[ad_1]
Podczas gdy świat pędzi, by wykorzystać najnowszą falę technologii sztucznej inteligencji, jeden element zaawansowanego technologicznie sprzętu stał się zaskakująco gorącym towarem: procesor graficzny lub GPU.
Najwyższej klasy procesor graficzny może być sprzedawany za dziesiątki tysięcy dolarów, a wiodący producent Nvidia widział swoją wycenę rynkową przekroczyła 2 biliony dolarów wraz ze wzrostem popytu na jej produkty.
Układy GPU to nie tylko wysokiej klasy produkty AI. Mniej wydajne układy GPU znajdują się również w telefonach, laptopach i konsolach do gier.
Prawdopodobnie zastanawiasz się teraz: Czym tak naprawdę jest procesor graficzny? I co czyni je tak wyjątkowymi?
Czym jest procesor graficzny?
Procesory graficzne zostały pierwotnie zaprojektowane głównie z myślą o szybkim generowaniu i wyświetlaniu złożonych scen i obiektów 3D, takich jak te występujące w grach wideo i komputerach. projektowanie wspomagane komputerowo oprogramowanie. Nowoczesne procesory graficzne obsługują również takie zadania jak dekompresja strumieni wideo.
„Mózgiem” większości komputerów jest układ zwany jednostką centralną (CPU). Procesory CPU mogą być wykorzystywane do generowania scen graficznych i dekompresji wideo, ale są one zazwyczaj znacznie wolniejsze i mniej wydajne w tych zadaniach w porównaniu do układów GPU. CPU lepiej nadają się do ogólnych zadań obliczeniowych, takich jak przetwarzanie tekstu czy przeglądanie stron internetowych.
Czym różnią się układy GPU od procesorów CPU?
Typowy nowoczesny procesor składa się z od 8 do 16 „rdzeni, z których każdy może przetwarzać złożone zadania w sposób sekwencyjny.
Z drugiej strony, procesory graficzne mają tysiące stosunkowo małych rdzeni, które zostały zaprojektowane tak, aby wszystkie działały w tym samym czasie („równolegle”) w celu osiągnięcia szybkiego ogólnego przetwarzania. Sprawia to, że dobrze nadają się one do zadań wymagających dużej liczby prostych operacji, które mogą być wykonywane w tym samym czasie, a nie jedna po drugiej.
Tradycyjne procesory graficzne występują w dwóch głównych odmianach.
Po pierwsze, są to samodzielne układy, które często występują w kartach rozszerzeń dla dużych komputerów stacjonarnych. Drugim są układy GPU połączone z CPU w tym samym pakiecie chipów, które często można znaleźć w laptopach i konsolach do gier, takich jak PlayStation 5. W obu przypadkach CPU kontroluje to, co robi GPU.
Dlaczego procesory graficzne są tak przydatne w sztucznej inteligencji?
Okazuje się, że procesory graficzne można wykorzystać do czegoś więcej niż tylko generowania scen graficznych.
Wiele technik uczenia maszynowego stojących za sztuczną inteligencją, takich jak głębokie sieci neuronowepolegają w dużej mierze na różnych formach mnożenia macierzy.
Jest to operacja matematyczna polegająca na mnożeniu i sumowaniu bardzo dużych zbiorów liczb. Operacje te dobrze nadają się do przetwarzania równoległego, a zatem mogą być wykonywane bardzo szybko przez procesory graficzne.
Co dalej z procesorami graficznymi?
Zdolność procesorów graficznych do wykonywania obliczeń liczbowych stale rośnie ze względu na wzrost liczby rdzeni i prędkości ich działania. Ulepszenia te wynikają przede wszystkim z usprawnień w produkcji chipów przez takie firmy jak TSMC na Tajwanie.
Rozmiar pojedynczych tranzystorów – podstawowych elementów każdego układu komputerowego – zmniejsza się, umożliwiając umieszczenie większej liczby tranzystorów na tej samej przestrzeni fizycznej.
Nie jest to jednak cała historia. Podczas gdy tradycyjne procesory graficzne są przydatne w zadaniach obliczeniowych związanych ze sztuczną inteligencją, nie są one optymalne.
Podobnie jak układy GPU zostały pierwotnie zaprojektowane w celu przyspieszenia komputerów poprzez zapewnienie wyspecjalizowanego przetwarzania grafiki, istnieją akceleratory zaprojektowane w celu przyspieszenia zadań uczenia maszynowego. Akceleratory te są często określane jako procesory graficzne dla centrów danych.
Niektóre z najpopularniejszych akceleratorów, produkowane przez takie firmy jak AMD i Nvidia, zaczynały jako tradycyjne procesory graficzne. Z czasem ich projekty ewoluowały, aby lepiej radzić sobie z różnymi zadaniami uczenia maszynowego, na przykład obsługując bardziej wydajne „brain float” format liczbowy.
Inne akceleratory, takie jak Google jednostki przetwarzania tensorowego i Tenstorrent’s Dziesięć sześć rdzenizostały zaprojektowane od podstaw w celu przyspieszenia działania głębokich sieci neuronowych.
Układy GPU dla centrów danych i inne akceleratory sztucznej inteligencji są zazwyczaj wyposażone w znacznie więcej pamięci niż tradycyjne karty rozszerzeń GPU, co ma kluczowe znaczenie dla trenowania dużych modeli sztucznej inteligencji. Im większy model sztucznej inteligencji, tym bardziej wydajny i dokładny.
Aby jeszcze bardziej przyspieszyć szkolenie i obsłużyć jeszcze większe modele sztucznej inteligencji, takie jak ChatGPT, można połączyć wiele układów GPU w centrum danych, tworząc superkomputer. Wymaga to bardziej złożonego oprogramowania, aby odpowiednio wykorzystać dostępną moc obliczeniową. Innym podejściem jest stworzenie pojedynczego, bardzo dużego akceleratora, takiego jak „procesor waflowy” wyprodukowany przez Cerebras.
Czy wyspecjalizowane chipy to przyszłość?
Procesory również nie stoją w miejscu. Najnowsze procesory AMD i Intela mają wbudowane instrukcje niskiego poziomu, które przyspieszają przetwarzanie liczb wymagane przez głębokie sieci neuronowe. Ta dodatkowa funkcjonalność pomaga głównie w zadaniach „wnioskowania”, czyli korzystania z modeli sztucznej inteligencji, które zostały już opracowane gdzie indziej.
Do trenowania modeli AI w pierwszej kolejności nadal potrzebne są duże akceleratory podobne do GPU.
Możliwe jest tworzenie coraz bardziej wyspecjalizowanych akceleratorów dla określonych algorytmów uczenia maszynowego. Niedawno, na przykład, firma o nazwie Groq wyprodukowała „jednostkę przetwarzania języka” (LPU) specjalnie zaprojektowany do uruchamiania dużych modeli językowych na wzór ChatGPT.
Stworzenie tych wyspecjalizowanych procesorów wymaga jednak znacznych zasobów inżynieryjnych. Historia pokazuje, że wykorzystanie i popularność dowolnego algorytmu uczenia maszynowego ma tendencję do osiągania szczytów, a następnie słabnie – więc drogi specjalistyczny sprzęt może szybko stać się przestarzały.
Dla przeciętnego konsumenta jest to jednak mało prawdopodobne. Procesory graficzne i inne układy w produktach, z których korzystasz, prawdopodobnie będą po cichu stawać się coraz szybsze.
Ten artykuł został ponownie opublikowany z The Conversation na licencji Creative Commons. Przeczytaj oryginalny artykuł.
Image Credit: Nvidia
[ad_2]