2018 AI趋势:AI芯片更丰富,用机器学习的企业翻倍机器学习
模型
2018 AI趋势:AI芯片更丰富,用机器学习的企业翻倍机器学习
机器学习
2018 AI趋势:AI芯片更丰富,用机器学习的企业翻倍机器学习
自动化
2018 AI趋势:AI芯片更丰富,用机器学习的企业翻倍机器学习
GPU
2018 AI趋势:AI芯片更丰富,用机器学习的企业翻倍机器学习
芯片

这是一个急速变化但又有很强发展衔接性的时代。


德勤在报告Technology, Media and Telecommunications Predictions(科技、传媒和通讯的预测)开头这样说。


这份报告中,德勤预测了增强现实(AR)、智能手机、AI芯片、机器学习、互联网、数字传媒等领域在2018年的大趋势。总体来讲,科技、传媒和通讯领域内将呈现指数级进步,生活中的方方面面也将发生不易察觉的变化。


这份报告长达80页,量子位将其中与人工智能相关的两部分编译整理如下。在2017年的尾巴,我们提前去2018年预览一下。



2018 AI趋势:AI芯片更丰富,用机器学习的企业翻倍机器学习

AI芯片

强大的运算力对训练和推理神经网络来说必不可少。


2009年,第一块GPU问世,这种专门为密集型计算、高度并行计算设计的芯片,比CPU更能满足机器学习任务的要求。自此,越来越多的类型开始丰富“AI芯片”这个新名词。



2018 AI趋势:AI芯片更丰富,用机器学习的企业翻倍机器学习

德勤预测,2018年,GPU和CPU仍是机器学习领域的主流芯片。


GPU的市场需求量大概在50万块左右,在机器学习任务中对FPGA的需求超过20万块,而ASIC芯片的需求量在10万块左右。



2018 AI趋势:AI芯片更丰富,用机器学习的企业翻倍机器学习

GPU、FPGA和ASIC芯片需求与2016年对比图

在年底,超过25%的数据中心中用来加速机器学习的芯片将为FPGA和ASIC芯片。



2018 AI趋势:AI芯片更丰富,用机器学习的企业翻倍机器学习

FPGA和ASIC芯片的市场份额超过25%

那么,每种类型的芯片到底向什么方向发展,德勤给出了详细的预测:


机器学习优化的GPU:在2018年,GPU制造者将推出专门优化机器学习任务的特别版GPU。其实现在已经能看到这样的案例,英伟达称自己的Volta架构将使深度学习训练加速12倍,在深度学习推理任务上比Pascal架构还要快6倍。


机器学习优化的CPU:在GPU市场蒸蒸日上的同时,我们也可以看到CPU公司推出机器学习专用的CPU芯片。比如英特尔Knights Mill芯片,比非机器学习优化芯片的性能提升了4倍。


机器学习优化的FPGA:在2016年,全球FPGA芯片的销售额已经超过40亿美元。在2017年年初报告《

Can FPGAs Beat GPUs in Accelerating Next-Generation Deep Neural Networks?》中,研究人员表示在某些情况下,FPGA的速度和运算力可能比GPU还要强。


目前,微软、亚马逊AWS和百度也称将FPGA用于机器学习的相关任务中。总体来说,2018年机器学习任务对FPGA的需求超过了20万。


机器学习优化的ASIC芯片:ASIC是只执行单一任务的芯片,目前ASIC芯片的制造厂商很多。在2017年,整个产业的总收益大约在150亿美元左右。


综合各芯片厂商放出的消息,英特尔的收购的Nervana,能在2018年生产出自己的芯片。此外,日本富士通也计划在2018年推出一款名为深度学习单元(DLU)的芯片。


TPU:TPU是谷歌为适应机器学习任务推出的ASIC芯片,适用于处理在开源的TensorFlow中的任务。在谷歌数据中心的推理任务中,TPU已经显示出良好的性能,和CPU相比,性能可以提升10到50倍。据谷歌预测的数据显示,2018年对TPU的需求大约在10万块左右。


低能耗机器学习加速芯片:德勤预测,在2018年,手机、平板和其他移动设备对机器学习芯片的需求量在5亿左右。移动端芯片的较大特点就是低能耗,GPU芯片的功率大致在250瓦左右,相比之下TPU芯片需要的功率仅为75瓦。对传感器网络来说,所需功率需要低于10毫瓦。


德勤预测,可能再过两三年,低功率的机器学习芯片才能有突破性进展。


光流芯片:除了上面几种,还有一种特殊的芯片类型,IBM的True North芯片就是一种光流芯片,它能加速机器学习任务,并且非常高效。不过德勤表示,现在还很难预测这种光流芯片在2018年的体量,但整体来说可能低于10万块,甚至低于1万块。


机器学习

德勤预测,在2018年,大中型企业将更加看重机器学习在行业中的应用。和2017年相比,用机器学习部署和实现的项目将翻倍,并且2020年将再次翻倍。



2018 AI趋势:AI芯片更丰富,用机器学习的企业翻倍机器学习

翻倍再翻倍

在报告中,德勤重点提出了让机器学习更广泛应用企业中的5个重要推动力,分别为数据科学的自动化、训练数据需求的减少、训练速度的加快、解释结果和本地部署等。


1. 数据科学自动化:像数据开发和特征工程这种耗时的机器学习任务,可能会占用数据科学家80%的时间。好消息是,这种繁琐的工作正在逐步被自动化取代。从耗时的工作解放出来后,数据科学家执行机器学习试验的时间从几个月缩短到了几天。自动化在一定程度上缓解了数据科学家的短缺,为企业赋予和更多活力。


2. 减少训练数据的需求:训练一个机器学习模型可能需要数以百万计的数据元素,为训练数据获取标记数据也是一件耗时且成本高的事情。目前,已经涌现出致力于减少机器学习需要的训练数据的技术,包括数据合成、算法生成的模拟真实数据特征等。


3. 加速训练:正如上面所说,像GPU、FPGA等机器学习专有硬件的出现可以缩短机器学习模型的训练时间,加速研究进展。


4. 解释结果:虽然机器学习的进展日新月异,但机器学习模型通常存在关键缺陷,比如黑箱,意味着我们无法解释其中的原理。这些不清楚让模型无法适应更多的应用。如果黑箱消失、结果都可解释,是机器学习应用的一大进步。


5. 本地部署:机器学习将随着部署能力一同成长。德勤去年曾经预测,机器学习正在走进移动设备和智能传感器,带来智能家庭、智慧城市、无人驾驶、可穿戴技术和物联网技术。


像谷歌、微软、Facebook等科技巨头正在尝试将机器学习模型压缩到便携设备上,比如谷歌的TensorFlow Lite、Facebook的Caffe2Go和苹果的Core ML。


相关资料

最后,附报告下载地址——

德勤报告网盘地址:

https://pan.baidu.com/s/1qXKx3sS


简笔画版报告摘要:

https://pan.baidu.com/s/1mivJvBE


欢迎加入本站公开兴趣群

商业智能与数据分析群

兴趣范围包括各种让数据产生价值的办法,实际应用案例分享与讨论,分析工具,ETL工具,数据仓库,数据挖掘工具,报表系统等全方位知识

QQ群:418451831

tags: 芯片,机器,学习,GPU,FPGA,德勤,ASIC,数据,CPU,TPU,AI,训练
分页:12
转载请注明
本文标题:2018 AI趋势:AI芯片更丰富,用机器学习的企业翻倍机器学习
本站链接:https://www.codesec.net/view/570164.html


1.凡CodeSecTeam转载的文章,均出自其它媒体或其他官网介绍,目的在于传递更多的信息,并不代表本站赞同其观点和其真实性负责;
2.转载的文章仅代表原创作者观点,与本站无关。其原创性以及文中陈述文字和内容未经本站证实,本站对该文以及其中全部或者部分内容、文字的真实性、完整性、及时性,不作出任何保证或承若;
3.如本站转载稿涉及版权等问题,请作者及时联系本站,我们会及时处理。
登录后可拥有收藏文章、关注作者等权限...
技术大类 技术大类 | 商业智能 | 评论(0) | 阅读(152)