Google資深研究員Jeff Dean強調，硬件系統(tǒng)可針對執(zhí)行少量特定的作業(yè)實現(xiàn)優(yōu)化，并形成大量機器學習模型，從而打造更強大的神經(jīng)網(wǎng)絡…

　　如果您目前尚未考慮到如何有效利用深度神經(jīng)網(wǎng)絡(deep neural network)來解決您的問題，那么您的腳步必須加快了。至少，根據(jù)Google資深研究員兼深度學習人工智能研究計劃(即Google Brain)主持人Jeff Dean是這么認為的。

　　在日前于美國加州舉行的Hot Chips大會專題演講中，Dean介紹神經(jīng)網(wǎng)絡如何大幅改寫運算設備，并在語音、視覺、搜尋、機器人與醫(yī)療保健等領域取得重大的進展。他強調，硬件系統(tǒng)可針對執(zhí)行少量特定作業(yè)實現(xiàn)優(yōu)化，并形成大量的機器學習(machine learning)模型，從而打造更強大的神經(jīng)網(wǎng)絡。

　　Dean說：“針對神經(jīng)網(wǎng)絡具備的特性打造專用計算機極具意義。如果你能開發(fā)出一套真正善于進行特定作業(yè)(例如加速的低精度線性代數(shù))的系統(tǒng)，那就是業(yè)界夢寐以求的。”

　　針對美國國家工程院(National Academy of Engineering;NAE)于2008年提出的14項21世紀重大工程挑戰(zhàn)，Dean認為，透過神經(jīng)網(wǎng)絡可望在解決這些所有問題時發(fā)揮重要作用。Dean在發(fā)表簡報時特別著重于其中的五項挑戰(zhàn)：恢復并改善城市建筑、推動健康資訊工程進展、更有效地用藥，以及人類大腦的反向工程等。不過，對于NAE重大挑戰(zhàn)清單中的最后一項——為科學探索打造工具，Dean卻保留了他的看法。

　　Dean表示：“人們已經(jīng)意識到我們需要更多的運算能力，才能解決這種種的問題。”

　　TPU Pods解決更大的問題

　　Google最近開始為其客戶和研究人員提供可經(jīng)由云端服務的第二代TensorFlow處理器單元(TPU)機器學習ASIC。這是一款客制化的加速器板，配備4個第二代裝置，據(jù)稱可帶來180兆次浮點運算(TFLOPS)運算和64GB高帶寬內(nèi)存(HBM)的性能。

　　Dean表示，新的云端TPU芯片設計主要用于將彼此連接在一起，形成更大的配置——亦即被稱為‘TPU Pod’的機器學習超級計算機。一個TPU Pod配置中包含64個第二代TPU，可提供11.5 petaflops以及 4TB的HBM內(nèi)存。他并補充說，Google還免費提供了1,000個云端TPU給致力于開放機器學習研究的頂尖研究人員。

　　Dean說：“我們對于TPU Pod解決更大問題的可能性感到非常振奮。”

　　2015年，Google發(fā)表TensorFlow軟件庫，為機器學習開放來源，目標就在于建立一個可用于表達與交換機器學習想法與系統(tǒng)的通用平臺。Dean并展示了一張圖表，顯示TensorFlow才剛過一年半，就已經(jīng)比其他具有類似用途的庫更受歡迎。

　　Google第二代TPU

　　Dean表示，近五年來迅速出現(xiàn)的神經(jīng)網(wǎng)絡，主要是受到過去20年來運算能力的重大進展而促成的。他并補充說自己在1990年時還為此撰寫了一篇有關神經(jīng)網(wǎng)絡的論文。他認為，當時的神經(jīng)網(wǎng)絡發(fā)展幾乎是可行的，但大約還需要更高60倍的運算能力。

　　Dean說：“而今，事實證明，我們真正需要更高大約100萬倍的運算性能，而非60倍。”