Google afslører en kraftfuld ny AI-chip og supercomputer

Hvis kunstig intelligens hurtigt spiser software, så har Google måske den største appetit på markedet.

På virksomhedens årlige udviklerkonference i dag annoncerede CEO Sundar Pichai en ny computerprocessor designet til at udføre den form for maskinlæring, der har taget industrien med storm i de seneste år (se 10 Breakthrough Technologies: Deep Learning).

Udmeldingen afspejler, hvor hurtigt kunstig intelligens transformerer Google selv, og det er det hidtil sikreste tegn på, at virksomheden planlægger at lede udviklingen af ​​alle relevante aspekter af software og hardware.

Måske vigtigst af alt, for dem, der arbejder med maskinlæring i det mindste, kører den nye processor ikke kun med forbløffende hastighed, den kan også trænes utroligt effektivt. Kaldet Cloud Tensor Processing Unit, chippen er opkaldt efter Googles open source TensorFlow maskinlæringsramme.

Træning er en grundlæggende del af maskinlæring. At skabe en algoritme i stand til genkende hotdogs på billeder , for eksempel ville du fodre i tusindvis af eksempler på hotdog-billeder – sammen med ikke-hotdog-eksempler – indtil den lærer at genkende forskellen. Men de beregninger, der kræves for at træne en stor model, er så enormt komplekse, at træning kan tage dage eller uger.

Pichai annoncerede også oprettelsen af ​​maskinlærende supercomputere eller Cloud TPU-pods, baseret på klynger af Cloud TPU'er forbundet med højhastighedsdataforbindelser. Og han sagde, at Google skabte TensorFlow Research Cloud, der består af tusindvis af TPU'er, der er tilgængelige via internettet.

Vi bygger, hvad vi tænker på som AI-første datacentre, sagde Pichai under sin præsentation. Cloud TPU'er er optimeret til både træning og inferens. Dette lægger grundlaget for betydelige fremskridt [i AI].

Google vil stille 1.000 Cloud TPU-systemer til rådighed for kunstig intelligens-forskere, der er villige til åbent at dele detaljer om deres arbejde.

Pichai annoncerede også en række AI-forskningsinitiativer under sin tale. Disse omfatter et forsøg på at udvikle algoritmer, der er i stand til at lære at udføre det tidskrævende arbejde, der er forbundet med at finjustere andre maskinlæringsalgoritmer. Og han sagde, at Google udviklede AI-værktøjer til medicinsk billedanalyse, genomisk analyse og molekyleopdagelse.

Forud for meddelelserne sagde Jeff Dean, en senior fellow hos Google, at dette tilbud kan hjælpe med at fremme AI. Mange topforskere har ikke adgang til så meget computerkraft, som de gerne vil, bemærkede han.

Googles overgang til AI-fokuseret hardware og cloud-tjenester er til dels drevet af bestræbelser på at fremskynde sin egen drift. Google selv bruger nu TensorFlow til at drive søgning, talegenkendelse, oversættelse og billedbehandling. Det blev også brugt i Go-playing-programmet, AlphaGo, udviklet af et andet Alphabet-datterselskab, DeepMind.

Men strategisk kunne Google hjælpe med at forhindre, at et andet hardwarefirma bliver for dominerende i maskinlæringsområdet. Nvidia, en virksomhed, der laver de grafikprocessorchips, der traditionelt er blevet brugt til dyb læring, er ved at blive særligt fremtrædende med sine forskellige produkter (se Nvidia CEO: Software Is Eating the World, but AI is Going to Eat Software).

Relateret historie

Læs Næste Jensen Huang forudser, at sundhedspleje og biler vil blive transformeret af kunstig intelligens.

For at give et vist mål for ydeevneaccelerationen, der tilbydes af deres cloud-TPU'er, siger Google, at deres egne oversættelsesalgoritmer kunne trænes langt hurtigere ved at bruge den nye hardware end eksisterende hardware. Hvad der ville kræve en hel dags træning på 32 af de bedste GPU'er, kan gøres på en eftermiddag ved at bruge en ottendedel af en af ​​dens TPU Pods.

Disse TPU'er leverer svimlende 128 teraflops og er bygget til netop den slags talknap, der driver maskinlæring i dag, Fei-Fei Li , sagde chefforsker hos Google Cloud og direktør for Stanfords AI Lab, forud for Pichais meddelelse.

En teraflop refererer til en billion flydende kommaoperationer pr. sekund, et mål for computerens ydeevne opnået ved at gå gennem matematiske beregninger. I modsætning hertil er iPhone 6 i stand til omkring 100 gigaflops, eller en milliard flydende kommaoperationer i sekundet.

Google siger, at det stadig vil være muligt for forskere at designe algoritmer ved hjælp af anden hardware, før den overføres til TensorFlow Research Cloud. Dette er, hvad demokratisering af maskinlæring handler om – at styrke udviklere ved at beskytte designfriheden, tilføjede Li.

Et stigende antal forskere har taget TensorFlow til sig, siden Google udgav softwaren i 2015. Google kan nu prale af, at det er den mest udbredte deep-learning-ramme i verden.

skjule