秒殺英特爾至強，NVIDIA的深度學習超級計算機強在哪？

編輯觀點: 對比以往使用處理器進行運算，採用GPU進行運算可讓企業降低不少成本。

硬件和算法在人工智能領域的作用可以說是各佔一半的，而在芯片層面上，業界幾乎觀點一致——GPU在人工智能深度學習算法上的重要性遠高於CPU，這也就是為何NVIDIA在人工智能領域的風頭甚至蓋過了英特爾。

毫無疑問，GPU是當下訓練深度學習神經網絡最熱門的方法，這種方案已經受到了谷歌、微軟、IBM、豐田以及百度等企業的青睞，因此GPU廠商在最近兩年逐漸成為眾企業膜拜的對象。

作為GPU領域的絕對主導者，NVIDIA最近動作頻頻，今年早些時候公司專為深度神經網絡推出了Tesla P100 GPU，並且發布了基於該GPU的單機箱深度學習超級計算機——NVIDIA DGX-1。

如今這款深度學習超級計算機已經問世，NVIDIA CEO黃仁勳日前將DGX-1交付給了馬斯克創辦的人工智能項目OpenAI，OpenAI會用DGX-1做什麼項目？如何使用？還不得而知，不過我們可以先聊一聊這款深度學習超級計算機到底是什麼？它有什麼牛逼的地方。

深度學習超級計算機是什麼？

黃仁勳曾表示，3000人花費3年時間才研發出來這樣一​​款DGX-1，深度學習超級計算機研發的難度之大可見一斑。

根據NVIDIA官方的介紹，DGX-1的規格如下：

半精度(FP16) 峰值性能最高可達170 Teraflops；
8 個Tes​​la P100 GPU 加速器，每顆GPU 16GB 內存；
NVLink Hybrid Cube Mesh (NVLink 混合立方網格)；
7TB 固態硬盤DL 高速緩存；
雙萬兆以太網，四路InfiniBand 100Gb 網絡連接；
功耗：3U – 3200W。



因為NVIDIA將這些硬件設計在了一個機箱內，所以DGX-1被稱為單機箱深度學習超級計算機。

Tesla P100有15​​3億個16nm FinFET晶體管，其核心面積達到了610mm²，按照黃仁勳的說法，這款GPU是迄今為止最大的芯片。

DGX-1集成的8個16GB顯存GPU吞吐量相當於250台傳統服務器的水平，其配置的7 TB固態硬盤用於儲存神經網絡訓練的大量原始數據。

除此之外，DGX-1系統還包含一套深度學習軟件，即深度學習GPU訓練系統(DIGITS™)，它可用於設計深度神經網絡(DNN)，據了解DGX-1可以將深度學習的培訓速度加快75倍，將CPU性能提升56倍。這是什麼樣的概念呢？

英特爾雙路至強系統需要250多個節點和150個小時來訓練Alexnet，而DGX-1只需要一個節點2個小時，後者在性能和節點總帶寬上都有明顯的優勢。當然在性能的提升下，功耗達到了3200W，售價更是高達129000美元。

GPU是唯一選擇嗎？

雖然GPU相比CPU有一定的優勢，但是在FPGA和神經網絡芯片面前，GPU依然要遜色不少。

有研究人員測試，相比GPU，FPGA的架構更靈活，單位能耗下性能更強。深度學習算法在FPGA上能夠更快、更有效地運行，而且功耗也能做到更低。英特爾甚至為此推出了FPGA和CPU的混合芯片架構。

另一個研究方向就是神經網絡芯片，這一領域的代表當屬IBM的TrueNorth和寒武紀的DianNao。根據模擬實驗測試的結果，採用DianNaoYu指令集的寒武紀深度學習處理器相對於x86指令集的CPU有兩個數量級的性能提升；而IBM的Truenorth裡含有54億個低成本晶體管神經突觸芯片，功耗卻低至700毫瓦，在性能以及功耗的優化上都提升到了一個新的高度。

寒武紀神經網絡處理器研究者、中國科學院計算技術研究所研究員陳雲霽表示，“加速芯片是神經網絡芯片的最終形態。”

但是理想很豐滿，現實很骨感！就目前來說，GPU是唯一實現大規模應用的方案，FPGA或者神經網絡芯片想要取代GPU的地位只能說是路漫漫了！


文章來源