Forøg hardwarekapaciteter til kunstig intelligens

CPU'en fungerer stadig godt til forretningssystemer eller i applikationer, hvor behovet for generel fleksibilitet i programmering opvejer ren processorkraft. Imidlertid er GPU'er nu standarden for forskellige former for datavidenskab, maskinlæring, kunstig intelligens og behov for dyb læring. Alle leder selvfølgelig hele tiden efter det næste store i udviklingsmiljøet. Både CPU'er og GPU'er er processorer på produktionsniveau. I fremtiden vil du muligvis se en af ​​to slags processorer, der bruges i stedet for disse standarder:

• Application Specific Integrated Circuits (ASIC'er): I modsætning til generelle processorer opretter en leverandør en ASIC til et specifikt formål. En ASIC-løsning tilbyder ekstremt hurtig ydeevne ved brug af meget lidt strøm, men den mangler fleksibilitet. Et eksempel på en ASIC-løsning er Googles Tensor Processing Unit (TPU) , som bruges til talebehandling.
• Field Programmable Gate Arrays (FPGA'er): Som med en ASIC, laver en leverandør generelt en FPGA til et specifikt formål. I modsætning til en ASIC kan du dog programmere en FPGA til at ændre dens underliggende funktionalitet. Et eksempel på en FPGA-løsning er Microsofts Brainwave , som bruges til deep-learning-projekter.

Kampen mellem ASIC'er og FPGA'er lover at blive varmere, hvor AI-udviklere dukker op som vinderen. For øjeblikket ser det ud til, at Microsoft og FPGA'er har taget føringen. Pointen er, at teknologien er flydende, og du skal forvente at se nye udviklinger.

Leverandører arbejder også på helt nye behandlingstyper, som måske eller måske ikke fungerer som forventet. For eksempel arbejder Graphcore på en Intelligence Processing Unit (IPU). Du er nødt til at tage nyheden om disse nye processorer med et gran salt i betragtning af den hype, der har omgivet industrien i fortiden. Når du ser rigtige applikationer fra store virksomheder som Google og Microsoft, kan du begynde at føle dig lidt mere sikker på fremtiden for den involverede teknologi.