Slutningen af Nvidia? Graphcore har udviklet chips, som er baseret på it-graf

Kunstig intelligens er den mest kritiske (i alle sanser) den teknologi, der i vor tid. Chips af kunstig intelligens — de mest kritiske infrastruktur for kunstig intelligens. Baseret på disse to antagelser, er den virkning, at Graphcore planer om at masseproducere i verden, trodser enhver beskrivelse. Hvordan til at udvide grænserne for Moore ' s lov med fremkomsten af IPU? Hvad hardware og software, vi venter på? Én ting er sikkert: Nvidia skulle være bange for og bekymre sig.

Hvis lykke kan kaldes evnen til at være på det rigtige sted på det rigtige tidspunkt, kan vi sige, at vi er de heldige. Graphcore er et populært navn i verden af chips AI, har længe dukkede op på radaren i store tech-publikationer. Udgiver ZDnet var i stand til at tale med grundlæggerne Graphcore, før de præsenteres de seneste nyheder.

Graphcore hvis du ikke kender, netop har modtaget en anden $ 200 millioner af finansiering fra BMW, Microsoft og førende finansielle investorer i skalering af den mest avancerede chip i verden af AI. Graphcore er nu officielt "enhjørningen" med en værdiansættelse af $ 1.7 milliarder. Blandt selskabets partnere — Dell, Bosch og Samsung. Det er ikke svært at gætte, hvad der er under opsejling noget meget stort. Men lad os for.

Lær, hvordan hjernen virker, er én ting. For at simulere chip — andre

Graphcore er baseret i Bristol, UK, og blev grundlagt af veteraner fra halvlederindustrien Nigel Toon, CEO, og Simon nolson, CTO. Tidligere Thun og Knowles har arbejdet med sådanne virksomheder, som Altera, Element14, og Icera, som nåede en samlet værdi i milliarder af dollars. Tong er sikker på, at de kan — og vil — flip halvlederindustrien er stærkere end nogensinde før, til at nedbryde den praktiske monopol på Nvidia.

For Nvidia er en vigtig aktør inden for AI, på grund af sin GPU chips, og det er ved at udvikle. I dette område er der andre spillere, men Tong mener, at kun fra Nvidia er en klar, konsekvent strategi og effektive produkt på markedet. Der er stadig Google, som investerer i chips AI, men Toon argumenterer for, at Graphcore er en førende fordel og en fantastisk mulighed for at opbygge et Imperium med chips IPU (Intelligent Processor Unit). Som et eksempel, han citerer succes mobile ARM-processorer.

For at forstå kilden til hans tillid, tillid til sine partnere og investorer, at vi er nødt til at forstå, hvad der gør Graphcore og hvad der adskiller det fra dets konkurrenter. og kunstig intelligens — de mest hastigt voksende og vigtige teknologier. Machine learning, som er grundlaget for kunstig intelligens i vores dag, er meget effektiv i at finde mønstre og lovmæssigheder, og er baseret på en kombination af passende algoritmer (modeller) og data (uddannelse sæt).

Nogle mennesker kalder kunstig intelligens ved matrix-multiplikation. Selv om sådanne ekstreme udtalelser er tvivlsom, er det et faktum: de fleste af machine learning er relateret til effektiv data operationer til at skalere. Det er grunden til GPU ' en er så god med masser af machine learning. Deres arkitektur var oprindeligt designet til grafikkort, men det viste sig at være yderst effektiv, og i data-operationer.

Hvad gjorde Graphcore? Der er investeret i en helt ny arkitektur. Det er derfor, Tong mener, at hun har den fordel i forhold til andre muligheder. Thun bemærker, at effektiv konkurrence er bygget specialiseret chips (ASIC) at gøre godt med visse matematiske operationer med de data, der er optimeret til bestemte opgaver. Men for morgendagens arbejdsopgaver, det er ikke egnet.

Hvad er der så specielt ved indfødte arkitektur Graphcore? Sige Graphcore skaber en neuromorphic chip AI: CPU, skabt i billedet af den menneskelige hjerne, med dens neuroner og synapser, hvilket afspejles i arkitekturen. Men Knowles fordriver denne vis:

"Hjernen er et godt eksempel for computer arkitekter i denne nye bold bestræbelse af maskinen intelligens. Men de styrker og svagheder af silicium, der er meget forskellige fra de beregningsmæssige egenskaber fugtig pynt. Vi kopierede værker af naturen, hverken i flyet eller i bevægelse på overfladen eller i motorer, fordi vores andre byggematerialer. Det er det samme med computere.

For eksempel, de fleste af neuromorphic computing projekter til fordel for kommunikation via elektriske impulser i hjernen. Men den grundlæggende analyse af effektiviteten af energi straks konkluderer, at en elektrisk bølge (to toppe) er to gange mindre effektiv end transmission af oplysninger med et enkelt højdepunkt, så er følgende hjernen vil ikke være en god idé. Jeg tror, computer arkitekter skal søge at opdage, hvordan hjernen beregner, men det bør ikke bogstaveligt kopi i silicon".

at Bryde Moore ' s lov, overgår GPU

Energieffektivitet er faktisk den begrænsende faktor for neuromorphic arkitekturer, men det er ikke begrænset. Kommentere på Moore ' s lov, Tun sagde, at vi langt oversteget alle forventninger, og vi har stadig 10-20 års fremskridt på lager. Men så kan vi nå frem til nogle grundlæggende grænser.

Tong mener, vi er nået til den laveste spænding, der kan anvendes i sådanne chips. Derfor kan vi tilføje flere transistorer, men for at gøre dem meget hurtigere kan det ikke. "Din laptop kører på 2 GHz, det er bare flere kerner. Men vi har brug for tusindvis af kerner at arbejde med machine learning. Vi har brug for en anderledes arkitektonisk proces at designe chips andre måder. De gamle metoder vil ikke arbejde".

Tong sagde, at IPU er en universalCPU maskine intelligens, der er specielt beregnet for maskinens intelligens. "En af fordelene ved vores arkitektur er, at den er velegnet til mange moderne tilgange til machine learning, såsom CNN, men det er stærkt optimeret til anden maskine-læring som forstærkning for at lære, og andre. Arkitekturen i IPU giver os mulighed for at overgå Gpu 'er — det kombinerer massiv parallelisme med mere end 1.000 uafhængige processorkerner på IPU og den indbyggede hukommelse, så hele modellen kan placeres på en chip".

Men hvordan IPU kan sammenlignes med Nvidia GPU i praksis? Han har for nylig udgivet nogle af de tests, machine learning, hvor Nvidia ser ud til at have vundet. Men som bemærket af Thun, data struktur for machine learning er anderledes, fordi de er mere multidimensionel og kompleks. Derfor er de nødt til at arbejde anderledes. GPU ' en er meget stærk, men ikke nødvendigvis effektiv i at arbejde med disse data strukturer. Du kan oprette 10 og 100 gange hurtigere model.

Hastighed er Dog ikke alt, hvad du behøver for at lykkes i dette spil. Nvidia, for eksempel, lykkedes det ikke kun på grund af sin GPU'. En stor del af dens succes ligger i softwaren. Biblioteker, som tillod udviklere at abstrahere fra hardware særpræg og fokus på at optimere deres machine learning algoritmer, er blevet et centralt element i virksomhedens succes.

den Revolution graf er ved at begynde

Selvfølgelig, du allerede begyndte at spekulere på, hvad slags grafer. Hvilken form for struktur, model og formalisme bruger Graphcore til at repræsentere og arbejde med disse grafer? Kan vi kalde dem grafer viden? Den gode nyhed er, at ventetiden er lang.

"Vi bare kalde' em beregningsmæssige grafer. Alle machine learning model der er bedst udtrykt i en graf — hvordan det fungerer, og TensorFlow. Bare vores tæller med flere størrelsesordener mere kompliceret, fordi vi har samtidighed af flere størrelsesordener til at arbejde med grafer i vores chips," siger Thun.

Tong lover, at over tid Graphcore vil give udviklere fuld adgang IPU open source til deres optimeret biblioteker af grafer, så de kan se, hvordan Graphcore skaber applikationer.

Graphcore er allerede levering af udstyr til produktion første kunder i tidlig adgang. Nu Graphcore sælger PCIe-kort, der er klar til at oprette forbindelse til server-platforme, kaldet C2 IPU-Processor. Hver indeholder to processorer IPU. Virksomheden også arbejder med Dell om at tiltrække erhvervskunder og cloud-klienter.

Det Produkt, der vil blive udbredt til rådighed næste år. Den første vil der være fokus på datacentre, cloud-løsninger og en række perifere applikationer, der kræver store it-ressourcer, som Autonome biler. For forbruger-enheder såsom mobiltelefoner Graphcore endnu ikke fokuseret.

Jeg Tror, vi har en revolution? Lad os diskutere i vores