Turinys
Kodėl šiuolaikiniam dirbtiniam intelektui nepakanka procesorių
Tradiciniai procesoriai yra labai universalūs ir puikiai atlieka įvairias skaičiavimo užduotis. Jie optimizuoti nuosekliosioms operacijoms, operacinėms sistemoms, verslo programinei įrangai, duomenų bazėms ir daugybei kitų darbo krūvių.
Dirbtinis intelektas yra kitoks. Šiuolaikiniams dirbtinio intelekto modeliams mokyti ir paleisti reikia vienu metu atlikti labai daug matematinių operacijų. Toks darbo krūvis greitai perkrauna įprastus procesorius.
Nors centriniai procesoriai išlieka esminiais dirbtinio intelekto sistemų komponentais, jie negali veiksmingai užtikrinti didžiulių lygiagretaus apdorojimo pajėgumų, reikalingų didžiausiems šiuolaikiniams modeliams.
Lygiagretaus apdorojimo galia
GPU iš pradžių buvo sukurti kompiuterinei grafikai atvaizduoti. Atvaizdams atvaizduoti reikia atlikti panašius skaičiavimus milijonams pikselių tuo pačiu metu, todėl lygiagretusis apdorojimas yra labai svarbus.
AI darbo krūviai pasižymi daugeliu šių savybių. Neuroniniai tinklai atlieka dideles matricines operacijas, kurias vienu metu galima paskirstyti tūkstančiams skaičiavimo branduolių.
Kadangi GPU turi kur kas daugiau lygiagretaus vykdymo vienetų nei CPU, jie gali gerokai pagreitinti dirbtinio intelekto skaičiavimus ir kartu padidinti bendrą efektyvumą.
Didelių dirbtinio intelekto modelių mokymas
Mokant dirbtinio intelekto modelį reikia apdoroti didžiulius duomenų rinkinius ir koreguoti milijardus ar net trilijonus parametrų. Šiam procesui reikia ypatingų skaičiavimo išteklių.
Dideli kalbos modeliai paprastai mokomi naudojant klasterius, sudarytus iš šimtų, tūkstančių ar net dešimčių tūkstančių grafikos procesorių, kurie kartu dirba kelias savaites ar mėnesius.
Be GPU spartinimo daugelio pažangiausių šiuolaikinių dirbtinio intelekto modelių mokymas būtų ekonomiškai arba techniškai neįgyvendinamas.
Išvadoms daryti taip pat reikia GPU
Daugelis žmonių mano, kad GPU reikalingi tik mokymo metu. Iš tikrųjų, darant išvadas taip pat sunaudojama daug skaičiavimo išteklių.
Kiekvieną kartą, kai naudotojas pateikia užklausą, sukuria vaizdą arba bendrauja su dirbtinio intelekto asistentu, techninė įranga turi atlikti milijardus skaičiavimų, kad gautų atsakymą.
Vis plačiau diegiant dirbtinį intelektą, aptarnaujant milijonus vienu metu dirbančių naudotojų dažnai prireikia didžiulių GPU parkų, paskirstytų keliuose duomenų centruose.
Kodėl įmonės diegia tūkstančius GPU
Pirmaujančios dirbtinio intelekto bendrovės naudoja ypatingo masto infrastruktūrą. Dideli diegimo projektai dažnai apima tūkstančius akceleratorių, sujungtų itin sparčiomis tinklo technologijomis.
Šie klasteriai leidžia greičiau apmokyti dirbtinio intelekto modelius, aptarnauti daugiau naudotojų ir išlaikyti priimtiną atsako laiką esant didelei paklausai.
Investicijos į infrastruktūrą paaiškina, kodėl GPU tapo vienu strategiškai svarbiausių išteklių dirbtinio intelekto pramonėje.
Ar dirbtiniam intelektui visada reikės tiek daug GPU?
Ateities techninė įranga beveik neabejotinai taps efektyvesnė. Specializuoti dirbtinio intelekto greitintuvai, geresnis programinės įrangos optimizavimas ir naujos lustų architektūros gali sumažinti tam tikram darbo krūviui reikalingos aparatinės įrangos kiekį.
Tuo pat metu dirbtinio intelekto modeliai toliau didėja ir tampa vis pajėgesni. Didėjanti paklausa gali atsverti daugelį būsimų kartų techninės įrangos efektyvumo padidėjimų.
Tikėtina, kad artimiausioje ateityje GPU ir dirbtinio intelekto greitintuvai išliks svarbiausi pasaulinės dirbtinio intelekto ekosistemos komponentai.