Datorn industrin står inför episka förändring, eftersom kraven på “deep learning” former av lärande kraft nya krav på kisel, samtidigt som Moores Lag, årtionden gamla regeln om framsteg i chip företag, håller på att kollapsa.
Denna vecka, några av de bästa hjärnorna i chip branschen samlades i San Francisco för att prata om vad det innebär.
Applied Materials, den dominerande tillverkare av verktyg för att tillverka transistorer, har sponsrat en hel dag av grundtankar och panelen sessioner på tisdag, som kallas “A. I. Design Forum,” i samband med att en av chip branschens stora årliga mässor, Semicon West.
Presentationer och diskussioner hade goda nyheter och dåliga nyheter. På plus-sidan, många verktyg som finns till förfogande för företag som Advanced Micro Devices och Xilinx att göra “heterogenous” arrangemang av marker för att möta kraven från djupt lärande. På nedsidan är det inte helt klart att vad de har i sitt kit väska kommer att mildra en eventuell utmattning av datacenter under tyngden av ökade design och efterfrågan.
Inga nya marker visades på Semicon visa, dessa typer av unveilings för länge sedan passerat till andra mässor och konferenser. Men diskussionen på A. I. forum gav en bra känsla av hur chip branschen är att tänka på den explosion av maskininlärning och vad det innebär för datorer.
Applied Materials verkställande Gary Dickerson.
SFFOTO / Tillämpad Material
Gary Dickerson, vd för Applied Materials, började sitt föredrag med att konstatera att det “dramatiska nedgången av Moores Lag, med hänvisning till uppgifter från UC Berkeley-Professorn David Patterson och Alfabetet ordförande John Hennessy som visar att nya processorer förbättrar prestanda genom att endast 3,5 procent per år. (Siffran är något föråldrad, en essä av Patterson och Hennessy tillbaka i februari knuten nedgången till 3% förbättring per år.)
Dickerson fortsatte att hävda att A. I. arbetsbelastning i datacenter över hela världen skulle kunna komma att utgöra så mycket som 80% av alla beräkna cykler och 10 procent av den globala elanvändningen i nästa decennium eller så.
Det innebär att branschen måste söka många vägar till lösningar, sade Dickerson, inklusive “ny arkitektur” för chip design och nya typer av minneskretsar. Han nämnde flera typer av minne, bland annat “MRAM,” “ReRAM,” (resistiv RAM), “PCRAM,” (phase-change RAM), och “FeRAM.” Industrin skulle också ha att utforska analog chip design, chips att manipulera data som kontinuerliga, reella värde signaler, snarare än diskreta enheter, och nya typer av material än kisel.
Också: AI är att förändra hela karaktären hos beräkna
Både Advanced Micro Devices chef, Lisa Su, och Xilinx VD, Victor Peng, gjorde en pitch för sina respektive roller i som gör det möjligt att heterogenous typer av datorer.
Su talade om företagets “Epyc,” server-chip, som arbetar runt Moores Lag flaskhals genom att samla ihop flera silicon tärningarna, kallas “chiplets,” i ett enda paket, med en hög hastighet minne buss ansluta chiplets, att bygga en typ av chip som är sin egen dator.
Massor av nya minnet slag är bland de åtgärder som industrin kommer att behöva fokusera på att brottas med den kraftiga ökningen av A. I. arbetsbelastning.
Applied Materials
Peng rehashed anmärkningar från bolagets Får kapitalmarknadsdag i New York, säger att Xilinx är programmerbar chips, “Fpga: er,” kan hantera inte bara matris-multiplikation av A. I. men också delar av den traditionella dataprogram som behöver hända före och efter maskinen lärande verksamhet.
En ledande Google-ingenjör, Klippa Unga, gick in på detaljer av Tensor Processing Unit, eller “TPU” chip som Google utvecklat med start 2013. Satsningen var tillfrågad, sade han, genom en slags panik. Företaget såg att med mer och mer maskininlärning tjänster som körs på Google, “matris-multiplikation var på väg att bli en märkbar del av flottan cykler,” i Googles datacenter. “Vad händer om alla pratar med sina telefoner två minuter per dag, eller vill analysera video klipp i två minuter, en dag,” med hjälp av maskininlärning, frågade han retoriskt. “Vi har inte tillräckligt med datorer.”
“Det finns potential i att både framgång och katastrof”, sade han i den exploderande efterfrågan på A. I. tjänster. “Vi började en 15-månaders krasch projektet för att uppnå en tio-X förbättring i prestanda.”
Trots att nu vara den tredje iterationen av TPU, Unga underförstådda krisen är inte över. Beräkna efterfrågan ökar “cubicly”, sade han, på tal om matris-multiplikation. Google har hela lager-och medelstora byggnader fulla av “pod” behållare som har flera rack fyllda med TPUs. Fortfarande kommer det inte att vara tillräckligt. “Även Google kommer att nå en gräns för hur vi kan skala datacenter.”
Gör dig redo för ett lager flaskhals, med andra ord.
Google ingenjör Klippa Unga
Kelsey Floyd
Young sade att det kommer att bli en hel del samarbete mellan hårdvara designers och programmerare, vad han kallade “co-design”, men också för co-design med material fysiker, föreslog han.
“När du gör co-design, det är att arbeta tvärvetenskapligt, och du är en främling i ett främmande land,” konstaterade han. “Vi måste få ut av vår comfort zone.”
“Kan vi använda optisk sändtagare” att manipulera neurala nät, undrade han. Optisk design är “grymma på matrismultiplikation,” han höll på med, men det är inte så bra på att en annan viktig del av neurala nätverk, olinjära aktivering av funktioner för varje artificiell neuron.
“Förpackningen är en sak, vad mer kan vi göra med förpackningar och chiplets?” frågade han. Industrin behöver alternativ till CMOS grundläggande silicon material av chips, sade han, ekande Dickerson. In-memory computing kommer också att vara viktigt, sade han, med beräkningar nära till minne celler i stället för att flytta fram och tillbaka, till och från telefonens minne, processor och tillbaka längs en konventionellt minne buss.
Unga erbjuds att maskininlärning kan öppna nya möjligheter för analog design. “Det är konstigt att vi har denna digitala skikt mellan real-numrerade neurala nät och den underliggande analog devices”, sade han, att dra en koppling mellan den statistiska eller stokastisk karaktär av både A. I. och kisel. “Vi kanske inte alltid behöver gå tillbaka i bitar hela tiden,” funderade Unga.
Med tanke på alla de utmaningar, “det är en super-cool tid att vara vägledande
Också: Google säger ” exponentiell tillväxt av AI är föränderliga natur beräkna
Relaterade Ämnen:
Cloud
Digital Omvandling
CXO
Sakernas Internet
Innovation
Affärssystem