文/孫永杰
日前，去年擊敗世界圍棋第一人李世石，由谷歌收購(gòu)的DeepMind開(kāi)發(fā)的圍棋AI—AlphaGo移師中國(guó)，再戰(zhàn)目前等級(jí)分排名世界第一的中國(guó)棋手柯潔九段，且率先拿下一局暫時(shí)領(lǐng)先的消息再次引發(fā)了業(yè)內(nèi)對(duì)于AlphaGo的關(guān)注。那么問(wèn)題來(lái)了，AlphaGo緣何如此的“聰明”和超乎人類的思考和反應(yīng)能力？
就在AlphaGo與柯潔“人機(jī)大戰(zhàn)”不久前，谷歌 I/O 2017 大會(huì)上，，谷歌“移動(dòng)為先”向“AI優(yōu)先”再次升級(jí)，其中最典型的表現(xiàn)之一就是更新和升級(jí)了去年I/O 2017 大會(huì)上公布的TPU（Tensor Processing Unit），一款谷歌自己高度定制化的AI（針對(duì)AI算法，例如其自己開(kāi)發(fā)的Tensor Flow深度學(xué)習(xí)架構(gòu)）芯片，也是AlphaGo背后的功臣，即AlphaGo能以超人的熟練度下圍棋都要靠訓(xùn)練神經(jīng)網(wǎng)絡(luò)來(lái)完成，而這又需要計(jì)算能力（硬件越強(qiáng)大，得到的結(jié)果越快），TPU就充當(dāng)了這個(gè)角色，更重要的是借此顯現(xiàn)出了在AI芯片領(lǐng)域相對(duì)于英特爾的CPU和英偉達(dá)GPU的優(yōu)勢(shì)。何以見(jiàn)得？
據(jù)稱，在去年的“人機(jī)大戰(zhàn)”中，起初AlphaGo的硬件平臺(tái)采用的是CPU + GPU，即AlphaGo的完整版本使用了40個(gè)搜索線程，運(yùn)行在48顆CPU和8塊GPU上，AlphaGo的分布式版本則利用了更多的芯片，40個(gè)搜索線程運(yùn)行在1202顆CPU和176顆GPU上。這個(gè)配置是和當(dāng)時(shí)樊麾比賽時(shí)使用的，所以當(dāng)時(shí)李世石看到AlphaGo與樊麾的對(duì)弈過(guò)程后對(duì)“人機(jī)大戰(zhàn)”很有信心。但是就在短短的幾個(gè)月時(shí)間，谷歌就把運(yùn)行AlphaGo的硬件平臺(tái)換成了TPU，之后對(duì)戰(zhàn)的結(jié)果是AlphaGo以絕對(duì)優(yōu)勢(shì)擊敗了李世石，也就是說(shuō)采用TPU之后的AlphaGo的運(yùn)算速度和反應(yīng)更快。究竟TPU與CPU和GPU相比到底有多大的優(yōu)勢(shì)（例如性能和功耗）？
據(jù)谷歌披露的TPU相關(guān)文件顯示，其TPU 與服務(wù)器級(jí)的英特爾Haswell CPU 和英偉達(dá) K80 GPU 進(jìn)行比較，這些硬件都在同一時(shí)期部署在同個(gè)數(shù)據(jù)中心。測(cè)試負(fù)載為基于 TensorFlow 框架的高級(jí)描述，應(yīng)用于實(shí)際產(chǎn)品的 NN 應(yīng)用程序（MLP，CNN 和 LSTM），這些應(yīng)用代表了數(shù)據(jù)中心承載的95％的 NN 推理需求。盡管在一些應(yīng)用上利用率很低，但 TPU 平均比當(dāng)前的 GPU 或 CPU 快15～30倍，性能功耗比（TOPS/Watt）高出約 30～80 倍。此外，在 TPU 中采用 GPU 常用的 GDDR5 存儲(chǔ)器能使性能TPOS指標(biāo)再高3倍，并將能效比指標(biāo) TOPS/Watt 提高到 GPU的70 倍，CPU的200倍。
盡管英偉達(dá)對(duì)于上述的測(cè)試表示了異議，但TPU相對(duì)于CPU和GPU存在的性能功耗比的優(yōu)勢(shì)（不僅體現(xiàn)在AI，還有數(shù)據(jù)中心）已經(jīng)成為業(yè)內(nèi)的共識(shí)。值得一提的是，在剛剛舉辦谷歌 I/O 2017 大會(huì)上發(fā)布的新一代 TPU已經(jīng)達(dá)到每秒 180 萬(wàn)億次的浮點(diǎn)運(yùn)算性能，超過(guò)了英偉達(dá)剛剛推出的 GPU Tesla2 V100每秒120 萬(wàn)億次浮點(diǎn)運(yùn)算的性能。那么是什么造就TPU如此的優(yōu)勢(shì)？
簡(jiǎn)單來(lái)說(shuō)，CPU是基于完全通用的訴求，實(shí)現(xiàn)的通用處理架構(gòu)，GPU則主要基于圖像處理的訴求，降低了一部分通用性，并針對(duì)核心邏輯做了一定的優(yōu)化，是一款準(zhǔn)通用的處理架構(gòu)，以犧牲通用性為代價(jià)，在特定場(chǎng)合擁有比CPU快得多的處理效率。而TPU，則針對(duì)更明確的目標(biāo)和處理邏輯，進(jìn)行更直接的硬件優(yōu)化，以徹底犧牲通用性為代價(jià)，獲得在特定場(chǎng)合和應(yīng)用的極端效率，也就是俗話所言的“萬(wàn)能工具的效率永遠(yuǎn)比不上專用工具”，而這正好迎合了當(dāng)下諸多炙手可熱的人工智能的訓(xùn)練和推理等均需要大量、快速的數(shù)據(jù)運(yùn)算的需求。
到目前為止，谷歌的TPU已經(jīng)應(yīng)用在各種領(lǐng)域的應(yīng)用中，例如谷歌圖像搜索（Google Image Search）、谷歌照片（Google Photo）、谷歌云視覺(jué)API（Google Cloud Vision API）、谷歌翻譯以及AlphaGo的圍棋系統(tǒng)中。實(shí)際上我們上述提到的谷歌 I/O 2017 大會(huì)推出和更新的諸多AI產(chǎn)品和服務(wù)背后均有TPU的硬件支持。
當(dāng)然，我們?cè)诖瞬⒎欠裾J(rèn)CPU和GPU在AI中的作用，例如鑒于CPU的通用性，其靈活性最大，不僅可以運(yùn)行各種各樣的程序，也包括使用各種軟件庫(kù)的深度學(xué)習(xí)網(wǎng)絡(luò)執(zhí)行的學(xué)習(xí)和推理。GPU 雖然不像 CPU 那樣通用和靈活，但它在深度學(xué)習(xí)計(jì)算方面更好，因?yàn)樗軌驁?zhí)行學(xué)習(xí)和推理，并且不局限于單個(gè)的軟件庫(kù)。性比之下，TPU 則幾乎沒(méi)有靈活性，并且只能在 自家的TensorFlow 中效率最高，這也是為何谷歌對(duì)外聲稱TPU不對(duì)外銷售，且仍會(huì)繼續(xù)采用CPU和GPU。
但谷歌的這一做法印證一個(gè)芯片產(chǎn)業(yè)的發(fā)展趨勢(shì)，即在AI負(fù)載和應(yīng)用所占數(shù)據(jù)中心比重越來(lái)越大的今天和未來(lái)，像諸如谷歌、微軟、Facebook、亞馬遜、阿里巴巴、騰訊等這些數(shù)據(jù)中心芯片采購(gòu)的大戶，其之前對(duì)于CPU和GPU的通用性需求可能會(huì)越來(lái)越少，而針對(duì)AI開(kāi)發(fā)和應(yīng)用的兼顧性能和能效的定制化芯片會(huì)越來(lái)越多，而作為通用芯片廠商的英特爾和英偉達(dá)，如何順應(yīng)這一芯片產(chǎn)業(yè)在AI驅(qū)動(dòng)下的變化和發(fā)展趨勢(shì)未雨綢繆，則關(guān)系著其在AI時(shí)代到來(lái)之時(shí)，其能否繼續(xù)滿足客戶的需求和引領(lǐng)產(chǎn)業(yè)的發(fā)展。
