被特斯拉嘲笑，英偉達放狠話要造超級AI晶片！
NVIDIA的數據中心業務最近一直處于虧損狀態，過去幾年每年大約翻一番。 它在2018財年達到了19.3億美元，比上一年增長了近130％。 這種增長主要是由于HPC中普遍使用NVIDIA GPU以及人工智能研究和開發的神經網絡培訓。
然而，常識說，在某些時候，運行AI應用程序的需求將變得比構建它們的需求更大（假設這些AI工具確實有用）。 考慮到這一點，現在有很多公司，無論大小，都在為推理處理設計晶片，包括Google，Intel，Wave Computing和Graph Core。
進入基于圖靈的Tesla T4和TensorRT 5軟件
當NVIDIA宣布圖靈GPU，定位可視化和實時渲染時，它包含了一些非常有趣的規格，表明它可以成為一個很好的推理引擎。行業觀察家們想知道NVIDIA GPU是否是引領這種向“生產AI”過渡的合適技術，因此對NVIDIA首席執行官Jensen Huang來說，展示公司在推理處理中的地位至關重要。令人失望的是，黃先生在GTC-Japan主題演講中宣布推出基于Turing的全新Tesla T4，這是該公司首款專門針對數據中心推理處理的GPU。
迄今為止，NVIDIA的推理平臺一直專注于機器人和自動駕駛，例如用于汽車的DrivePX中的Xavier SOC和用于機器人的Jetson。就數據中心的推理處理而言，NVIDIA表示其P4和P40 GPU在云中非常受AI歡迎 - 提供視頻，語音處理，運行電子商務推薦引擎的圖像識別，以及用于分析和翻譯的自然語言處理演講成文。NVIDIA共享的一個例子是微軟Bing，它使用這些GPU為其視覺搜索功能提供了比使用CPU快60倍的能力。此外，每個P4 GPU可以處理30個同步的視頻流，以每秒30幀的速度運行。
全新的NVIDIA Tesla T4 GPU將有效取代P4，并采用圖1所示的薄型PCIe封裝。新型晶片僅耗電75瓦，具有針對推理作業中流行的整數計算優化的320“Turing Tensorcores”。 它可以產生每秒130萬億的8位整數和260萬億次4位整數運算（或TOPS）。 如果您需要浮點運算，例如神經網絡訓練所需的，T4可以處理65 TFLOPS進行16位計算 - 大約是NVIDIA Volta GPU性能的一半，而功耗僅為1/4。 最終結果是處理前面提到的視頻流的速度提高了2倍; 雖然P4可以處理30，但T4可以處理60。
該故事的軟件方面基于NVIDIA TensorRT的第5版，它提供神經網絡的預處理，以優化其在新設備上的執行（分支修整，稀疏矩陣優化等），以及運行時 庫來支持執行。 TensorRT 5還支持Kubernetes容器化，負載平衡，動態批處理和交鑰匙資源管理，以幫助云服務提供商將這些新GPU放入其基礎架構中。 TensorRT 5還支持Google神經機器翻譯（GNMT）。
NVIDIA一直在努力在數據中心的AI推理處理中建立自己的位置，原因有兩個：
大規模推斷剛剛開始，今天大部分或大部分處理都可以通過Intel Xeon（或AMD EPYC）CPU來處理。主要用例是低分辨率靜止圖像，例如Facebook用戶上傳的圖像，因此在推理處理中幾乎不需要GPU的強大功能。
NVIDIA沒有通過AI與HPC與虛擬桌面基礎架構分解其數據中心業務，更不用說AI培訓與推理。它不能或不會說已經有多少GPU用于推斷。
隨著越來越多的應用程序處理流媒體視頻的品牌，安全性和營銷，第一個挑戰應該消失。此外，既然NVIDIA擁有專用的推理GPU，我們可以期待用例。也許我們甚至可以了解公司能夠捕獲的推理處理量。
最后，我要指出的是，有數十家創業公司針對推理，有可能匹配（甚至可能超過）特斯拉T4的性能和效率。與人工智能訓練不同，這不可能是一匹馬。但就目前而言，大多數創業公司只有PowerPoint。 NVIDIA現在有一個真正的專用推理引擎可供出售。
再來看看其他正在做AI晶片的公司。
Facebook也在探索晶片開發，說不定哪天它就可以開發出AI晶片。這并不令人意外，因為去年英特爾表示，它正在與Facebook合作開發一種新的AI晶片。就在最近，Facebook才剛剛從谷歌挖來一員大將——谷歌前晶片產品開發部門負責人Shahriar Rabii跳槽，擔任Facebook副總監及晶片部分負責人一職。
在收購了一家名為Nervana的創業公司之后，英特爾正在構建專門用于機器學習的晶片。IBM也是如此，創建了一個反映神經網絡設計的硬件架構。LeCun表示，最近，高通公司已開始專門為執行神經網絡構建晶片。
正如Google的TPU所示，專用的AI晶片可以為數據中心帶來全新的效率，特別是隨著對圖像識別服務需求的增加。畢竟，誰比谷歌本身更了解谷歌的人工智能處理需求？從最開始使用 CPU 跑 AI，到用 NVIDIA GPU 跑 AI，再到如今專有的 TPU AI 晶片跑 AI，就是專用場景優化的結果。隨著虛擬和增強現實變得越來越普遍，手機和耳機將需要類似的晶片。
此外，谷歌還發布了Edge TPU，特定用途 ASIC 晶片，專為在設備上運行 TensorFlow Lite ML 模型而設計。針對Edge TPU的新設備是：AIY Edge TPU Dev 開發板和 AIY Edge TPU 加速器，二者皆采用 Google 的 Edge TPU 晶片。
針對Edge TPU的新設備是：AIY Edge TPU Dev 開發板和 AIY Edge TPU 加速器，二者皆采用 Google 的 Edge TPU 晶片。
然而，常識說，在某些時候，運行AI應用程序的需求將變得比構建它們的需求更大（假設這些AI工具確實有用）。 考慮到這一點，現在有很多公司，無論大小，都在為推理處理設計晶片，包括Google，Intel，Wave Computing和Graph Core。
進入基于圖靈的Tesla T4和TensorRT 5軟件
當NVIDIA宣布圖靈GPU，定位可視化和實時渲染時，它包含了一些非常有趣的規格，表明它可以成為一個很好的推理引擎。行業觀察家們想知道NVIDIA GPU是否是引領這種向“生產AI”過渡的合適技術，因此對NVIDIA首席執行官Jensen Huang來說，展示公司在推理處理中的地位至關重要。令人失望的是，黃先生在GTC-Japan主題演講中宣布推出基于Turing的全新Tesla T4，這是該公司首款專門針對數據中心推理處理的GPU。
迄今為止，NVIDIA的推理平臺一直專注于機器人和自動駕駛，例如用于汽車的DrivePX中的Xavier SOC和用于機器人的Jetson。就數據中心的推理處理而言，NVIDIA表示其P4和P40 GPU在云中非常受AI歡迎 - 提供視頻，語音處理，運行電子商務推薦引擎的圖像識別，以及用于分析和翻譯的自然語言處理演講成文。NVIDIA共享的一個例子是微軟Bing，它使用這些GPU為其視覺搜索功能提供了比使用CPU快60倍的能力。此外，每個P4 GPU可以處理30個同步的視頻流，以每秒30幀的速度運行。
全新的NVIDIA Tesla T4 GPU將有效取代P4，并采用圖1所示的薄型PCIe封裝。新型晶片僅耗電75瓦，具有針對推理作業中流行的整數計算優化的320“Turing Tensorcores”。 它可以產生每秒130萬億的8位整數和260萬億次4位整數運算（或TOPS）。 如果您需要浮點運算，例如神經網絡訓練所需的，T4可以處理65 TFLOPS進行16位計算 - 大約是NVIDIA Volta GPU性能的一半，而功耗僅為1/4。 最終結果是處理前面提到的視頻流的速度提高了2倍; 雖然P4可以處理30，但T4可以處理60。
該故事的軟件方面基于NVIDIA TensorRT的第5版，它提供神經網絡的預處理，以優化其在新設備上的執行（分支修整，稀疏矩陣優化等），以及運行時 庫來支持執行。 TensorRT 5還支持Kubernetes容器化，負載平衡，動態批處理和交鑰匙資源管理，以幫助云服務提供商將這些新GPU放入其基礎架構中。 TensorRT 5還支持Google神經機器翻譯（GNMT）。
NVIDIA一直在努力在數據中心的AI推理處理中建立自己的位置，原因有兩個：
大規模推斷剛剛開始，今天大部分或大部分處理都可以通過Intel Xeon（或AMD EPYC）CPU來處理。主要用例是低分辨率靜止圖像，例如Facebook用戶上傳的圖像，因此在推理處理中幾乎不需要GPU的強大功能。
NVIDIA沒有通過AI與HPC與虛擬桌面基礎架構分解其數據中心業務，更不用說AI培訓與推理。它不能或不會說已經有多少GPU用于推斷。
隨著越來越多的應用程序處理流媒體視頻的品牌，安全性和營銷，第一個挑戰應該消失。此外，既然NVIDIA擁有專用的推理GPU，我們可以期待用例。也許我們甚至可以了解公司能夠捕獲的推理處理量。
最后，我要指出的是，有數十家創業公司針對推理，有可能匹配（甚至可能超過）特斯拉T4的性能和效率。與人工智能訓練不同，這不可能是一匹馬。但就目前而言，大多數創業公司只有PowerPoint。 NVIDIA現在有一個真正的專用推理引擎可供出售。
再來看看其他正在做AI晶片的公司。
Facebook也在探索晶片開發，說不定哪天它就可以開發出AI晶片。這并不令人意外，因為去年英特爾表示，它正在與Facebook合作開發一種新的AI晶片。就在最近，Facebook才剛剛從谷歌挖來一員大將——谷歌前晶片產品開發部門負責人Shahriar Rabii跳槽，擔任Facebook副總監及晶片部分負責人一職。
在收購了一家名為Nervana的創業公司之后，英特爾正在構建專門用于機器學習的晶片。IBM也是如此，創建了一個反映神經網絡設計的硬件架構。LeCun表示，最近，高通公司已開始專門為執行神經網絡構建晶片。
正如Google的TPU所示，專用的AI晶片可以為數據中心帶來全新的效率，特別是隨著對圖像識別服務需求的增加。畢竟，誰比谷歌本身更了解谷歌的人工智能處理需求？從最開始使用 CPU 跑 AI，到用 NVIDIA GPU 跑 AI，再到如今專有的 TPU AI 晶片跑 AI，就是專用場景優化的結果。隨著虛擬和增強現實變得越來越普遍，手機和耳機將需要類似的晶片。
此外，谷歌還發布了Edge TPU，特定用途 ASIC 晶片，專為在設備上運行 TensorFlow Lite ML 模型而設計。針對Edge TPU的新設備是：AIY Edge TPU Dev 開發板和 AIY Edge TPU 加速器，二者皆采用 Google 的 Edge TPU 晶片。
針對Edge TPU的新設備是：AIY Edge TPU Dev 開發板和 AIY Edge TPU 加速器，二者皆采用 Google 的 Edge TPU 晶片。
