Chip wereld probeert te doorgronden zijn belofte en risico van AI

0
152

De computer-industrie gezichten epische veranderen, net als de eisen van de “deep learning” vormen van machine learning kracht nieuwe eisen aan silicium, op hetzelfde moment dat de Wet van Moore, de decennia-oude regel van de vooruitgang in de chip van het bedrijfsleven, is samen te vouwen.

Deze week, een aantal van de knapste koppen in de chip-industrie bijeen in San Francisco om te praten over wat het betekent.

De toegepaste Materialen, de dominante maker van hulpmiddelen voor het fabriceren van transistors, mede-indiener van een volledige dag van de keynotes en panel sessies op dinsdag, genaamd de “A. I. Design Forum’, in combinatie met één van de chip-industrie de grote jaarlijkse beurzen, Semicon West.

De presentaties en discussies had goed nieuws en slecht nieuws. Aan de positieve kant, veel tools ter beschikking van bedrijven zoals Advanced Micro Devices en Xilinx te maken “heterogeen” regelingen van chips om te voldoen aan de eisen van diep leren. Op de keerzijde, het is niet helemaal duidelijk dat wat ze hebben in hun kit bag zal beperken een mogelijke uitputting van datacenters onder het gewicht van de toegenomen rekenkracht van de vraag.

Geen nieuwe chips werden getoond op de Semicon-show, die soorten unveilings sinds lang doorgegeven aan andere beurzen en congressen. Maar de discussie op het A. I. forum gaf een goed gevoel van hoe de chip-industrie is het denken over de explosie van machine learning en wat het betekent voor computers.

2019-aidf-gary-dickerson.jpg

De toegepaste Materialen chief executive Gary Dickerson.

SFFOTO / Toegepaste Materialen

Gary Dickerson, chief executive van de Toegepaste Materialen, begon zijn toespraak met een wijzend op de “dramatische vertraging van de Wet van Moore, onder vermelding van de gegevens van de UC Berkeley Professor David Patterson en Alfabet voorzitter John Hennessy waaruit blijkt dat de nieuwe processors zijn in het verbeteren van de prestaties door slechts 3,5% per jaar. (De figuur is iets verouderd; een essay van Patterson en Hennessy in februari gekoppeld de teruggang naar 3% verbetering per jaar).

Dickerson ging op om te beweren dat A. I. workloads in datacenters wereldwijd zou kunnen komen te vertegenwoordigen zo veel als 80% van alle cycli berekenen en 10% van de wereldwijde elektriciteit gebruiken in de komende tien jaar of zo.

Dat betekent dat de industrie moet zoeken naar de vele routes naar oplossingen, zei Dickerson, waaronder de “nieuwe architecturen” voor chip ontwerp en nieuwe vormen van geheugen chips. Hij haalde verschillende typen geheugenkaarten, waaronder “MRAM,” “ReRAM,” (resistieve RAM), “PCRAM,” (phase-change RAM), en “FeRAM.” De industrie zou ook moeten verkennen analoge chip ontwerpen, chips voor het manipuleren van gegevens als continu, real-waarde signalen, in plaats van discrete eenheden, en nieuwe soorten materialen dan silicium.

Ook de AI is het veranderen van de hele natuur van berekenen

Zowel Advanced Micro Devices chief, Lisa Su, en Xilinx, CEO Victor Peng, een pitch voor hun rol in het mogelijk maken heterogene typen computing.

Su gesproken over de vennootschap “Epyc,” server-chip, die werkt volgens de Wet van Moore knelpunt door het samenbrengen van meerdere silicium dobbelstenen, genaamd “chiplets,” in een enkel pakket, met een high-speed geheugen bus aansluiten van de chiplets, voor het bouwen van een soort chip die zijn eigen computer systeem.

png-image.png

Veel nieuwe geheugen types zijn enkele van de maatregelen die de industrie zal zich moeten concentreren op het te maken met de sterke stijging van de in A. I. workloads.

Toegepaste Materialen

Peng herkauwt toelichting van de vennootschap, Kan de investor day in New York, zegt dat Xilinx ‘ s programmeerbare chips, “fpga’ s,” kan verwerken, niet alleen de matrix vermenigvuldigen van A. I., maar ook de onderdelen van de traditionele software uitvoering die moeten gebeuren voor en na de machine learning activiteiten.

Een senior Google engineer, Cliff Young, ging naar de details van de Tensor Processing Unit, of “TPU” chip die Google ontwikkeld, te beginnen in 2013. De inspanning werd gevraagd, zei hij, door een soort van paniek. Het bedrijf zag dat met meer en meer machine learning services op Google, “matrix vermenigvuldigen steeds een merkbaar fractie van de vloot cycli,” in de Google datacenters. “Wat als iedereen het naar hun telefoon twee minuten per dag, of wil analyseren van video-clips voor twee minuten per dag,” het gebruik van machine learning, vroeg hij retorisch. “We hebben niet genoeg computers.”

“Er is potentieel in dat voor beide het succes en de ramp,” zei hij van de exploderende vraag naar A. I. diensten. “We begonnen met een 15-maand crash project voor het bereiken van een tien-X verbetering in de prestaties.”

Ondanks de nu op de derde iteratie van de TPU, Jonge impliciet de crisis is nog niet voorbij. Het berekenen van de vraag toeneemt “cubicly,” zei hij, sprekende van de matrix vermenigvuldigen. Google heeft hele magazijn-en kleinbedrijf gebouwen vol van de “pods” containers die meerdere racks gevuld met TPUs. Toch zijn het niet genoeg. “Zelfs Google zal bereiken en grenzen zijn aan hoe we kunnen aanpassen datacenters.”

Maak je klaar voor een magazijn knelpunt, in andere woorden.

2019-aidf-cliff-young.jpg

Google engineer Cliff Young

Kelsey Floyd

Jonge zei: er zal veel van de samenwerking tussen hardware-ontwerpers en software-programmeurs, wat hij noemde “co-design, maar ook co-ontwerpen met materialen natuurkundigen, suggereerde hij.

“Wanneer u co-design, het interdisciplinair werken, en u bent een vreemdeling in een vreemd land,” merkte hij op. “We moeten uit onze comfort zone.”

“Kunnen we gebruik maken van optische transceivers” te manipuleren neurale netten, vroeg hij zich af. Optische computing is “awesome bij matrix vermenigvuldiging,” merkte hij op, maar het is niet erg goed in een ander essentieel onderdeel van de neurale netwerken, de niet-lineaire activering functies van elk kunstmatig neuron.

“De verpakking is een ding, wat kunnen we nog meer doen met de verpakking en chiplets?” vroeg hij. De industrie heeft behoefte aan alternatieven voor CMOS, de basis van silicium materiaal van chips, zei hij, in navolging van Dickerson. In-memory computing zal ook belangrijk, zei hij, met berekeningen dicht naar het geheugen van de cellen in plaats van heen en weer bewegen, en uit het geheugen naar de processor en terug langs een conventionele geheugen bus.

Jonge aangeboden dat machine learning opent nieuwe mogelijkheden voor analoge computing. “Het is raar dat we deze digitale laag tussen de real-genummerd van neurale netwerken en de onderliggende analog devices,” zei hij, het tekenen van een verbinding tussen de voor statistische of stochastische aard van zowel A. I. en silicium. “Misschien hebben we niet altijd de behoefte om terug te gaan in beetjes de hele tijd,” bedacht de Jonge.

Gezien alle uitdagingen, “het is een super-cool te begeleiden

Ook: Google zegt ‘exponentiële groei’ van de AI is het veranderen van de aard van het berekenen van

Verwante Onderwerpen:

Cloud

Digitale Transformatie

CXO

Het Internet van Dingen

Innovatie

Enterprise Software