网站建设教程17,网站标题是关键词吗,百度公司做网站服务,受欢迎的做pc端网站从AI热潮中率先获益的英伟达#xff0c;其GPU参数和性能频繁出现在不少AI芯片发布会的对比图中。这是在缺乏AI芯片衡量的标准时#xff0c;新的AI芯片证明自己实力的不错方式。不过#xff0c;声称性能超越英伟达GPU的创新AI芯片不少#xff0c;但想要超越英伟达非常困难。…从AI热潮中率先获益的英伟达其GPU参数和性能频繁出现在不少AI芯片发布会的对比图中。这是在缺乏AI芯片衡量的标准时新的AI芯片证明自己实力的不错方式。不过声称性能超越英伟达GPU的创新AI芯片不少但想要超越英伟达非常困难。因为超越英伟达最核心的并不是更高的硬件参数和更低的价格13年和160万这两个数字才是关键。13年前就“注定”成为AI明星1993年成立不久后英伟达就面临激烈的显卡市场竞争幸运的是它从47家显卡生产商的竞争中胜出并于1999年在美国上市。带领英伟达走向成功的关键人物之一就是其创始人兼CEO黄仁勋人称黄教主。为了让英伟达拓展新的市场领域多年来黄仁勋一直都会事先做好风险预估工作。十多年前黄仁勋下了一次关键性的赌注押注一系列的改动和软件开发让GPU能够处理图像以外更为复杂的任务。此举给英伟达带来了不小的成本压力。黄仁勋估计名为CUDACompute Unified Device Architecture统一计算架构的项目每年需要花费5亿美元当时英伟达的总营收约为30亿美元。这个重大的决策和CUDA成功背后还有一个关键人物——现英伟达GPU 计算软件总经理的Ian Buck。他在加入英伟达之前就通过实验证实GPU用于通用计算的潜力巨大2004年进入英伟达实习后Ian Buck开始聚集相关的硬件和软件工程师创建GPGPU模型。不久后英伟达对其芯片作出改动开发出软件辅助工具包括支持标准的编程语言而非用于向图形芯片发出指令的神秘工具。在Ian Buck的率领下2006年CUDA正式推出这是全球首款GPU的通用计算解决方案。CUDA工具包包括了GPU加速库、编译器、开发工具。为了便于使用英伟达让使用CUDA的开发人员可以使用熟悉的C、C 、Fortran、Python、MATLAB等流行语言设计程序以几个基本关键字的形式通过扩展表达并行性就能用GPU实现加速计算。随着CUDA的迭代CUDA团队开发了石油、天然气和国防等相关产业所使用的科学计算方面的库。开发者们也逐渐把GPU应用于气候建模、勘探石油和天然气等很多领域。同样关键的是CUDA发布之后英伟达所有新推出的GPU都支持CUDA。这就意味着只要研究人员、学生拥有搭载英伟达GPU的笔记本电脑或者台式机就能在学校实验室和宿舍开发软件。再加上英伟达说服了许多大学开设课程教学生用其最新的技术。这才有了大家都熟悉的2012年Alex Krizhevsky用英伟达GPU运行AlexNet卷积神经网络算法在2012年ImageNet竞赛中获得第一图像识别的错误率大大降低。由此深度神经网络引发了第三次AI浪潮英伟达也一步步成为了“AI明星”。2016年英伟达投入数十亿美元动用数千工程师打造的第一个专为深度学习优化的Pascal GPU推出。2017年又推出了性能比Pascal提升5倍的Volta架构神经网络推理加速器TensorRT 3也同时亮相。2018年黄仁勋口中自2006年CUDA GPU发明以来最大的飞跃图灵Turing架构发布这一新架构承载了RT核心RT Core以及全新张量核心Tensor CoreRT Core使全球首款光线追踪GPU成为可能Tensor Core能实现高性能的深度学习训练和推理。英伟达承诺第8代图灵架构GPU模拟物理世界的能力将比Pascal架构提升6倍实时光线追踪能力比Pascal架构提升25倍。AI的光环下英伟达的股价比GPU性能的提升更加迅速2016年每股30美元左右 到2018年最高涨至每股280美元创下历史新高。不过相比硬件的加速软件带来的提升更加显著。黄仁勋称在不改变硬件的前提下通过软件和库的完善过去2年英伟达将计算性能提升4倍AI推理性能可以提升2倍所需的开发时间也可以几周缩短为几天从几天缩短为几小时。即便是新推出的硬件平台Orin也十分强调其软件定义特性尽可能延长硬件的生命周期以及发挥软件的优势。160万开发者生态英伟达开发者计划副总裁Greg Estes说“之所以英伟达在AI时代比其它公司跑的更快一些主要的原因是十多年前做出的战略性决定——将CUDA开放给各个行业。任何一个英伟达GPU都可以使用相同的软件堆栈。”这意味着英伟达生态系统中的合作伙伴都能接触到一个巨大的市场无论是做AI、游戏还是数据中心、边缘计算。在这种吸引力下特别是伴随深度学习的火热英伟达的开发者生态日渐壮大过去三、四年开发者数量增长尤为快速。2019年全球已经有超过160万CUDA开发者。中国CUDA开发者数量最为众多数量也增长最快数量已经超过了30万并且还在以每个月新增1万人的数量增长。仅今年CUDA的下载次数就超过了500万次。与之相伴的是CUDA的不断更新今年初全新的AI加速库CUDA X AI SDK正式发布可以用于数据分析、机器学习、深度学习等多个领域的加速更好地释放 Tensor Core GPU 的灵活性。如今CUDA已经发布了500多个库。本周三的GTC China 2019上黄仁勋又宣布推出TensorRT 7它支持各种类型的RNN、Transformer和CNN能支持1000多种不同的计算变换和优化。之所以选择在TensorRT6推出后的三个月就推出TensorRT7英伟达负责TensorRT产品市场Siddarth Sharma接受采访时称主要是为了会话式AI。会话式AI涉及语音识别和转化为文字、理解文字、再转化为文字用语音反馈三个部分此前的TensorRT版本能完成理解的部分TensorRT7可以完成三个流程并且是在300毫秒内。另外英伟达还用迁移学习、联邦学习等方式帮助开发者更快地将AI技术应用于自动驾驶、医疗等行业。当然为了让新注册的开发者更快上手CUDA除了提供文档英伟达深度学习学院DLI也提供实战培训帮助开发者了解如何开发、应用甚至部署。还有英伟达的校园大使项目目前以及与国内23个高校合作让高校老师能开设DLI课程补充理论课程。为了中国开发者DLI将很多课程转换为中文还在中国新开了10个基础的DLI课程。更多的开发者让CUDA软件堆栈不断完善也让英伟达可开发不同的全套解决方案应用到各个垂直行业这也是英伟达成功的关键。要探索更多的领域英伟达需要进一步开放CUDA在支持x86的基础上英伟达今年6月宣布将在年底前向Arm生态系统提供全堆栈的AI和HPC软件。至于未来是否会进一步开放甚至开源CUDAGreg Estes告诉雷锋网现在整个开发者社区做出了各种贡献CUDA周边也有很多开源软件和代码对于CUDA的进一步开放英伟达并不反对。“我们也将不断探索开拓一些现在还没人愿意关注的市场。这需要勇气也非常困难但英伟达的基因让我们非常享受各种挑战。” Greg Estes如此解释构建更强大开发者生态的挑战。他同时指出进入到新的领域营销可能需要更多的支出。但英伟达使用的是统一的平台进入新领域的时候并不需要像其它公司一样开发新的架构和软件不会大幅增加研发成本。比如开发自动驾驶的软件和开发机器人的软件差别没那么大它们都有感知环境、设定路径、模拟周围物体移动的相同之处。如何超越所有GPU从云端到终端不同的硬件平台都支持统一的CUDA软件平台让英伟上百万的开发者可以基于GPU在各个领域进行计算加速。这促进了CUDA软件堆栈的完善也让英伟达能够针对不同的领域推出完整的解决方案。这是英伟达在AI时代率先被广泛应用的重要原因也是其在未来竞争中核心竞争力。26年的硬件能力积累13年前开始的统一平台软件布局160万的开发者生态不断探索新领域的商业模式这样的一个系统公司怎么看都难以超越。但也并非没有可能有一家初创公司的思路是在软件层面完美兼容CUDA通过提供性价比更高的硬件能够替代英伟达GPU。但由于CUDA并非完全开放且在持续迭代要完美兼容CUDA面临挑战能否在兼容的同时完成新生态的建设影响成败。还有一家公司走的是定制化和本地服务的路线通过与有强AI需求的公司合作提供性价比更高的定制化解决方案同时提供更加本地化的服务以期获得一些市场份额。这两种方法都有成功的机会但实际应用和发展的过程中每一步都充满挑战且非常关键。还有一点不容忽视的是GTC China 2019上英伟达展示了GPU相比CPU在云端AI推理中的成本以及性能优势即便黄仁勋表示这并不是要用GPU替代CPU但在云端训练市场需求放缓推理市场迅速增长的背景下英伟达和英特尔将在云端AI推理市场激烈的竞争难以避免。这是否会改变市场格局雷锋网雷锋网
