Øk maskinvarekapasiteten for kunstig intelligens

CPU'en fungerer fortsatt bra for forretningssystemer eller i applikasjoner der behovet for generell fleksibilitet i programmering oppveier ren prosessorkraft. Imidlertid er GPU-er nå standarden for ulike typer datavitenskap, maskinlæring, AI og dyplæringsbehov. Selvfølgelig leter alle hele tiden etter det neste store i utviklingsmiljøet. Både CPUer og GPUer er prosessorer på produksjonsnivå. I fremtiden kan du se en av to typer prosessorer som brukes i stedet for disse standardene:

• Application Specific Integrated Circuits (ASICs): I motsetning til generelle prosessorer, lager en leverandør en ASIC for et spesifikt formål. En ASIC-løsning tilbyr ekstremt rask ytelse med svært lite strøm, men den mangler fleksibilitet. Et eksempel på en ASIC-løsning er Googles Tensor Processing Unit (TPU) , som brukes til talebehandling.
• Field Programmable Gate Arrays (FPGAs): Som med en ASIC, lager en leverandør generelt en FPGA for et bestemt formål. I motsetning til en ASIC kan du imidlertid programmere en FPGA til å endre dens underliggende funksjonalitet. Et eksempel på en FPGA-løsning er Microsofts Brainwave , som brukes til dyplæringsprosjekter.

Kampen mellom ASIC-er og FPGA-er lover å varmes opp, med AI-utviklere som dukker opp som vinneren. Foreløpig ser det ut til at Microsoft og FPGA-er har tatt ledelsen. Poenget er at teknologi er flytende, og du bør forvente å se nye utviklinger.

Leverandører jobber også med helt nye behandlingstyper, som kanskje eller kanskje ikke fungerer som forventet. For eksempel jobber Graphcore med en Intelligence Processing Unit (IPU). Du må ta nyhetene om disse nye prosessorene med en klype salt gitt hypen som har omgitt industrien tidligere. Når du ser ekte applikasjoner fra store selskaper som Google og Microsoft, kan du begynne å føle deg litt mer sikker på fremtiden til teknologien som er involvert.