0898-88888888
的指令有关。我们告诉将某些较高阶的运算分解成低阶运算时会造成计算出来的效率上升。
但如果硬件本身就反对这种高阶运算，就需要再行将其分解成了。可以节省很多时间和资源。FPGA和GPU内都有大量的计算出来单元，因此它们的计算能力都很强。在展开神经网络运算的时候速度不会比CPU慢很多，但两者之间仍不存在一些差异。
GPU出厂后由于架构相同硬件原生反对的指令只不过就相同了。如果神经网络运算中有GPU不反对的指令，比如，如果一个GPU只反对加减乘除，而我们的算法必须其展开矩阵向量乘法或者卷积这样的运算，GPU就无法必要构建，就不能通过软件仿真的方法如用乘法和乘法运算的循环来构建，速度不会比编程后的FPGA快一些。而对于一块FPGA来说，如果FPGA没标准的“卷积”指令，开发者可以在FPGA的硬件电路里“现场编程”出来。
相等于通过转变FPGA的硬件结构让FPGA可以原生反对卷积运算，因此效率不会比GPU更高。只不过谈到这里，我们早已较为相似谷歌研发TPU的原因了。TPU是一种ASIC，这是一种与FPGA类似于，但不不存在可自定义性的专用芯片，如同谷歌叙述的一样，是研为它的深度自学语言Tensor Flow研发的一种芯片。
因为是专门Tensor Flow所打算，因此谷歌也不必须它享有任何可自定义性了，只要能极致反对Tensor Flow必须的所有指令才可。而同时，TPU运营Tensor Flow的效率毫无疑问不会是所有设备中最低的。这就是谷歌研发TPU的最显而易见的目的：执着淋漓尽致的效率。对其他厂商有何影响？目前有许多厂商早已在AI领域投放了大量的精力并且表明出有一些野心，在TPU公布之前，这个领域内的大多数厂商都在同时利用FPGA和GPU来改良训练自己的神经网络算法。
NVIDIA则是其中较为类似的一家：它是世界仅次于的GPU制造商之一，仍然在不遗余力的推展自己的产品在深度自学领域的应用于。但只不过GPU的设计想法主要并不是展开神经网络运算，而是图像处理。更好是由于其类似的结构恰巧也较为限于于神经网络运算罢了，尽管NVIDIA也在发售一些自有的深度自学算法，但由于GPU自身的特性仍然还是被FPGA压着一头。
而此次的TPU不会让这个市场上凭空再行多一个竞争对手，因此如果让我投票，我指出这款TPU对NVIDIA的影响是仅次于的。虽然谷歌回应会将这款芯片卖给别的公司，意味著它会和其他公司产生必要的竞争。
但谷歌的芯片如果性能更加杰出，开发者们和服务商将更加多的改向谷歌获取的服务，而仍然用于其他厂商的服务和硬件，这也不会间接对其他厂商，特别是在是NVIDIA的业务导致影响。其次是以英特尔为代表的“中间层面”的厂商，英特尔去年年底并购了全球著名的FPGA大厂Altera，似乎会忽视其在深度自学方面的潜力。但截至目前英特尔并没具体的展现出出有自己要进占人工智能领域的决意，也没回应自己不会发售什么人工智能产品，而只是传达出有了一些将涉及特性应用于到自己有数产品内的意愿。
只不过对于这样的厂商来说，除非他们自己只不过早已秘密的展开了很久的人工智能产品开发。不然只不过市场的竞争更加多只是为他们降下了更佳的工具，会对他们的利益导致什么冲击。当然，如果谷歌未来还想自己设计CPU就另当别论。但是目前谷歌回应自己并没这种意愿，而且，那也是另外一个故事了。
另一些在人工智能领域早已与谷歌具有相近程度的成就的公司则预计会受到过于多影响，如微软公司和苹果。微软公司仍然在探寻FPGA对人工智能涉及运算的加快，并且有自己研发的算法。
经过长时间的调试，基于FPGA的这些算法也不一定不会在最后展现出上败给谷歌多少。如果微软公司不愿，只不过它也可以随时开始研发一款自己的人工智能芯片，却是微软公司也是自己研发过很多专属硬件的了。NVIDIA的困境NVIDIA大力推广自己的GPU对深度自学算法起着的加快效果，但在宣传的文章中绝口不提FPGA，毫无疑问也是因为明白自己的产品相对于FPGA不仅没显著的优势反而有些严重不足。
而TPU杀进战场毫无疑问不会更为激化NVIDIA的压力。GPU的特性短时间内有可能不了有翻天覆地的转变，NVIDIA在人工智能领域短期内最应当做到的，有可能就是找寻到合适GPU充分发挥的类似场景然后发扬光大了。
至于同FPGA和TPU的正面竞争，也许还得再行等几代。原创文章，予以许可禁令刊登。下文闻刊登须知。
本文来源：Kaiyun·yunkai(中国)官方网站-www.xyhmys.com
Copyright © 2007-2024 www.xyhmys.com. Kaiyun·yunkai(中国)官方网站科技 版权所有备案号：ICP备71043881号-8
