Öka maskinvarukapaciteten för artificiell intelligens

CPU:n fungerar fortfarande bra för affärssystem eller i applikationer där behovet av generell flexibilitet i programmering överväger ren processorkraft. Men GPU:er är nu standarden för olika typer av datavetenskap, maskininlärning, AI och djupinlärningsbehov. Naturligtvis letar alla hela tiden efter nästa stora grej i utvecklingsmiljön. Både CPU:er och GPU:er är processorer på produktionsnivå. I framtiden kan du se en av två typer av processorer som används i stället för dessa standarder:

• Application Specific Integrated Circuits (ASIC): I motsats till allmänna processorer skapar en leverantör en ASIC för ett specifikt ändamål. En ASIC-lösning erbjuder extremt snabb prestanda med väldigt lite kraft, men den saknar flexibilitet. Ett exempel på en ASIC-lösning är Googles Tensor Processing Unit (TPU) , som används för talbehandling.
• Field Programmable Gate Arrays (FPGA): Precis som med en ASIC, tillverkar en leverantör i allmänhet en FPGA för ett specifikt ändamål. Men i motsats till en ASIC kan du programmera en FPGA för att ändra dess underliggande funktionalitet. Ett exempel på en FPGA-lösning är Microsofts Brainwave , som används för djupinlärningsprojekt.

Kampen mellan ASIC:er och FPGA:er lovar att bli varmare, med AI-utvecklare som kommer fram som vinnaren. För närvarande verkar Microsoft och FPGA:er ha tagit ledningen. Poängen är att tekniken är flytande, och du bör förvänta dig att se ny utveckling.

Leverantörer arbetar också med helt nya bearbetningstyper, som kanske eller kanske inte fungerar som förväntat. Till exempel arbetar Graphcore med en Intelligence Processing Unit (IPU). Du måste ta nyheten om dessa nya processorer med en nypa salt med tanke på den hype som har omgett branschen tidigare. När du ser riktiga applikationer från stora företag som Google och Microsoft kan du börja känna dig lite mer säker på framtiden för den inblandade tekniken.