0
在人工智能領域，訓練一個先進的機器學習模型需要投入大量的計算資源。隨著機器學習算法越來越多的應用在各個領域并表現出優越的性能，對于機器學習算法專業硬件的需求，也變得越來越強烈。
2016 年，谷歌首次公布了專為加速深層神經網絡運算能力而研發的芯片——TPU，在計算性能和能耗指標上，TPU 的表現都遠遠優于傳統 CPU、GPU 組合。（我們在上個月也曾發布過一篇文章，解析 TPU 耀眼成績背后的原因）
在 5 月 19 日凌晨舉行的谷歌 I/O 2017 大會上，谷歌正式發布了第二代 TPU。新的芯片相比初代產品，在性能、應用、服務方面再一次實現突破。
一、性能方面
新一代 TPU 能夠同時應用于高性能計算和浮點計算。 并且最高可以達到每秒 180 萬億次的浮點運算性能。相比而言，上周英偉達剛剛推出的 GPU Tesla2 V100，每秒只能達到 120 萬億次浮點運算。
相比第一代在功能上實現從無到有的突破，第二代的起點相對更高，開發團隊也能更加集中資源來提升改進 TPU 的性能。相信通過硬件、軟件的優化，后續第三代、第四代在性能取得持續突破的可能性非常大。
二、應用方面
第一代 TPU 沒有特別提到組合應用、集群應用的功能，而且自身沒有存儲空間。第二代在發布會上直接就展示了一個 包含 64 顆二代 TPU 芯片的 TPU pod 運算陣列。這個運算陣列， 最多可以為單個 ML 訓練任務提供每秒 11.5 千萬億次的浮點計算能力，大大加速機器學習模型的訓練。
也有專業媒體提到，新的 TPU 在左右兩側各有四個對外接口，在左側額外增加了兩個接口。這些接口未來可能允許 TPU 芯片直接連接存儲器，或者是直連高速網絡，從而實現更加復雜的運算。理論上，開發者也能在此基礎上設計更多的功能，添加更多的擴展。
三、服務方面
從 Cloud TPU 的命名上面，也可以直觀地了解到，新一代的 TPU 將加入谷歌云計算平臺，并對外提供云服務。這也就意味著 TPU 不再只是谷歌內部的獨享服務，而將成為任何人都能輕松分享、應用的神器。
這里就看出谷歌比較賊的地方了，第一代剛出來的時候，藏著掖著的，還特別低調地說只打算自己內部使用。二代研發出來，直接就上云了：硬件不對外銷售，服務可以啊。
如果是直接的硬件銷售，很多中小型的公司（比如我們公司：智慧思特）可能會更加偏向于選用 GPU：應用范圍更廣，可以根據需要安排處理不同的任務。大型的公司（比如阿里、Facebook），ML 任務量非常大，才會考慮采購 TPU，甚至出于經費、效率的考慮，自主組建團隊進行研發（比如這次谷歌自己做 TPU，Facebook 也有過自主研發數據中心硬件設備的報道）；
對外銷售服務的話，首先是激活了中小企業的這塊需求市場，用戶只需根據使用時間進行付費，節省了成本。另外，大型企業自身的資源利用率也有了很大的提升，攤薄了成本。比如阿里，為了應對雙十一準備的海量服務器，在閑暇時間可以對外提供云計算服務。最后，避免了跟硬件廠商（比如英偉達）直接的利益沖突。
四、小結
綜合來說，TPU，尤其是 Cloud TPU 讓大型互聯網公司印證了自主研發硬件的可行性。
性能上，針對自主業務進行成倍優化，節約硬件采購、數據中心建設、時間消耗等成本；應用上，可以靈活地與現有設施、設備進行組合、擴展；服務上，通過云實現資源的對外銷售，賺取收益。
對應的，根據企業自身業務的不同，未來可能出現的定制化硬件設備也會不一樣。比如針對在線交易數據處理的 APU？針對在線社交互動的 FPU？
至于如何評價 Cloud TPU，大概可以算是標志著人工智能專業硬件時代的到來吧。
版權申明：本文由智慧思特大數據編輯整理，雷鋒網獲得授權轉載。
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
