導讀： 5月21日，美光公司舉行了年度分析師和投資者會議。 盡管很多人都希望獲得更多關于3D XPoint技術的信息，美光的管理層依然對此秘而不宣。 我們將在本文討論機器學習，它意味著什么，以及哪種硬件類型最適合機器學習應用。

5月21日，美光公司舉行了年度分析師和投資者會議。

盡管很多人都希望獲得更多關于3D XPoint技術的信息，美光的管理層依然對此秘而不宣。

我們將在本文討論機器學習，它意味著什么，以及哪種硬件類型最適合機器學習應用。

最后，我們將推測美光正在從事的工作，以及他們可以在2019年向AI領域推出什么樣的增值解決方案。我們認為美光肯定在準備一顆大***。

近日，美光舉行了年度分析師和投資者會議，會議上公開了許多令人興奮的爆炸性信息，包括一個100億美元的股票回購計劃，以及關于美光在DRAM和NAND市場地位和角色定位的大量討論，隨后，許多文章深度報道了此次會議的諸多信息。在這次投資者大會上，一個顯而易見的事情是，美光并沒有透漏大家所關心的3D XPoint技術的任何細節。美光公司首席執行官Sanjay Mehrotra在其演講中提到了3D XPoint，并暗示稱公司計劃在2019年開始發售3D XPoint器件。

3D XPoint是一項可帶來10倍性能提升的激動人心的技術。與DRAM相比，3D XPoint芯片的密度更高，耐久能力比NAND提高了上千倍，速度也比NAND快上千倍。這種技術特性給3D XPoint提供了一個重要的價值主張和市場定位，它可以充當層次結構的內存和存儲之間的解決方案。我們正在與客戶在產品開發方面進行合作，正如我們前面所說，我們將于2019年推出3D XPoint產品，并在2019年下半年開始出貨這些產品。

公司首席業務官SumitSadana也重申，因為他們現在正在和合作伙伴們一起開發3D XPoint產品，因此還沒有做好討論3D XPoint技術細節的準備。

我今天不會就我們的3D XPoint產品提供更多細節，因為我們明年將推出這些產品，而且，出于競爭的原因，我也不希望泄露我們和客戶正在進行的一些工作。

在本文中，我們將簡要解釋人工智能特別是機器學習如何在現實生活中發揮相關作用，并基于我們對機器學習的深入了解和美光團隊的公開聲明，推測3D XPoint的未來。

AI和機器學習是什么？

首先，我們來看看人工智能和機器學習的含義。AI是一個通用的術語，適用于任何一種允許計算機執行通常由人類執行的任務的技術。這方面的例子林林總總，從下棋到分揀郵件，從識別貓狗圖片到車輛駕駛等。

機器學習（簡稱ML）是AI的一個分支。這種技術通過向計算機顯示一組輸入和預期的輸出，讓計算機從這些輸入輸出的集合中“學習”如何執行特定任務來創建AI。

比如，假設你想訓練一臺計算機識別貓的照片。處理這項任務的一種方法是描述非常詳細的啟發式規則，以確定某張照片是否是貓的圖片。

在規則中，你可能會指定貓有毛茸茸的皮、尖尖的耳朵。但是，不一定每只貓的耳朵都尖尖的，甚至有的貓皮禿毛稀。這就使得基于規則的AI方法很難處理，尤其是遇到特征不明顯的案例時。

相比之下，ML方法依賴于向計算機顯示成千上萬張不同貓的圖片，并讓計算機自己制定貓的規則。對于圖像識別而言，當今最常用的模型基于神經網絡技術。本文并不打算詳細討論神經網絡是如何工作的，不過下面提供了一個這樣的神經網絡的簡化圖，它可以幫助你思考一下，為什么ML和內存和存儲大有關系。

上面這張圖被簡化用來顯示一張9x9像素的圖片。實際案例會涉及到更大的輸入集，使用數十萬甚至數百萬個特征。

現在我們至少在概念上對神經網絡的外觀有了一些了解，下面讓我們回到那個貓的例子上。

用于訓練的貓的圖片被歸一化為特定大小，然后分解成像素，將這些像素的值輸入ML模型中。該模型執行前向傳播（模型考慮給予它的輸入是否是貓的照片），并輸出圖片是貓的可能性的概率。

在訓練階段，模型會被告知它的回答是否正確。所以，如果給模型的圖片確實是一只貓，并且模型回答正確，那么這個模型就會得到加強。反之，如果模型回答錯誤，那么通過反向傳播算法對模型進行懲罰（正確答案和模型給出的答案之間的差異），調整一些個體的權重，以期下一次回答時會更好。

硬件要求

計算神經網絡中給定預測的成本的數學公式，Zynath Capital提供。

前向傳播和后向傳播的數學計算相當復雜，也超出了本文的范圍，讀者只需要注意一點，即這些計算需要數以千計的線性代數運算。 如果你記得高中或大學階段的線性代數課程，就會了解到，在這種數學運算中，大數據集會被組織成矩陣和向量。這也就解釋了為什么GPU在機器學習應用中如此受歡迎。線性代數可以很容易地并行化，而且GPU在并行數學計算方面非常出色。

這個過程涉及的內存大小有點不直觀。 舉例來說，假設貓的照片是一張1，000 x 1，000像素的圖片，按照今天的標準，這是一幅非常小的圖片，但是，這樣一幅圖片也有超過一百萬個單獨的特征（像素），并且每個像素都必須由CPU進行處理，以便評估圖片的“貓膩”。

現在，您應該已經了解了所述計算模型在一張圖片上需要做多少計算和處理，想象一下，現實世界中需要在成百上千萬張圖片的數據集上進行相同操作，數據集規模達到2TB或3TB以上的情況并不少見，特別是在我們談論諸如遺傳學和天體物理等領域的時候。

為了快速訓練模型，您需要將盡可能多的數據集加載到內存（RAM）中，以便功能強大的GPU和CPU可以執行并行化的計算任務?，F在的CPU性能如此強大，以至于向CPU提供數據這個步驟成了瓶頸。一直以來，我們都是通過增加系統的DRAM容量，并將正在使用的數據集預先加載到DRAM中來解決這個問題。

SumitSadana在他的發言中談到了這個確切的問題：

“在云公司內部，一個眾所周知的事情是，處理器需要花費大量的時間等待數據。隨著這些新興處理器內核數量在過去幾年內的大幅增加，相對來講這些處理器的附屬內存容量并沒有增加太多，這就意味著每個內核可以使用的內存帶寬容量是實際下降的。”

DRAM還要一個顯著的缺點－易失性。想象一下，你花費了數天時間，投入了大量的CPU和電力資源來為你的新的和革命性的識別貓ML模型計算新權重，結果大樓電源斷電，后者由于某些硬件或軟件相關原因需要重啟計算機，顯然，你會丟掉DRAM中的一切數據，你的模型會回歸到最原始的認為桌子也是一只貓的階段（因為桌子也有四條腿）。這正是3D XPoint的用武之地。