人工智能和機器學習的爆炸式發(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)達到了一個“指數(shù)增長階段”（exponential phase），與此同時，關(guān)于半導體發(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，深度學習進展迅猛，存在經(jīng)濟需求。”CMOS即Complementary Metal Oxide Semiconductor（互補金屬氧化物半導體），是計算機芯片最常見的材料。

Young認為，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)于機器學習的學術(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)行機器學習神經(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，深度學習確實有效。”

他說：“很長一段時間里，我的職業(yè)生涯都忽視了機器學習，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，深度學習“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。”

谷歌內(nèi)部領(lǐng)導AI研究的是Google Brain團隊，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，它的準確率就會提高。”AI的規(guī)則就是越大越好。

當然，為了應(yīng)對這樣的需求，谷歌一直在開發(fā)自己的機器學習芯片，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。”

TPU于2017年首次亮相，標榜其性能優(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，tera-ops級的也在繼續(xù)開發(fā)。”

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。”