Hailo)。从可编程逻辑(Flex Logix)到RISC-V内核(Esperanto,GreenWaves);从极小的(Eta Compute)到​​超大规模(Cerebras,Graphcore)。多数用于边缘AI。当它们与Nvidia和Intel之类的产品抗衡时,是否有足够的壁ni支持它们?时间会证明一切。

也有很多初创公司从另一个方向着手解决这个问题:调整AI工作负载以在微控制器等传统硬件上更有效地运行。像PicoVoice和Xnor这样的公司正在寻找新方法来利用现有设备的指令集执行矩阵乘法。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时候联系我们修改或删除,多谢。