谷歌前些天發(fā)布了專為其深度學(xué)習(xí)算法TensorFlow設(shè)計的專用集成芯片，命名為張量處理單元（TensorProcessingUnit：TPU這次的新硬件涉及的領(lǐng)域，是谷歌極為擅長和領(lǐng)先的深度學(xué)習(xí)。結(jié)合近期谷歌和各大科技巨頭在AI方面的動向，不難猜到這塊芯片對于谷歌和AI開發(fā)者來說意義重大，并且會對產(chǎn)業(yè)起到深遠(yuǎn)的影響。但谷歌為什么要在通用硬件性能已經(jīng)十分強(qiáng)大的現(xiàn)在仍然會為了深度學(xué)習(xí)算法專門開發(fā)一款硬件，而這塊芯片對其他巨頭來說又意味著什么？

對于任何運(yùn)算來說，更換新硬件無非是為了兩個目的：更快的速度和更低的能耗。而深度學(xué)習(xí)這個看起來玄乎的詞語，究其本質(zhì)也不過是大量的運(yùn)算。我們都知道那句老話：萬能工具的效率永遠(yuǎn)比不上專用工具。無論是CPU、GPU還是FPGA，其屬性都算是一種通用工具。因為它們都可以應(yīng)付許多不同的任務(wù)。而專用的TPU自然從道理上來說就應(yīng)該會比前面幾種硬件的效率都要高。這里的效率高，既是指速度更快，也是指能耗會更低。

但我們不能光講道理，也要擺出一些數(shù)據(jù)。實際上，Xilinx曾經(jīng)表示在特定的FPGA開發(fā)環(huán)境下深度學(xué)習(xí)的能效比會達(dá)到CPU/GPU架構(gòu)的25倍，不是一倍兩倍，是25倍！同學(xué)們可以拿出紙和筆了，讓我們舉一個實際的例子來講講這種效率提升的原因：以在深度神經(jīng)網(wǎng)絡(luò)（DNN）上進(jìn)行的圖像識別為例子，網(wǎng)絡(luò)的整個結(jié)構(gòu)大致是這樣的：

其中除輸入層是用來將圖像的特征提取為函數(shù)、輸出層用來輸出結(jié)果外，其他的隱層都是用來識別、分析圖像的特征的。當(dāng)一幅圖被輸入時，第一層隱層會首先對其進(jìn)行逐像素的分析。此時的分析會首先提取出圖像的一些大致特征，如一些粗略的線條、色塊等。如果輸入的是一張人臉的圖像，則首先獲得的會是一些傾斜的顏色變換。

第一層的節(jié)點(diǎn)會根據(jù)自己對所得信號的分析結(jié)果決定是否要向下一層輸出信號。而所謂的分析過程，從數(shù)學(xué)上來看就是每個隱層中的節(jié)點(diǎn)通過特定的函數(shù)來處理相鄰節(jié)點(diǎn)傳來的帶權(quán)重值的數(shù)據(jù)。并決定是否向下一層輸出結(jié)果，通常每一層分析完成后便有些節(jié)點(diǎn)不會再向下一層輸出數(shù)據(jù)，而當(dāng)下一層接收到上一層的數(shù)據(jù)的時候，便能在此基礎(chǔ)上識別出一些更復(fù)雜的特征，如眼睛、嘴巴和鼻子等，

逐次增加辨識度之后，在最高一層，算法會完成對面部所有特征的識別，并在輸出層給出一個結(jié)果判斷。基于不同的應(yīng)用，這個結(jié)果可能有不同的表現(xiàn)。比如分辨出這是誰的臉。

不難想象，由于每一層分析的時候都要對極大量的數(shù)據(jù)進(jìn)行運(yùn)算，因此對處理器的計算性能要求極高。這時CPU的短板就明顯的體現(xiàn)出來了，在多年的演化中，CPU依據(jù)其定位需要不斷強(qiáng)化了進(jìn)行邏輯運(yùn)算（Ifelse之類）的能力。相對的卻沒有提高多少純粹的計算能力。因此CPU在面對如此大量的計算的時候難免會感到吃力。很自然的，人們就想到用GPU和FPGA去計算了。

FPGA和GPU

實際的計算能力除了和硬件的計算速度有關(guān)，也同硬件能支持的指令有關(guān)。我們知道將某些較高階的運(yùn)算分解成低階運(yùn)算時會導(dǎo)致計算的效率下降。但如果硬件本身就支持這種高階運(yùn)算，就無需再將其分解了。可以節(jié)省很多時間和資源。

FPGA和GPU內(nèi)都有大量的計算單元，因此它們的計算能力都很強(qiáng)。在進(jìn)行神經(jīng)網(wǎng)絡(luò)運(yùn)算的時候速度會比CPU快很多，但兩者之間仍存在一些差別。GPU出廠后由于架構(gòu)固定硬件原生支持的指令其實就固定了。如果神經(jīng)網(wǎng)絡(luò)運(yùn)算中有GPU不支持的指令，比如，如果一個GPU只支持加減乘除，而我們的算法需要其進(jìn)行矩陣向量乘法或者卷積這樣的運(yùn)算，GPU就無法直接實現(xiàn)，就只能通過軟件模擬的方法如用加法和乘法運(yùn)算的循環(huán)來實現(xiàn)，速度會比編程后的FPGA慢一些。而對于一塊FPGA來說，如果FPGA沒有標(biāo)準(zhǔn)的“卷積”指令，開發(fā)者可以在FPGA的硬件電路里“現(xiàn)場編程”出來。相當(dāng)于通過改變FPGA的硬件結(jié)構(gòu)讓FPGA可以原生支持卷積運(yùn)算，因此效率會比GPU更高。

其實講到這里，我們已經(jīng)比較接近谷歌開發(fā)TPU的原因了。TPU是一種ASIC，這是一種與FPGA類似，但不存在可定制性的專用芯片，如同谷歌描述的一樣，是專為它的深度學(xué)習(xí)語言TensorFlow開發(fā)的一種芯片。因為是專為TensorFlow所準(zhǔn)備，因此谷歌也不需要它擁有任何可定制性了，只要能完美支持TensorFlow需要的所有指令即可。而同時，TPU運(yùn)行TensorFlow的效率無疑會是所有設(shè)備中最高的。這就是谷歌開發(fā)TPU的最顯而易見的目的：追求極致的效率。

對其他廠商有何影響？

目前有許多廠商已經(jīng)在AI領(lǐng)域投入了大量的精力并且顯示出一些野心，在TPU發(fā)布之前，這個領(lǐng)域內(nèi)的大多數(shù)廠商都在同時利用FPGA和GPU來改進(jìn)訓(xùn)練自己的神經(jīng)網(wǎng)絡(luò)算法。NVIDIA則是其中比較特殊的一家：它是世界最大的GPU制造商之一，一直在不遺余力的推廣自己的產(chǎn)品在深度學(xué)習(xí)領(lǐng)域的應(yīng)用。但其實GPU的設(shè)計初衷主要并不是進(jìn)行神經(jīng)網(wǎng)絡(luò)運(yùn)算，而是圖像處理。更多是由于其特殊的構(gòu)造碰巧也比較適用于神經(jīng)網(wǎng)絡(luò)運(yùn)算罷了，盡管NVIDIA也在推出一些自有的深度學(xué)習(xí)算法，但由于GPU自身的特性一直還是被FPGA壓著一頭。而此次的TPU會讓這個市場上憑空再多一個競爭對手，因此如果讓我投票，我認(rèn)為這款TPU對NVIDIA的影響是最大的。雖然谷歌表示不會將這款芯片賣給別的公司，意味著它不會和其他公司產(chǎn)生直接的競爭。但谷歌的芯片如果性能更優(yōu)秀，開發(fā)者們和服務(wù)商將越來越多的轉(zhuǎn)向谷歌提供的服務(wù)，而不再使用其他廠商的服務(wù)和硬件，這也會間接對其他廠商，尤其是NVIDIA的業(yè)務(wù)造成影響。

其次是以英特爾為代表的“中間層面”的廠商，英特爾去年年底收購了全球知名的FPGA大廠Altera，顯然不會忽略其在深度學(xué)習(xí)方面的潛力。但截至目前英特爾并沒有明確的表現(xiàn)出自己要進(jìn)軍人工智能領(lǐng)域的決心，也沒有表示自己會推出什么人工智能產(chǎn)品，而只是表達(dá)出了一些將相關(guān)特性應(yīng)用到自己已有產(chǎn)品內(nèi)的意愿。其實對于這樣的廠商來說，除非他們自己其實已經(jīng)秘密的進(jìn)行了很久的人工智能產(chǎn)品開發(fā)。不然其實市場的競爭更多只是為他們帶去了更好的工具，不會對他們的利益造成什么沖擊。當(dāng)然，如果谷歌未來還打算自己設(shè)計CPU就另當(dāng)別論。但是目前谷歌表示自己并沒有這種意愿，而且，那也是另外一個故事了。

另一些在人工智能領(lǐng)域已經(jīng)與谷歌有著相似程度的成就的公司則預(yù)計不會受到太多影響，如微軟和蘋果。微軟一直在探索FPGA對人工智能相關(guān)運(yùn)算的加速，并且有自己開發(fā)的算法。經(jīng)過長時間的調(diào)試，基于FPGA的這些算法也未必會在最終表現(xiàn)上輸給谷歌多少。如果微軟愿意，其實它也可以隨時開始開發(fā)一款自己的人工智能芯片，畢竟微軟也是自己開發(fā)過很多專屬硬件的了。

更多資訊請關(guān)注電力電子頻道