秒殺 Intel Xeon，NVIDIA的深度學習超級電腦強在哪？
硬體和演算法在人工智慧領域的作用可以說是各佔一半的，而在硬體層面上，業界幾乎觀點一致，GPU 在人工智慧深度學習演算法上的重要性遠高於 CPU，這也就是為何 NVIDIA 在人工智慧領域的鋒頭甚至蓋過了Intel。
毫無疑問，GPU 是當下訓練深度學習神經網路最熱門的方法，這種方案已經受到了 Google、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路推出了 Tesla P100 GPU，並且發布了基於該 GPU 的單機深度學習超級電腦——NVIDIA DGX-1。
如今這款深度學習超級電腦已經問世，NVIDIA CEO 黃仁勳日前將 DGX-1 交付給了馬斯克創辦的人工智慧項目 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電腦到底是什麼？它有什麼厲害的地方。
深度學習超級電腦是什麼？
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，深度學習超級電腦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 Tesla P100 GPU 加速器，每顆 GPU 16GB 記憶體；
NVLink Hybrid Cube Mesh (NVLink 混合立方網格)；
7TB 固態硬碟 DL 高速快取；
雙路 10 GbE，四路 InfiniBand 100Gb 網路連接；
功耗：3U – 3200W。
因為 NVIDIA 將這些硬體設計在了一個機箱內，所以 DGX-1 被稱為單機深度學習超級電腦。
Tesla P100 有 153 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 是迄今為止最大的晶片。
DGX-1 整合的 8 個 16GB 顯示記憶體 GPU 吞吐量相當於 250 台傳統伺服器的水平，其配置的 7 TB 固態硬碟用於儲存神經網路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體，即深度學習 GPU 訓練系統 (DIGITS™)，它可用於設計深度神經網路 (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？
Intel 雙路 Xeon 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頻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 和神經網路晶片面前，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。深度學習演算法在 FPGA 上能夠更快、更有效地運行，而且功耗也能做到更低。Intel 甚至為此推出了 FPGA 和 CPU 的混合晶片架構。
另一個研究方向就是神經網路晶片，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晶片，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。
寒武紀神經網路處理器研究者、中國科學院計算技術研究所研究員陳雲霽表示，“加速晶片是神經網路晶片的最終形態。”
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或者神經網路晶片想要取代GPU的地位只能說是路漫漫了！
The Author
