機器學習成長速度驚人, FPGA和ASIC晶片有望成為新主力

集微網綜合報道, 在2016年初, 機器學習仍被視為科學實驗, 但目前則已開始被廣泛應用於數據探勘, 計算機視覺, 自然語言處理, 生物特徵識別, 搜索引擎, 醫學診斷, 檢測信用卡欺詐, 證券市場分析, 語音和手寫識別, 戰略遊戲與機器人等應用領域. 在這短短一年的時間內, 機器學習的成長速度超乎外界預期.

Deloitte Global 最新的預測報告指出, 在 2018 年, 大中型企業將更加看重機器學習在行業中的應用. 和 2017 年相比, 用機器學習部署和實現的項目將翻倍, 並且 2020 年將再次翻倍.

目前, 有越來越多的類型開始豐富 'AI晶片' 這個新名詞, 包括 GPU, CPU, FPGA, ASIC, TPU, 光流晶片等. 據 Deloitte 預測, 2018 年, GPU 和 CPU 仍是機器學習領域的主流晶片. GPU 的市場需求量大概在 50 萬塊左右, 在機器學習任務中對 FPGA 的需求超過 20 萬塊, 而 ASIC 晶片的需求量在 10 萬塊左右.

值得注意的是, Deloitte 稱, 預計到 2018 年底, 超過 25% 的數據中心中用來加速機器學習的晶片將為 FPGA 和 ASIC 晶片. 可見, FPGA, ASIC 有望在機器學習領域中實現崛起.

實際上, 一些較早開始使用 FPGA, ASIC 晶片加速的用戶, 主要是將它們運用機器學習的推論(inference)任務上, 但不久之後, FPGA, ASIC 晶片在模組訓練工作上也將能有所發揮.

在 2016 年, 全球FPGA晶片的銷售額已經超過40億美元. 而在 2017 年年初報告《 Can FPGAs Beat GPUs in Accelerating Next-Generation Deep Neural Networks? 》中, 研究人員表示在某些情況下, FPGA 的速度和運算力可能比 GPU 還要強.

目前, 像是亞馬遜(Amazon)的AWS與微軟(Microsoft)的Azure雲端服務, 都已引進 FPGA 技術; 國內的阿里巴巴也宣布與英特爾(Intel)合作, 利用Xeon-FPGA平台加速雲端應用; 英特爾近來不斷強調, 數據中心可通過 FPGA 調整雲端平台, 提升機器學習, 影音數據加密等工作的執行效率.

此外, ASIC 雖然是只執行單一任務的晶片, 但目前 ASIC 晶片的製造廠商很多. 在2017 年, 整個產業的總收益大約在 150 億美元左右. 據悉, Google 等廠商開始將 ASIC 運用在機器學習, 以 TensorFlow 機器學習軟體為基礎的晶片也已問世.

Deloitte 認為, CPU 與 GPU 的結合, 對機器學習發展的推動產生了很大的助力. 如果未來各種 FPGA 與 ASIC 解決方案也能在提升處理速度, 效率與降低成本方面發揮足夠影響力, 那麼機器學習應用將可再次出現爆炸性的進展.