在CPU芯片领域，无极4怎么样？ 延续至今的“摩尔定律”正在随着制程工艺逼近物理极限而有了延缓的趋势，甚至失效的可能。就在摩尔定律的增长放缓脚步的同时，半导体芯片的计算也正在从通用走向专用，其中AI计算正是其中增长最快的一种专用计算。
现在，AI计算正在接棒摩尔定律，延续并超越其倍增神话。2019年，OpenAI发布了AI算力的增长情况，结果显示AI算力以3.4个月的倍增时间实现了指数增长，从2012年起，该指标已经增长了30万倍。
在AI算力爆炸式增长的过程中，英伟达的GPU功不可没。广为人知的一个故事就是2012年，来自多伦多大学的Alex和他的团队设计了AlexNet的深度学习算法，并用了2个英伟达的GTX580 GPU进行训练后，打败了其他所有计算机视觉团队开发的算法，无极4登录 成为那一届ImageNet的冠军。
此后，在计算机视觉和自然语言处理领域，GPU的高并行计算能力得到了充分的发挥，英伟达的GPU也随着AI第三次浪潮的崛起而迎来井喷发展。与此同时，更多为机器学习而专门定制的专用芯片开始出现，比如专用集成电路（ASIC）的张量处理单元TPU、神经网络单元NPU以及半定制芯片FPGA等等。
2018年底，英国一家名为Graphcore的创业公司推出了一种专门用于AI计算的处理器芯片IPU（Intelligence Processing Unit）。一经问世，IPU就受到AI界越来越多的关注。
ARM创始人，无极4官网 被称为英国半导体之父的赫曼·豪瑟曾为Graphcore的IPU给出很高评价，将其誉为“计算机史上三次革命中，继CPU和GPU之后的第三次革命”。赫曼在芯片产业的地位自然不容置疑，但由于Graphcore是英国芯片产业中为数不多的新生力量，难免赫曼有“护犊子”的打广告之嫌。
IPU出道2年时间，现已推出了量产第二代型号为GC2的IPU。那么，IPU的表现如何，与GPU相比有哪些优势之处，这是本文要重点探讨的问题。
GPU所开启的深度学习
一个广为人们熟知的例子就是，在计算机视觉发展初期的2011年，谷歌大脑想要在YouTube的视频中识别人类和猫，当时这样一个简单的任务，谷歌要动用一家大型数据中心内的 2,000 颗服务器 CPU，这些CPU的运行会产生大量的热量和能耗，关键是代价不菲，很少能有研究人员可以用得起这种规模的服务器。
网友回应