智能爆发条件一：基础设施不断提升，计算能力快速提升

您当前位置：首页 > 中为资讯 > IT通讯 > 　正文

来源：中为咨询www.zwzyzx.com 【日期：2016-08-11 16:42:06】【打印】【关闭】

相关报告

2014-2018年玉米加工行业深度调研分析及投资前景研究报告(2013-12-24)
2015-2019年电动车充电器项目商业计划书(2014-11-03)
2015-2020年中国皮带轮行业市场深度剖析及投资发展研究报告(2015-07-29)
2015-2020年中国咖啡行业市场调查研究及投资发展分析报告(2015-05-07)
2015-2020年中国管夹行业市场主要领域调查分析报告(2015-09-08)
2015-2020年中国MPPO行业市场重点层面调查研究报告(2015-10-14)
2014版电力热力燃料及水行业企业建设项目可行性研究报告(2014-10-13)
2015-2020年中国EEA行业深度调研及市场投资发展研究报告(2015-07-09)
全国主要地区仲辛醇产业发展状况暨投资环境调查研究报告(2014-11-26)
2015-2019年储物箱项目商业计划书(2014-10-23)

人工智能算法需要强大的计算能力。根据DeepMind团队发表在《Nature》上的文章《MasteringthegameofGowithdeepneuralnetworksandtreesearch》，DeepMind训练AlphaGo的机群价值500万美元，包括1202个CPU和176个GPU。

AlphaGo的机群由1202个CPU和176个GPU组成

半导体产业在摩尔定律长达半个世纪的推动下成绩空前。半个世纪以来，芯片计算能力指数上升，成本呈指数下降。半导体行业巨头Intel已实现14nm工艺，相当于常见细菌的细胞壁厚度，处理器性能相当于Intel在1971年制造的第一款10um工艺（10000nm）微处理器Intel4004的3500倍，能源效率提升了90000倍，而成本只有其六万分之一。

Intel芯片性能相比1971年第一款微处理器大幅提升

Intel芯片集成度时间轴

而GPU天生更适合机器学习。与传统以串行处理为主的CPU不同，GPU的设计更适用于进行并行计算。CPU包含几个专为串行处理而优化的核心，GPU则由数以千计更小、更节能的核心组成，这些核心专为提供并行性能而设计。GPU的并行计算能力可同时处理人工智能算法所需的大量数据，大大提升计算效率。

GPU缩短了深度学习的训练周期，加速人工智能产业发展进程。随着GPU技术的发展，为模拟人脑计算能力所构建的神经元网络连接的数目出现巨大增长。以语音识别为例，深度学习所需样本量在十亿量级，采用CPU单机需要几年才能完成一次训练，而GPU只需数周就能完成。GPU缩短了深度学习的训练周期，进而加速人工智能产业发展进程。

GPU与CPU的核心数量对比

GPU芯片性能的提升大大提高人工智能运算速度。英伟达通过改善GPU设计、系统架构、编译器及算法，在短短三年内使训练深度神经网络的速度提升50倍。英伟达预计，在未来几年里训练深度神经网络的速度将再提升10倍。而国内最好的人工智能硬件研究项目“寒武纪”小组的最新研究结果表明，GPU能够提供平均58.82X倍于CPU的速度。

英伟达三年加速深度学习50倍

“寒武纪”GPU提供平均58.82倍于CPU速度

互联网巨头纷纷布局人工智能芯片，未来计算能力将得到更大提升。Google研发出人工智能专用芯片TPU（TensorProcessingUnit），计算速度是当前常用GPU的10倍；高通发布了移动设备在深度学习领域的芯片技术ZerothPlatform，可在芯片上运行神经网络；IBM研发出类人脑芯片——巨型神经网络芯片SyNAPSE，拥有100万个神经元芯片、2.56亿个突触、4096个核心以及54亿个晶体管和63毫瓦的超低功耗；MIT研发名为“Eyeriss”的168核人工智能芯片；硅谷的芯片制造商Movidius推出USB版深度学习芯片。可以预见，未来人工智能的硬件计算能力将进一步提升。

巨头纷纷布局人工智能芯片