PK | 黄仁勋亲自撰文怼上 TPU：P40速度比你快 2 倍，带宽是你的 10 倍

雷峰网 · 公众号 · 科技媒体 · 2017-04-11 22:23

正文

请到「今天看啥」查看全文

不可思议的效果

以谷歌为例。谷歌在深度学习里突破性的工作引发了全球关注：Google Now 语音交互系统令人吃惊的精确性、AlphaGo在围棋领域历史性的胜利、谷歌翻译应用于100种语言。

深度学习已经达到了不可思议的效果。但是深度学习的方法，要求计算机在摩尔定律放缓的时代背景下，精确处理海量数据。深度学习是一种全新的计算模型，它也需要一种全新计算架构的诞生。

一段时间以来，这种 AI 计算模型都是运行于英伟达芯片之上。2010 年，研究员 Dan Ciresan 当时在瑞士 Juergen Schmidhuber 教授的 AI 实验室工作，他发现英伟达 GPU 芯片可以被用来训练深度神经网络，比 CPU 的速度快 50 倍。一年之后，Schmidhuber 教授的实验室又使用 GPU 开发了世界上首个纯深度神经网络，一举赢得国际手写识别和计算机视觉比赛的冠军。

接着，在 2012 年，多伦多大学的硕士生 Alex Krizhevsky 使用了两个 GPU，赢得了如今蜚声国际的 ImageNet 图像识别竞赛。（Schmidhuber教授曾经写过一篇文章，全面梳理了运行于GPU之上的深度学习对于当代计算机视觉的影响 http://people.idsia.ch/~juergen/computer-vision-contests-won-by-gpu-cnns.html）

深度学习优化

全球的 AI 研究员都发现了，英伟达为计算机图形和超级计算应用所设计的 GPU 加速计算模型，是深度学习的理想之选。深度学习应用，比如 3D 图形，医疗成像、分子动力学、量子化学和气象模拟等，都是一种线性代数算法，需要进行大规模并行张量或多维向量计算。诞生于 2009 年的英伟达 Kepler GPU 架构，虽然帮助唤醒了世界在深度学习中使用 GPU 加速计算，但其诞生之初并非为深度学习量身定制的。

所以，我们必须开发出新一代GPU架构，首先是 Maxwell，接着是 Pascal，这两种架构都对深度学习进行了特定的优化。在Kepler Tesla K80 之后四年，基于 Pascal 架构的 Tesla P40 推理加速器诞生了，它的推理性能是前者的 26 倍，远远超过了摩尔定律的预期。

在这一时期，谷歌也设计了一款定制化的加速器芯片，名为“张量处理单元”，即 TPU。具体针对数据推理，于 2015 年部署。

上周，谷歌团队发布了关于 TPU 优越性的一些信息，称 TPU 比 K80 的推理性能高出 13 倍。但是，谷歌并没有拿 TPU 与如今最新一代的 Pascal P40 做比较。