原创 驱动人工智能的为什么是GPU？仿脑芯片的未来呢？

Google和Facebook开源了人工智能产品的计算硬件。这些人工智能算法驱动了Google的搜索和推荐功能，以及Facebook的人工助理M——当然了，还有广告定位。 Facebook的计算机服务器名为 Big Sur，是由图像处理单元（GPU）组成，这正是PC机上用来玩最新3D电子游戏的显卡。驱动Google TensorFlow的人工智能硬件也同样如此。那么，为什么人工智能计算需要构建在图像处理器上，而不是主流的计算机处理器上呢？

NVIDIA Tesla M40 GPU Accelerator.

最初，GPU是设计来配合计算机的CPU（中央处理器），以承担图像的计算任务。渲染3D图像场景是一个并行计算任务。由于图像中各区域之间没有联系或依赖关系，因此，这个任务可以轻易地被拆解成若干个独立的任务，每个任务可以同时并行——这样也可以加快速度。 正是这种并行计算让GPU厂商为GPU找到了完全不同的新用途。通过优化GPU，它们可以完成庞大的并行计算任务。于是，GPU变成了专门运行并行代码的处理器，而不仅仅只是用来处理图像。而CPU则始终被用来完成单线程任务，因为大多数通用软件依然是单线程。 CPU通常有单核、双核、四核或八核，而GPU则不同，它可以有成千上万核。比如说，Facebook服务器中使用的 NVIDIA Tesla M40有3,072个所谓的CUDA cores。然而，这种庞大的并行能力需要付出代价：必须编写专门的软件才能利用这样的优势，而GPU很难编程。

Facebook的Big Sur服务器包含8个NVIDIA Tesla M40 GPU。

为什么GPU很适合人工智能？ GPU之所以会被选为超算的硬件，是因为目前要求最高的计算问题正好非常适合并行执行。 一个主要的例子就是深度学习，这是人工智能（AI）最先进的领域。深度学习以神经网络为基础。神经网络是巨大的网状结构，其中的节点连接非常复杂。在20世纪90年代，神经网络曾一败涂地。但是现在的技术允许我们建造更大、更深的神经网络，推动了深度学习的发展。这些神经网络驱动了Google、Facebook等公司的语音识别、语言翻译和语义搜索等功能。 训练一个神经网络“学习”，很像我们大脑在学习时，建立和增强神经元之间的联系。从计算的角度说，这个学习过程可以是并行的，因此它可以用GPU硬件来加速。这种机器学习需要的例子数量很多，同样也可以用并行计算来加速。有了开源机器学习工具（例如Torch code library和GPU-packed servers），在GPU上进行的神经网络训练能比CPU系统快许多倍。 GPU代表了未来的计算吗？ 几十年来，我们已经习惯了摩尔定律——每2年，计算机的处理能力就会翻倍。这个过程主要是由于计算设备的微型化所带来的，因为产生的热量越来越小，允许CPU的运行速度越来越快。然而，「免费的午餐」可能即将走到尽头，因为半导体的微型化已经快要接近硅元素的理论极限了。现在，要提高计算速度，只能转向并行计算。过去十年中，多核CPU的崛起已经证明了这一点。然而现在，GPU已经拔得头筹。 除了AI，GPU还被用在流体和空气动力学仿真、物理引擎、大脑仿真等领域。某些世界上最强大的计算机（例如全世界第二快的计算机——橡树岭国家实验室的泰坦超级计算机）正是构建在英伟达的GPU加速器上。除此之外，还有英特尔的Phi并行协同处理器，驱动着全世界最快的超级计算机——Tianhe-2。然而，并不是所有的问题都可以用并行计算来解决，并且这些环境的编程非常困难。

橡树岭国家实验室的泰坦超级计算机

或许，计算的未来（至少对AI来说）可能会藏在某些更加激进的形式中，例如仿脑计算机。IBM的 True North芯片就是其中一个，还有一个正在研究的项目是10亿欧元的人类大脑计划（Human Brain Project）。这种模型不是用许多处理器组成的网络来模仿生物神经网络，它自身就是一个真正的神经网络：芯片上的一个个硅晶体管组成了回路，这些回路可以用电信号来处理信息和彼此交流——与生物大脑中的神经元没什么不同。 支持者声称，这些系统将帮助我们最终扩大神经网络的规模，最终庞大和复杂到接近人类大脑的程度，那时的AI将与人类智能相媲美。还有一些人则持怀疑态度——这些人主要是大脑研究者。他们认为，除了神经元数量和密度极大之外，人类大脑还有很多额外的奥秘。 不管采用哪种方式，看起来，我们都将把关于大脑的知识用到超级计算机中。