机器学习成长速度惊人, FPGA和ASIC芯片有望成为新主力

集微网综合报道, 在2016年初, 机器学习仍被视为科学实验, 但目前则已开始被广泛应用于数据探勘, 计算机视觉, 自然语言处理, 生物特征识别, 搜索引擎, 医学诊断, 检测信用卡欺诈, 证券市场分析, 语音和手写识别, 战略游戏与机器人等应用领域. 在这短短一年的时间内, 机器学习的成长速度超乎外界预期.

Deloitte Global 最新的预测报告指出, 在 2018 年, 大中型企业将更加看重机器学习在行业中的应用. 和 2017 年相比, 用机器学习部署和实现的项目将翻倍, 并且 2020 年将再次翻倍.

目前, 有越来越多的类型开始丰富 'AI芯片' 这个新名词, 包括 GPU, CPU, FPGA, ASIC, TPU, 光流芯片等. 据 Deloitte 预测, 2018 年, GPU 和 CPU 仍是机器学习领域的主流芯片. GPU 的市场需求量大概在 50 万块左右, 在机器学习任务中对 FPGA 的需求超过 20 万块, 而 ASIC 芯片的需求量在 10 万块左右.

值得注意的是, Deloitte 称, 预计到 2018 年底, 超过 25% 的数据中心中用来加速机器学习的芯片将为 FPGA 和 ASIC 芯片. 可见, FPGA, ASIC 有望在机器学习领域中实现崛起.

实际上, 一些较早开始使用 FPGA, ASIC 芯片加速的用户, 主要是将它们运用机器学习的推论(inference)任务上, 但不久之后, FPGA, ASIC 芯片在模组训练工作上也将能有所发挥.

在 2016 年, 全球FPGA芯片的销售额已经超过40亿美元. 而在 2017 年年初报告《 Can FPGAs Beat GPUs in Accelerating Next-Generation Deep Neural Networks? 》中, 研究人员表示在某些情况下, FPGA 的速度和运算力可能比 GPU 还要强.

目前, 像是亚马逊(Amazon)的AWS与微软(Microsoft)的Azure云端服务, 都已引进 FPGA 技术; 国内的阿里巴巴也宣布与英特尔(Intel)合作, 利用Xeon-FPGA平台加速云端应用; 英特尔近来不断强调, 数据中心可通过 FPGA 调整云端平台, 提升机器学习, 影音数据加密等工作的执行效率.

此外, ASIC 虽然是只执行单一任务的芯片, 但目前 ASIC 芯片的制造厂商很多. 在2017 年, 整个产业的总收益大约在 150 亿美元左右. 据悉, Google 等厂商开始将 ASIC 运用在机器学习, 以 TensorFlow 机器学习软件为基础的芯片也已问世.

Deloitte 认为, CPU 与 GPU 的结合, 对机器学习发展的推动产生了很大的助力. 如果未来各种 FPGA 与 ASIC 解决方案也能在提升处理速度, 效率与降低成本方面发挥足够影响力, 那么机器学习应用将可再次出现爆炸性的进展.