Наверх
Скоростное подкючение к интернету
Дайана Брайант: не спрашивайте у меня о графических процессорах
Если хотите «достать» Дайану Брайант, руководителя бизнеса Intel по центрам обработки данных, задайте ей вопрос про графические процессоры
0
Как заявляют в Intel, чип Xeon Phi способен ускорять решение задач искусственного интеллекта
Если хотите «достать» Дайану Брайант, руководителя бизнеса Intel по центрам обработки данных, задайте ей вопрос про графические процессоры.
Брайант приняла участие в прошедшей в Тайбэе выставке Computex, где она разъясняла, насколько хорошо самый новый ускоритель Xeon Phi подходит для задач машинного обучения.
Сегодня методы машинного обучения все активнее применяются компаниями вроде Google и Facebook для тренировки программного обеспечения в распознавании образов, понимании естественного языка и не только. Машинное обучение играет важную роль в совершенствовании онлайн-сервисов всех видов: недавно в Google заявили, что собираются пользоваться им во всех аспектах своей деятельности. Для машинного обучения необходимы огромные вычислительные мощности. По словам Брайант, 72 ядра процессора Xeon Phi Knights Landing и высокая скорость выполнения операций над числами с плавающей запятой обеспечивают чипу превосходное соотношение быстродействия на ватт в расчете на доллар при решении задач машинного обучения.
«В этой области есть колоссальные возможности — в какой-то момент машинным обучением начнут пользоваться все предприятия без исключения», — заявила она. Сложность для Intel в том, что сегодня для машинного обучения шире примxeonеняются графические процессоры, выпускаемые компаниями Nvidia и AMD.
«Насколько я знаю, никто из ‘суперсемерки’ не пользуется Xeon Phi для обучения своих нейронных сетей», — говорит Патрик Мурхед, аналитик Moor Insights and Strategy. «Суперсемеркой» в самой Intel называют технологические компании, закупающие микропроцессоры рекордных количествах. В нее входят Google, Facebook, Amazon, Microsoft, Alibaba, Baidu и Tencent.
Приветливая Брайант проявила признаки раздражения, когда ее спросили, как Intel сможет конкурировать на рынке машинного обучения, не имея графического процессора. Видеопроцессоры общего назначения, заявила она в ответ, это ускорители другого типа, которые не предназначены специально для машинного обучения.
«Мы называем Kinights Landing ‘сопроцессором’, но на деле это ускоритель операций с плавающей запятой, как, собственно, и графические процессоры общего назначения», — добавила Брайант.
Она признает, что Nvidia благодаря более оперативным действиям сумела поначалу стать лидером рынка ускорителей высокопроизводительных вычислений за счет того, что еще несколько лет назад начала позиционировать графические процессоры как подходящие для этих задач. Но со времени появления первого Xeon Phi, который вышел в 2014 году, Intel удалось захватить уже 33% рынка суперкомпьютерных задач, пользующихся ускорителями вычислений с плавающей запятой.
«Мы отыграли рынок у Nvidia и продолжим выигрывать», — заявила Брайант.
Доля бизнеса машинного обучения, принадлежащая Intel, возможно, гораздо меньше, но Брайант подчеркивает, что этот рынок еще очень молод: «Меньше 1% серверов, проданных за прошлый год, используются для машинного обучения, поэтому говорить о том, что Nvidia нас побеждает на рынке, который едва появился, по меньшей мере странно».
Тем не менее, 1% мирового серверного рынка — это не ничтожно мало, и в Intel собираются продолжать совершенствовать Xeon Phi, развивая его способности к ускорению задач машинного обучения.
Заказчики у Intel на этом рынке есть, но в корпорации никаких крупных имен не назвали. Брайант упомянула лишь компанию Viscovery, в которой Knights Landing пользуются для обучения алгоритмов поиска в видеозаписях.
Брайант напомнила, что машинное обучение состоит из двух этапов — само обучение алгоритмических моделей, наиболее требовательная к вычислительным ресурсам часть, и применение обученных моделей к еще не знакомым наборам данных, по-другому называемое «выведением умозаключений».
Программируемые логические матрицы Intel, полученные с приобретением компании Altera, при совместном использовании с процессорами Xeon отлично подходят для формирования умозаключений, то есть корпорация предлагает решения для обеих частей задачи, подчеркнула Брайант.
Тем не менее, Intel, возможно, будет непросто потеснить графические процессоры в гипермасштабных компаниях, не говоря уже о «тензорном» процессоре Google, который был разработан специально для задач машинного обучения.
По мнению Мурхеда, с графическими процессорами Nvidia программистам работать сложнее, что может сыграть на руку Intel, особенно когда предприятия массово начнут внедрять машинное обучение. Кроме того, Knight Landing может работать в качестве центрального процессора, благодаря чему его не обязательно использовать в паре с обычным Xeon, чтобы на нем могла запускаться операционная система.
Однако у самого нового Xeon Phi быстродействие составляет около 3 TFLOPS, добавил аналитик, тогда видеочип Nvidia GP100 выдает более 5 TFLOPS.
«Можно было бы ‘накачать’ мощность Knights Landing, и он стал бы как самые быстрые графические процессоры, но сейчас это не так», — отметил Мурхед.
Тем не менее, в Intel решительно настроены на успех. «Мы продолжим развивать данную продуктовую линейку и набирать долю рынка», — заявила Брайант.
