数据中心托管的人工智能在政府和商业市场中迅速激增，虽然这是人工智能的一个激动人心的时刻，但只有一小部分应用正在被解决，主要局限于基于卷积方法的神经网络。其他类别的人工智能包括通用人工智能，符号人工智能和生物人工智能，这三者都需要不同的处理需求，并运行截然不同的算法。几乎所有今天的商业AI系统都运行神经网络应用程序。但是，使用符号AI，生物AI和通用AI算法的更多控制密集型和强大的AI工作负载不适合GPU / TPU架构。

　　如今，需要人工智能解决方案的商业和政府实体正在使用变通方法来为其神经网络应用程序实现更高的计算能力，其中主要是Google TPU和NVIDIA GPU等专业处理器，专门针对AI工作负载在数据中心中配置。

　　但是，使用TPU和GPU，即使它们专用于AI处理任务，仍然可能存在问题。它推动了特定于AI的处理器的数据中心资本支出，并且增加了软件开发的成本(例如，GPU很难编程)。在当今大多数超大规模数据中心中，存在用于普通数据中心工作负载的标准CPU和专用于AI /神经网络处理的专用TPU或GPU(包括约5-10%的服务器机架空间)的组合。CPU可以轻松编程，但在高度并行的AI应用程序任务时变得缓慢且耗电。专用AI处理器比神经网络应用的CPU更快，更省电，但它们很难编程。

　　今天，如果令人尴尬的并行计算是目标(即，在大量数据集上无意识地执行每个指令)，例如在卷积神经网络中，TPU / GPU是一种首选解决方案。对于卷积神经网络处理，它们比CPU更有效(并且在TPU的情况下，它们可以快达30倍)。这是因为获取和调度指令的动作比在单个数据集上实际执行该指令使用更多的功率。专用AI处理器(例如GPU)将获取单个指令并同时在32个数据集上执行该指令(最大化吞吐量并最小化功率)。

　　谷歌最近发布了第三代TPU，它仍然远远不及实时人脑模拟项目所需的性能。而一般的AI，生物AI和符号AI算法并不适合GPU / TPU处理器。

　　人脑需要处理大量信息才能实时采取行动，这需要大量的处理能力。今天的超级计算机甚至没有接近人脑的处理能力(每秒大约1019个 浮点运算)。作为当今世界上速度最快的超级计算机之一，中国的Sunway TaihuLight拥有10,649,600个核心，可以达到93 petaflops(Linpack基准测试套件的Rmax)。这就是我们所需要的实时人脑，这大约需要模拟一小部分1019触发器(这是10个exaflops，或10,000千万亿次)。我们还有很长的路要走，但我们到了那里。事实上，我预计这将是两年左右，给予或采取。

　　如果您还不熟悉正在进行的构建超级计算机的努力，那就是能够模拟人类大脑的超级计算机，请考虑人类大脑计划，该项目由欧盟于2013年建立，旨在统一神经科学，医学和计算领域。商业和研究需求。

　　SpiNNaker(尖峰神经网络架构)是人类大脑项目的一部分，由曼彻斯特大学的Steve Furber教授(ARM处理器的发明者和Tachyum顾问委员会的现任成员)领导。SpiNNaker的目标是使用大约100万个配置为尖峰神经网络的ARM处理器来模拟大鼠脑的等效物(比人脑大约低1000倍)，它可以更准确地模拟神经元活动，并且使用的功率远低于“令人尴尬的并行“神经网络。如果你的大脑是一个神经网络，它会在你的头骨内沸腾。

　　除了上面描述的例子，我的公司Tachyum正在研究一种名为Prodigy的突破性处理器架构。Prodigy架构将通常在硬件中完成的繁重任务卸载到Tachyum专有的智能编译器中。

　　阅读本文只需要大约四分钟。在那段时间里，人们搜索网络近1400万次，登录Facebook 380万次，发推文180万次，观看超过1700万的YouTube视频，并在440万个Tinder个人资料中向右或向左滑动。

　　当基于云的数据中心以合理的成本为用户提供AI应用程序时，手动查看Tinder配置文件然后滑动等任务将显得过于陈旧。新数据和人工智能中心将知道要为您标记哪些个人资料，并且他们将知道您要观看哪些YouTube视频。比您想象的更早，数据中心将成为为每个人提供低成本AI解决方案的地方。

　　责任编辑:DJ编辑