在硅谷一個芯片研討會上，谷歌軟件工程師Cliff Young指出AI的爆炸式發(fā)展正在改變計算的本質(zhì)，摩爾定律陷入停滯，而AI對計算需求的增長構(gòu)成了“超級摩爾定律”：arXiv上關(guān)于機器學(xué)習(xí)的學(xué)術(shù)論文每18個月增加一倍；谷歌內(nèi)部專注于AI的研究項目數(shù)量也每18個月增加一倍；機器學(xué)習(xí)所需的計算力更是每三個半月就增加一倍。

人工智能和機器學(xué)習(xí)的爆炸式發(fā)展正在改變計算的本質(zhì)。

說這話的是谷歌軟件工程師Cliff Young，而谷歌是人工智能最大的實踐者之一。

Cliff Young上周在硅谷的一個芯片研討會發(fā)表了主題演講，他說，AI的使用已經(jīng)達(dá)到了一個“指數(shù)增長階段”（exponential phase），與此同時，關(guān)于半導(dǎo)體發(fā)展的經(jīng)驗法則——摩爾定律——已經(jīng)陷入停滯。

摩爾定律的內(nèi)容是：集成電路上可容納的晶體管數(shù)目，約每隔兩年便會增加一倍。經(jīng)常被引用的“18個月”是由英特爾的David House提的：每18個月，芯片的性能提高一倍。

“這個時間有點神經(jīng)質(zhì)，”Cliff Young說：“數(shù)字CMOS的增速正在放緩，我們也看到英特爾在10納米芯片的生產(chǎn)方面面臨困境，還有格芯（GlobalFoundries）已經(jīng)宣布放棄了7納米制造工藝研發(fā)，與此同時，深度學(xué)習(xí)進(jìn)展迅猛，存在經(jīng)濟(jì)需求?！盋MOS即Complementary Metal Oxide Semiconductor（互補金屬氧化物半導(dǎo)體），是計算機芯片最常見的材料。

Young認(rèn)為，由于傳統(tǒng)芯片難以實現(xiàn)更高的性能和效率，來自AI研究人員的需求正在激增。他一口氣列舉了一些數(shù)據(jù)：arXiv上關(guān)于機器學(xué)習(xí)的學(xué)術(shù)論文數(shù)量每18個月就增加一倍；在谷歌，專注于AI的內(nèi)部研究項目數(shù)量也每18個月增加一倍。更為激烈的是，執(zhí)行機器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)所需的浮點運算量每三個半月就翻一番。

Young說，所有這些計算需求的增長構(gòu)成了“超級摩爾定律”，他稱這種現(xiàn)象“有點可怕”，“有點危險”，“令人擔(dān)憂”。

“為什么AI領(lǐng)域出現(xiàn)了這些指數(shù)級的增長？”他說，“部分原因是，深度學(xué)習(xí)確實有效?！?/p>

他說：“很長一段時間里，我的職業(yè)生涯都忽視了機器學(xué)習(xí)，因為那時尚不清楚這些東西會不會流行起來。”

但后來，圖像識別等領(lǐng)域的突破開始迅速出現(xiàn)，很明顯，深度學(xué)習(xí)“非常有效”。Young說：“在過去5年的大部分時間里，谷歌一直是一家AI-first的公司，我們以AI為基礎(chǔ)重建了大部分業(yè)務(wù)，從搜索業(yè)務(wù)到廣告業(yè)務(wù)等等?！?/p>

谷歌內(nèi)部領(lǐng)導(dǎo)AI研究的是Google Brain團(tuán)隊，它的需求是“巨型機器”。例如，神經(jīng)網(wǎng)絡(luò)有時是通過他們使用的“權(quán)重”數(shù)量來測量的，這些變量被應(yīng)用于神經(jīng)網(wǎng)絡(luò)，以形成對數(shù)據(jù)的操縱。

傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)必須要計算的可能有數(shù)十萬個這樣的權(quán)重，甚至數(shù)百萬，谷歌的科學(xué)家們說“請給我們一個tera-weight級的機器”，讓計算機能夠計算一萬億權(quán)重。

這是因為“每次你將神經(jīng)網(wǎng)絡(luò)的大小增加一倍，它的準(zhǔn)確率就會提高?！盇I的規(guī)則就是越大越好。

當(dāng)然，為了應(yīng)對這樣的需求，谷歌一直在開發(fā)自己的機器學(xué)習(xí)芯片，即“張量處理單元”（Tensor Processing Unit，TPU）。由于傳統(tǒng)的CPU和圖形芯片（GPU）跟不上速度，TPU以及類似的部件是需要的。

Young說：“在很長一段時間里，我們都躊躇不前，并表示英特爾和英偉達(dá)在構(gòu)建高性能系統(tǒng)方面做得非常好。但我們在五年前跨過了這個門檻?！?/p>

TPU于2017年首次亮相，標(biāo)榜其性能優(yōu)于傳統(tǒng)芯片，引起了業(yè)界轟動。谷歌目前已進(jìn)入TPU的第三次迭代，不過是在內(nèi)部使用，并通過谷歌云提供按需計算節(jié)點。

TPU v3 Pod

谷歌繼續(xù)制造越來越大的TPU實例。它的“pod”配置將1024個單獨的TPU連接在一起，形成一臺新型超級計算機，而且谷歌打算“繼續(xù)擴(kuò)展”這個系統(tǒng)。

Young說：“我們正在打造巨大的多處理器計算機，具有幾十petabytes的計算力。我們同時向多個方向推進(jìn)，tera-ops級的也在繼續(xù)開發(fā)?！?/p>

他說，這樣的工程“帶來了超級計算機設(shè)計中會出現(xiàn)的所有問題。”

例如，谷歌工程師們采用了傳奇的超級計算機公司Cray所使用的技巧。他們將芯片中負(fù)責(zé)神經(jīng)網(wǎng)絡(luò)計算的“巨大的矩陣乘法單元”與“通用向量單元”和“通用標(biāo)量單元”結(jié)合在一起。標(biāo)量單元和向量單元的結(jié)合讓Cray的性能優(yōu)于其他處理器。

谷歌開發(fā)了自己的新型算法結(jié)構(gòu)來編程芯片。所謂的“bfloat16”是一種表示實數(shù)的方法，可以提高神經(jīng)網(wǎng)絡(luò)數(shù)字運算的效率。bfloat16的全稱是truncated 16-bit floating point（截斷浮點數(shù)），被通俗地稱為“brain float”。

TPU采用最快的內(nèi)存芯片，即所謂的高帶寬內(nèi)存（HBM）。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時，對內(nèi)存容量的需求也在激增。

Young說：“內(nèi)存在訓(xùn)練中更加集中。不只是數(shù)億個權(quán)重，還涉及處理神經(jīng)網(wǎng)絡(luò)激活變量的問題”。

谷歌也在調(diào)整編程神經(jīng)網(wǎng)絡(luò)的方式，以充分利用硬件。他們在數(shù)據(jù)和模型并行性方面做了大量工作，包括“Mesh TensorFlow”等項目，這是對TensorFlow編程框架的改編，目的是將數(shù)據(jù)和模型并行性在pod-scale上結(jié)合起來。

有一些技術(shù)細(xì)節(jié)Young不愿透露。他指出，谷歌沒有過多地談?wù)摗盎ミB”（interconnects），即數(shù)據(jù)在芯片中移動的方式，只是說“我們有巨大的連接器”，拒絕提供更多信息。

Young談到一些可能并不遙遠(yuǎn)的更有趣的計算領(lǐng)域。例如，他建議通過模擬芯片進(jìn)行計算，這種電路將輸入作為連續(xù)值而不是作為1和0來處理，這樣可以發(fā)揮重要作用。他說：“也許我們將從模擬領(lǐng)域進(jìn)行采樣，在物理、模擬計算或非易失性技術(shù)方面確實有一些很酷的東西?！?/p>