2017年中國人工智能異構計算行業參數及特點分析【圖】

人工智能異構計算 2018-01-19 06:58

當前實現完整人工智能計算的方式為CPU+AI芯片的不同架構芯片協同計算，即異構計算，AI芯片也被稱為AI加速器或計算卡。異構計算指的是采用不同架構的處理器協同計算。人工智能芯片（CPU、ASIC、FPGA等）主要用來處理人工智能應用中的大量計算任務（其大規模并行計算能力優于CPU），其他非計算任務仍由CPU負責，因此AI芯片也被稱為AI加速器或計算卡。

CPU+AI芯片的異構計算是AI計算的主要架構

數據來源：公開資料整理

目前主要有3類芯片作為AI異構計算的加速卡（AI芯片）：GPU（圖形處理器）、FPGA（現場可編程邏輯陣列）、ASIC（專用集成電路）。CPU與這三類芯片在AI任務中的特性對比見下表。

AI異構計算中各芯片的特性對比

-	并行計算能力	深度學習計算速度	能耗	效率	優點	代表企業	特點
CPU	低	最慢	最高	最低	在計算和邏輯運算方面全能	Intel、AMD	通用性強，AI任務除了計算還有其他任務，因此CPU仍然不可或缺
GPU	高	快	較高	高	在計算方面通用性強	NVIDIA、 AMD	通用性強，軟件開發環境好（NVIDIA的功勞），但功耗高于FPGA和ASIC
FPGA	高	快	低	高	硬件可編程，復用性高	Xilinx， Altera（已被 Intel收購）	由于其硬件可重新編程，對中小企業來說開發成本低，但軟件開發環境弱于GPU
ASIC	高	最快	最低	高	電路根據需求專門定制	Google	對于中小企業來說開發成本高，Google的TPU不對外出售，其他軟件開發環境尚不完善

數據來源：公開資料整理

2000年以后，科學計算、數值分析、金融分析等高性能運算（HPC）需求催生了CPU+GPU的異構計算。高性能計算（HPC，HighPerformanceComputing）包括科學計算、數值分析、金融分析、密碼破解等，在2000年以后較快發展。HPC中需要的計算遠多于其他邏輯指令，而GPU比CPU更加擅長大規模浮點計算，因此GPU被用來代替CPU進行通用計算。

GPU在高性能運算方面的性能遠超CPU

數據來源：公開資料整理

數據+計算力+算法逐步成熟，AI再次興起，CPU+GPU/FPGA/ASIC的異構計算快速發展。

英特爾預計，2016年到2020專注于AI的計算力或將會增加12倍。異構計算作為AI計算的主要方式，發展空間大。

GA1、GN4、GN5、GN5i都是阿里云中的實例（可以理解為具體的云計算產品），用戶可購買該實例（租賃該產品）用于深度學習和科學計算。GA1是阿里云采用AMDGPU的彈性計算GPU可視化實例（ECSGPU），于2017年初推出，更多側重于圖像處理和高性能計算（HPC）。GN4、GN5、GN5i采用NVIDIAGPU，適用于AI計算和科學計算，其中GN4、GN5均為上半年推出，GN5i為本次最新推出。

下半年，阿里云還計劃推出搭載目前性能最強V100(Volta架構，NVIDIAGPU的最新架構)的高性能GPU異構實例。

GN4、GN5異構計算平臺參數和特點