Deloitte称:FPGA、ASIC有望在机器学习领域中实现崛起

来源:网络整理 作者:2018年01月22日 16:48

在2016年初,机器学习仍被视为科学实验,但目前则已开始被广泛应用于数据探勘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、语音和手写识别、战略游戏与机器人等应用领域。在这短短一年的时间内,机器学习的成长速度超乎外界预期。

DeloitteGlobal最新的预测报告指出,在2018年,大中型企业将更加看重机器学习在行业中的应用。和2017年相比,用机器学习部署和实现的项目将翻倍,并且2020年将再次翻倍。

目前,有越来越多的类型开始丰富“AI芯片”这个新名词,包括GPU、CPU、FPGAASIC、TPU、光流芯片等。据Deloitte预测,2018年,GPU和CPU仍是机器学习领域的主流芯片。GPU的市场需求量大概在50万块左右,在机器学习任务中对FPGA的需求超过20万块,而ASIC芯片的需求量在10万块左右。

值得注意的是,Deloitte称,预计到2018年底,超过25%的数据中心中用来加速机器学习的芯片将为FPGA和ASIC芯片。可见,FPGA、ASIC有望在机器学习领域中实现崛起。

实际上,一些较早开始使用FPGA、ASIC芯片加速的用户,主要是将它们运用机器学习的推论(inference)任务上,但不久之后,FPGA、ASIC芯片在模组训练工作上也将能有所发挥。

在2016年,全球FPGA芯片的销售额已经超过40亿美元。而在2017年年初报告《CanFPGAsBeatGPUsinAcceleraTIngNext-GeneraTIonDeepNeuralNetworks》中,研究人员表示在某些情况下,FPGA的速度和运算力可能比GPU还要强。

目前,像是亚马逊(Amazon)的AWS与微软(Microsoft)的Azure云端服务,都已引进FPGA技术;国内的阿里巴巴也宣布与英特尔(Intel)合作,利用Xeon-FPGA平台加速云端应用;英特尔近来不断强调,数据中心可通过FPGA调整云端平台,提升机器学习、影音数据加密等工作的执行效率。

此外,ASIC虽然是只执行单一任务的芯片,但目前ASIC芯片的制造厂商很多。在2017年,整个产业的总收益大约在150亿美元左右。据悉,Google等厂商开始将ASIC运用在机器学习,以TensorFlow机器学习软件为基础的芯片也已问世。

Deloitte认为,CPU与GPU的结合,对机器学习发展的推动产生了很大的助力。如果未来各种FPGA与ASIC解决方案也能在提升处理速度、效率与降低成本方面发挥足够影响力,那么机器学习应用将可再次出现爆炸性的进展。

关注电子发烧友微信

有趣有料的资讯及技术干货

下载发烧友APP

打造属于您的人脉电子圈

关注发烧友课堂

锁定最新课程活动及技术直播
声明:电子发烧友网转载作品均尽可能注明出处,该作品所有人的一切权利均不因本站而转移。
作者如不同意转载,既请通知本站予以删除或改正。转载的作品可能在标题或内容上或许有所改动。
收藏 人收藏
分享:

相关阅读

发表评论

elecfans网友

分享到:

用户评论(0