這需要龐大的計算能力，如果微軟這樣的公司用一般的通用晶片來做這樣的計算，這個過程花的時間就太久了，晶片可能支持不了這樣高的負載，用掉的電也太多了。 不過現在的趨勢要比以前大多了，而且從新的層面上改變著這個市場。 nvidia intel Intel 面前的競爭對手不僅有 NVIDIA 和高通的這樣的晶片製造商，還有 Google 和微軟這樣一直以來都相當「軟」的公司。 Google 已經在設計第二代的 TPU 芯片了。 根據 Google 的說法，今年晚些時候，任何 Google 雲計算服務的客戶或者開發者都可以在新的 TPU 晶片上面運行他們自己的軟體。 比如，在訓練好一個語音識別算法以後，微軟會把它作為一個線上服務提供出來，然後它就可以開始識別人們講給自己手機的指令。
當 Intel 內部高管們討論摩爾定律失效的狀況時，他們內部的混亂連公司外的人都看得到。 在近期一次紐約時報的採訪中，Nervana nvidia intel 創始人、現在已是 Intel 高管的Naveen Rao 表示，Intel 其實可以讓摩爾定律「再堅持幾年」。 從官方口徑上講，Intel 的姿態是傳統晶片的改善在未來 10 年都還可以順利地進行下去。 Doug Burger 透露，在微軟全球的服務器網絡中，替代計算晶片只佔了所有運營中很小的一部分。
nvidia intel: 【2023 智慧城市發展預測】7 位國際企業領導人：有 4 項智慧交通趨勢正在發生
2016年秋天，另一組微軟的研究員們做了和 nvidia intel Jeff Dean 的團隊同樣的工作，構建了一個比人類的平均水平還要高一點點的語音識別系統，也是透過神經網絡。 當時微軟才剛剛開始用機器學習改進必應搜尋，透過分析用戶的使用方式改善搜尋結果。 雖然那時候的算法對硬體的要求比後來風靡的神經網絡低得多，但是晶片已經有點跟不上了。 在過去的接近五十年裡，計算機的設計者們都圍繞著一塊單獨的、全能的晶片設計整個系統。 這個全能的晶片就是 CPU，台式電腦、筆記本電腦裡都有，往往來自 Intel ；手機裡有時候也有 Intel 的CPU。
實實在在的需求推動了 Google 的這一變化。 多年以來，Google 都有著全世界最大的計算機網絡，簡直像是一個數據中心和線纜組成的帝國，從加州一直擴張到芬蘭和新加坡。 然而，對這位 Google 的研究員來說，這樣的網絡還是太小了。 電腦要跟人對話，要能認出人臉，也要能認出路邊的小花，再過不久還要給人類開車。 所有這些人工智能都需要極高的計算能力，即便當下最先進的電腦也沒法隨隨便便完成。
nvidia intel: 微軟的專用晶片探索之路：FPGA
但這個想法實現不了，Jeff Dean 就提出了一個替代方案：自己造一種專門運行這種人工智能的晶片。 Google 大多數的服務器裡都還有一個 CPU，但是現在有數不清的定制化晶片和它們共同工作，為語音識別等人工智慧應用提供運算支持。 GPU 是各個公司訓練神經網絡的重要基石，不過這也只是整個過程中的一部分。 當神經網絡訓練完畢以後就可以開始執行任務，這時候需要的計算能力又有所不同。
然而到了2010年，讓晶體管數量再翻一倍花的時間比摩爾定律預測的更長了，Dennard 縮放定律也失效了，因為晶片設計人員們遇到了來自材質物理特性本身的限制。 雖然目前這些事情都還只發生在消費者視野之外的大型數據中心裡，但是這對整個 IT工業體系產生廣泛的影響恐怕只是時間問題。 這個矽片的新浪潮擴散得很快，Intel 的市場地位也越來越糾結。 它一方面否認市場正在發生變化，但是又或多或少地轉換著自己的業務避免掉隊。
nvidia intel: AI 晶片百家爭鳴
以往的系統需要工程師們寫下無數行代碼，仔仔細細描述系統應該如何如何做。 這個項目的負責人就是黃學東，他是來自中國的語音識別專家。 在介紹這項工作的論文發表之後沒多久，他就約了他的好朋友、NVIDIA CEO 黃仁勳在 Palo Alto 吃了個飯。 結果就是，如果想要更高的計算能力，只靠升級 nvidia intel CPU nvidia intel 已經不能解決問題了，需要增加更多的計算機、消耗更多的空間和電力。 在生物的大腦中，能源效率至關重要」，在近期的一次採訪中，身處豐田在矽谷的新研究中心的 Gill 這樣說。
所以很多公司現在都開始製造專門用於執行所學到的東西的晶片。 所以，幾個網路巨頭都已經借助 NVIDIA 的 GPU 訓練自己的神經網絡。 GPU 本來的設計只是為了用在遊戲圖形渲染中的，專用的設計讓它們保持了 CPU 近似水平的功耗，但是在神經網絡訓練中的計算速度要比 CPU 高很多。 現在 GPU 就和 CPU 聯手負責計算機中的運算。
nvidia intel: 【製造業必讀】盤點 2023 智慧製造 9 種 AI 創新應用，加速帶動商業模式轉型！
Google 的網絡軟硬體研發工程副總裁 Bart Sano 表示 Google 的數據中心也是類似的狀況。 他們可以先對晶片編程，讓它在特定的機器學習算法中表現非常好；然後可以重新編程，讓它適合做邏輯運算。 微軟設計的這種晶片打算專門用在 AR 頭盔上，然後 Google、豐田等一大群造自動駕駛汽車的廠商也會需要類似的晶片。
，它識別對話的準確率要比 Google 那時已有的系統高得多。 專做智能手機用的 ARM 晶片的高通，以及數量客觀的初創公司都在研發 AI 晶片，希望能在這個快速成長的市場中分一杯羹。 根據科技調研公司 IDC 預計，到 2021 年，帶有替代計算晶片的服務器將達到 68 億美元的銷售額，大致是整個服務器市場的十分之一。
在連續幾年的緩步發展以後，計算機終於又開始進化了，換上了新樣子的計算機會產生廣泛而持久的影響。 它們能夠大大提高人工智慧系統的運行速度，也許未來某一天「機器人可以統治世界」的夢想也可以成真。 從提供網路服務的數據中心、手裡的 iPhone 到 VR 頭盔和無人機，所有科技產品的核心都是半導體晶片。 隨著新型晶片的時代來臨，目前年產值三千億美元的半導體工業很可能會完全變了個樣子。 要構建一個單詞識別達到人類水平的系統，研究者們需要花費很多時間反複訓練它，對算法做精細的調節，以及不斷優化訓練數據。 這個過程裡需要嘗試成百上千算個不同的算法，每個算法又需要運行上萬、上億次。
Intel 實驗室的主管 Mike Mayberry 則表示加一兩塊晶片不是什麼新鮮事了，他說以前的電腦裡就有單獨的晶片來處理聲音之類的事情。
nvidia intel: 科技巨頭紛紛創造專用晶片
2年前，英特爾花費了高達167億美元收購了 Altera，這家公司造的就是微軟使用的 FPGA。 去年，Intel 又收購了一家開發專門用於神經網絡的公司 Nervana，據說又花了超過 4 億美元。 如今，在 Nervana 團隊的領導下，Intel 也在開發一款專門用於神經網絡訓練和執行的晶片。 Intel 實驗室的主管 Mike Mayberry 已經向著替代計算晶片開始發起努力。 可能是因為 Intel 佔據著數據中心市場 90% 的市場份額，從而也是傳統晶片的最大的銷售商。 他說，如果對 CPU 做一些適當的修改，它們也可以應對新的任務而無需其它幫助。
- 如今，在 Nervana 團隊的領導下，Intel 也在開發一款專門用於神經網絡訓練和執行的晶片。
- 2年前，英特爾花費了高達167億美元收購了 Altera，這家公司造的就是微軟使用的 FPGA。
- 這個過程裡需要嘗試成百上千算個不同的算法，每個算法又需要運行上萬、上億次。
- GPU 本來的設計只是為了用在遊戲圖形渲染中的，專用的設計讓它們保持了 CPU 近似水平的功耗，但是在神經網絡訓練中的計算速度要比 CPU 高很多。
- 不過現在的趨勢要比以前大多了，而且從新的層面上改變著這個市場。
到現在，幾乎每一台微軟的數據中心新增的服務器中都帶有一塊 FPGA 晶片，它們幫助呈現必應搜尋的結果，以及支持著微軟的雲計算服務 Azure。 Doug Burger 和他的團隊做了很多不同的嘗試，最終決定用了這種叫做「FPGA」（現場可編程矩陣門陣列）的晶片，它們可以在工作過程中重新編程，適應新的任務。 微軟的 Windows 需要運行在 Intel 的 CPU 上，但是 CPU 是不能重新編程的，一旦造出來，能做什麼就固定了。 以前可能所有的任務都要傳到 Intel CPU中完成，現在的計算機則會把任務分成許多的小塊，然後把它們交給外圍的專用晶片完成，這些晶片結構比 CPU 簡單、耗電也要更少。
nvidia intel: 一次看懂 AI 晶片發展史：從 Intel CPU 的興衰，到微軟 FPGA、Google TPU 的崛起
由香港SEO公司 featured.com.hk 提供SEO服務
