人工智能愈渐火热，相应的 AI 人才缺口也越来越大。最近，雷锋网联合业界专业 AI 技术培训平台 “AI 慕课学院” 推出了 “机器学习理论与实战高级特训班”，雷锋网读者将享有限量 5 折福利，详情请戳这！
雷锋网消息，在 2016 年 5 月的 I/O 开发者大会上，谷歌首次向外透露了其机器学习专用芯片 Tensor 处理单元（TPU）。之后，谷歌除了公布它们是围绕公司自身进行优化的 TensorFlow 机器学习框架之外，就再未透露更多的细节。今日，谷歌的硬件工程师 Norm Jouppi 首次向外分享了更多关于该项目的细节和测试结果。
如果你是一个芯片设计师，你可以在谷歌公布的研究报告里找到很多关于这一 TPU 如何运作的细节。
在此次测试中，谷歌基于自己的基准测试对自研芯片进行了测试。测试结果表明，TPU 在执行谷歌常规机器学习工作负载方面，比一个标准的 GPU/CPU 组合（一般是 Intel Haswell 处理器和 Nvidia K80 GPU 组合的情况下）平均要快 15-30 倍。另外，由于数据中心的功耗计算，TPU 还能提供高达 30-80 倍瓦特的速率。研究报告作者表示，如果将来使用更快的内存，该 TPU 还有进一步优化的空间。
值得注意的是，这些数字是关于在生产中使用机器学习模型的，而不是首次创建模型。
谷歌还指出，虽然大多数架构师为卷积神经网络（convolutional neural networks，例如，对于图像识别工作良好的特定类型的神经网络）优化了其芯片。然而，谷歌表示，这些网络只占其数据中心工作负载的 5％左右，而大部分应用使用的是多层感知器（ multi-layer perceptrons）。
机器学习的本质是密集计算，比如 Google 工程师举的例子 —— 如果人们每天用三分钟的语音搜索，但运行没有 TPU 加持的语音识别人物的话，该公司将需要建造两倍多的数据中心。
事实上，据谷歌表示，该公司在 2006 年就已开始研究如何其数据中心中使用 GPU，FPGA 和自定义 ASICS（其实质上是 TPU）。然而，由于他们所需的大量工作负载，可能只能利用数据中心里面已经可用的多余硬件，而当时并没有那么多的应用程序真的可以在这种特殊硬件中受益。
据悉，谷歌已经将 TPU 用于许多内部项目，如机器学习系统 RankBrain、Google 街景、以及 AlphaGo 等。但 Google 尚未给出将 TPU 应用于外部项目的计划。
谷歌在其研究报告里表示：2013 年，我们预计到 DNN 或许在将来会成为非常受欢迎的方向，而这可能会使数据中心的计算需求增加一倍，如果要满足传统的 CPU 将会需要高昂的价格。“因此，我们开始了这个高度优先的项目，以快速生成用于推理的定制 ASIC（并购买了现成的 GPU 来进行培训）。” 谷歌一位工程师表示。
据雷锋网了解，谷歌不太可能在其云端之外提供 TPU。不过谷歌表明，预计将来会有其他人采用我们所学到的知识，并 “成为更高水准的继任者”。
Via TechCrunch，雷锋网编译
● ● ●
AI 要点众多，却无从下手？
资料看过很多，但依旧不得要领？
缺少实战环境，理论理解囫囵吞枣？
遇到专业难题，缺少大牛指点解答？
如果你也努力过，挣扎过，
那么 “机器学习理论与实战高级特训班”
将会成为你吃透的强效助推器。
和大牛面谈，进入人工智能企业参观交流，和一线从业者深入探讨。
有兴趣可扫描海报二维码，进入课程专题页，联系客服注明雷锋网读者，享受专属限量 5 折福利。
