Slutten av Nvidia? Graphcore har utviklet chips basert på computing graf

Kunstig intelligens er den mest kritiske (i alle betydninger) teknologien i vår tid. Chips av kunstig intelligens — den mest kritiske infrastruktur for kunstig intelligens. Basert på disse to forutsetninger påvirkning Graphcore planer om å masseprodusere i verden, defies beskrivelse. Hvordan å utvide grensene av moores lov med bruk av IPU? Hvilken maskinvare og programvare som vi venter på? En ting er sikkert: Nvidia bør være redd og bekymret.

Hvis du flaks kan kalles evnen til å være på rett sted til rett tid, kan vi si at vi er heldige. Graphcore er et populært navn i verden av chips AI, har lenge dukket opp på radaren til store tech publikasjoner. Utgiver ZDnet var i stand til å snakke med grunnleggerne Graphcore før de presenteres siste nytt.

Graphcore hvis du ikke vet, har nettopp mottatt en $ 200 millioner i finansiering fra BMW, Microsoft og ledende finansielle investorer i skalering den mest avanserte chip i verden av AI. Graphcore er nå offisielt "enhjørningen" med en verdivurdering av $ 1.7 milliarder kroner. Blant selskapets partnere — Dell, Bosch og Samsung. Det er ikke vanskelig å gjette hva som er i gjære noe veldig stort. Men la oss for.

finn ut hvordan hjernen fungerer, er én ting. For å simulere chip — andre

Graphcore er basert i Bristol, STORBRITANNIA, og ble grunnlagt av veteraner av halvleder industrien Nigel Toon, KONSERNSJEF, og Simon nolson, CTO. Tidligere Thun og Knowles har jobbet med slike selskaper som Altera, Element14, og Icera, som nådde en total verdi i milliarder av dollar. Tong er trygg på at de kan — og vil — flip halvleder industrien er sterkere enn noen gang før, til å bryte ned den praktiske monopol på Nvidia.

Nvidia er en betydelig aktør innen AI, på grunn av sin GPU-sjetonger, og det utvikler seg. I dette området er det andre spillere, men Tong mener at bare fra Nvidia er en klar, konsistent strategi og effektive produkt på markedet. Det er fortsatt Google, som investerer i chips AI, men Toon hevder at Graphcore er en ledende fordel og en fantastisk mulighet til å bygge et Imperium med chips IPU (Intelligent Prosessor). Som et eksempel, han siterer suksess for mobile ARM-prosessorer.

For å forstå kilden til hans tillit, tillit hos sine samarbeidspartnere og investorer, må vi forstå hva som gjør Graphcore og hva som skiller det fra sine konkurrenter. og kunstig intelligens — de raskest voksende og kritiske teknologier. Maskinlæring, som er grunnlaget for kunstig intelligens i vår tid, er svært effektiv i å finne mønstre og sammenhenger, og er basert på kombinasjonen av passende algoritmer (modeller) og data (opplæring sett).

Noen kaller kunstig intelligens av matrise multiplikasjon. Selv om slike ekstreme uttalelser er tvilsom, gjenstår det faktum: de fleste av maskinen læring er knyttet til effektiv data operasjoner for å skala. Det er derfor GPU er så bra med massevis av maskinlæring. Sin arkitektur ble opprinnelig utviklet for graphics processing, men det viste seg å være svært effektiv og data operasjoner.

Hva gjorde Graphcore? Investert i en helt ny arkitektur. Det er derfor Tong mener at hun har den fordel i forhold til andre alternativer. Thun merk at konkurransen effektivt bygget spesialisert chips (ASIC) som gjør det bra med visse matematiske operasjoner med data som er optimalisert for bestemte oppgaver. Men for morgendagens arbeidsbelastninger, dette er ikke egnet.

Hva er så spesielt med opprinnelige arkitektur Graphcore? Si Graphcore skaper en neuromorphic chip AI: CPU, skapt i bildet av den menneskelige hjerne, med sin nevroner og synapser, som gjenspeiles i arkitekturen. Men Knowles fordriver dette:

"Hjernen er et flott eksempel for datamaskinen arkitekter i denne nye dristig foretagende av maskin intelligens. Men de styrker og svakheter av silisium er veldig forskjellig fra det computational egenskaper av fuktig pålegg. Vi kopiert den fungerer i naturen, verken i fly eller i bevegelse på overflaten eller i motorer fordi våre andre tekniske materialer. Det er det samme med databehandling.

For eksempel, de fleste av neuromorphic computing prosjekter i favør av kommunikasjon via elektriske impulser i hjernen. Men den grunnleggende analyse av effektiviteten av energi umiddelbart konkluderer med at en elektrisk bølge (to topper) er to ganger mindre effektiv enn overføring av informasjon, med en enkel topp, så følgende hjernen vil ikke det være en god idé. Jeg tror, datamaskin arkitekter må søke å finne ut hvordan hjernen regner, men det bør ikke bokstavelig talt kopi i silicon".

Bryte Moore ' s lov, overgår GPU

Energieffektivitet er faktisk den begrensende faktor for neuromorphic arkitekturer, men det er ikke begrenset. Du kommenterer Moore ' s lov, Tun sa at vi langt overgikk alle forventninger og vi har fortsatt 10-20 år med fremgang på lager. Men da vi nå noen fundamentale grenser.

Tong mener, vi har nådd det laveste spenning som kan brukes i slike chips. Derfor kan vi legge til flere transistorer, men for å gjøre dem mye raskere, men kan. "Din bærbare pc som kjører på 2 GHz, det er bare flere kjerner. Men vi trenger tusenvis av kjerner for å arbeide med maskinen læring. Vi trenger et annet arkitektoniske prosessen for å designe chips andre måter. De gamle metodene vil ikke jobbe".

Tong sa at IPU er en universalCPU-maskin intelligens, som er spesielt utviklet for maskin intelligens. "En av fordelene med vår arkitektur er at det er egnet for mange moderne tilnærminger til maskinlæring for eksempel CNN, men det er svært optimalisert for andre maskin-learning tilnærminger som forsterkning læring, og andre. Arkitekturen av IPU tillater oss å overgå Gpu — det kombinerer massive parallellitet med mer enn 1000 uavhengig prosessorkjerner på IPU og det innebygde minnet, slik at hele modellen kan være plassert på en chip".

Men hvordan IPU kan sammenlignes med Nvidia GPU i praksis? Han har nylig utgitt noen av testene maskinlæring, som Nvidia ser ut til å ha vunnet. Men som nevnt av Thun, data struktur for maskinlæring er forskjellige, fordi de er mer flerdimensjonalt og sammensatt. Derfor trenger de å jobbe på en annen måte. GPU-er svært kraftig, men ikke nødvendigvis effektive i å arbeide med disse datastrukturene. Du kan opprette 10 og 100 ganger raskere modell.

Men hastigheten er ikke alt, hva du trenger for å lykkes i dette spillet. Nvidia, for eksempel, lyktes ikke bare på grunn av sin kraftige GPU. En stor del av sin suksess ligger i programvaren. Bibliotekene som tillater utviklere å sammendrag fra maskinvare særegenheter og fokus på å optimalisere sine algoritmer for maskinlæring, har blitt et sentralt element i selskapets suksess.

Revolusjonen grafen er i ferd med å begynne

Selvfølgelig, du har allerede begynte å lure på hva slags grafer. Hva slags struktur, modell og formalisme bruker Graphcore til å representere og jobbe med disse grafene? Kan vi kalle dem grafer kunnskap? Den gode nyheten er at ventetiden er lang.

"Vi kaller' em computational grafer. Alle machine learning modell er best uttrykt i en graf — hvordan det fungerer og TensorFlow. Bare våre tellinger av flere størrelsesordener mer komplisert, fordi vi har samtidig bruk av flere størrelsesordener til arbeid med grafer i våre chips, sier Thun.

Tong lover som over tid Graphcore vil gi utviklere full tilgang IPU åpen kildekode til sin optimalisert biblioteker av grafer slik at de kan se hvordan Graphcore skaper programmer..

Graphcore er allerede leverer produksjonsutstyr til første kundene i tidlig tilgang. Nå Graphcore selger PCIe-kort som er klar til å koble-til-server plattformer, heter C2 IPU-Prosessor. Hver inneholder to prosessorer IPU. Selskapet er også jobbe med Dell på å tiltrekke bedriftskunder og cloud klienter.

Dette Produktet vil bli allment tilgjengelig neste år. Det første fokuset vil være på datasentre, cloud-løsninger og en rekke eksterne programmer som krever stor computational ressurser, som Autonome biler. For forbruker-enheter, for eksempel mobiltelefoner Graphcore ennå ikke fokusert.

Jeg Tror vi har en revolusjon? La oss diskutere i vår