[新聞] DeepMind 發現突破摩爾定律的最新晶片設
DeepMind 發現突破摩爾定律的最新晶片設計法!NVIDIA 獨霸 AI 晶片的地位恐不保?
https://buzzorange.com/techorange/2023/08/08/train-ai-design-chip/
正當 NVIDIA 與 AMD 等晶片大廠競相以最大產能,試圖填補目前市場對算力無窮盡的需求,市場對如何建構性能越強、運行成本更低的晶片,興趣更勝以往,像是Google 與亞馬遜等雲端巨頭,紛紛投入大量資源研發自家的 AI 晶片,好超車對手。
近日 Google 一項設計晶片的新技術,被權威科學期刊《Nature》認為是有望超越摩爾定律、晶片產業的重大突破。
摩爾定律難突破!優化電路組合效率,比增加電晶體數量可行
要解釋這項新技術,首先得了解目前晶片產業,面臨摩爾定律即將到達極限的窘境。摩爾定律內容是:「積體電路上可容納的電晶體數目,約每隔兩年便會增加一倍。」
該定律自 1970 年代被提出,但現行晶片上可容納的電晶體數目已接近物理極限,很難再有「兩年翻倍」這種成長效率,因此大廠們無一不想找到其他能夠增強晶片效能的方法。
Google 旗下研究機構 DeepMind 在一項歷時 18 個月的最新研究計畫中找到了。
DeepMind 找到的解方不是想辦法增加更多電晶體在積體電路上,而是想辦法讓現有晶片內部的積體電路,以更有效率的方式排列組合,此舉同樣有助於強化晶片性能。
所謂讓積體電路以更有效率的方式排列組合,涉及的是晶片設計中,成為設計邏輯積體電路的階段。要知道一塊計算機晶片上有數以萬計個積體電路,每個組件的佈置、連結方式,將大大影響其運行速度與效率。
要手動改善一個積體電路的擺法雖然很簡單,但要一次優化幾百萬個積體電路的配置絕不可能,因此 DeepMind 將主意動到了最會做佈局規劃的深度學習技術。
借重深度學習預判棋局之力,用 AI 模型設計 AI 專用晶片!
還記得當初 AlphaGo 與國際棋王李世犒麉棤隉H深度學習如今被認為是最擅於接受佈局挑戰的技術。把晶片上數百萬個積體電路想像成是棋盤上的棋子,當深度學習能從每場賽局中預測出最好的致勝走法,同樣也能替所有組件安排出最佳的連接配置。
當初研究人員餵給 AlphaGo 數十萬張人類對弈的棋譜,好訓練其模型。這次 Google 工程師也搜集了一萬張左右的晶片平面配置圖,好讓深度學習模型計算出最佳的積體電路擺法。據《華爾街日報》報導,今年 6 月,DeepMind 倚賴深度學習所設計出的晶片,剛贏得一場小型的晶片開發比賽。且其運行效率比第二名的晶片快了約 30%。
Google 下一代 TPU 低功耗高效能,專門用來訓練 AI
目前 Google 內部的研究科學家 Azalia Mirhoseini 和 Anna Goldie 在接受《the Verge》採訪時指出,該技術預計會用來設計 Google 的下一代 TPU。TPU 是 Google 替自家專用於機器學習、訓練 AI 的訂製化晶片所取的名稱,於 2016 年 Google I/O 年會首次亮相。當 TPU 利用於處理數據、AI 相關任務時,具備功耗較低、運算速度較快的特性。
此話若真,那 Google 的最新一代 TPU 將是首樁利用深度學習打造商業晶片的案例。「這提供了晶片產業一個改善晶片性能的全新方向。」德州大學奧斯汀分校的電腦工程教授 David Pan 指出,DeepMind 發現的改良方法不僅 TPU,幾乎所有晶片,無論是 CPU 還是 GPU,都有望能遵循該方法優化。
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 223.137.210.48 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/Tech_Job/M.1691595002.A.0AC.html
→
08/09 23:43,
9月前
, 1F
08/09 23:43, 1F
推
08/09 23:45,
9月前
, 2F
08/09 23:45, 2F
→
08/10 00:06,
9月前
, 3F
08/10 00:06, 3F
推
08/10 00:08,
9月前
, 4F
08/10 00:08, 4F
→
08/10 00:12,
9月前
, 5F
08/10 00:12, 5F
推
08/10 00:32,
9月前
, 6F
08/10 00:32, 6F
→
08/10 00:33,
9月前
, 7F
08/10 00:33, 7F
→
08/10 00:34,
9月前
, 8F
08/10 00:34, 8F
噓
08/10 00:42,
9月前
, 9F
08/10 00:42, 9F
→
08/10 00:42,
9月前
, 10F
08/10 00:42, 10F
推
08/10 01:59,
9月前
, 11F
08/10 01:59, 11F
→
08/10 02:17,
9月前
, 12F
08/10 02:17, 12F
推
08/10 02:30,
9月前
, 13F
08/10 02:30, 13F
推
08/10 02:32,
9月前
, 14F
08/10 02:32, 14F
噓
08/10 03:16,
9月前
, 15F
08/10 03:16, 15F
推
08/10 04:17,
9月前
, 16F
08/10 04:17, 16F
→
08/10 04:17,
9月前
, 17F
08/10 04:17, 17F
推
08/10 05:30,
9月前
, 18F
08/10 05:30, 18F
→
08/10 05:31,
9月前
, 19F
08/10 05:31, 19F
推
08/10 07:59,
9月前
, 20F
08/10 07:59, 20F
推
08/10 09:20,
9月前
, 21F
08/10 09:20, 21F
→
08/10 09:20,
9月前
, 22F
08/10 09:20, 22F
推
08/10 10:16,
9月前
, 23F
08/10 10:16, 23F
推
08/10 11:47,
9月前
, 24F
08/10 11:47, 24F
推
08/10 12:01,
9月前
, 25F
08/10 12:01, 25F
→
08/10 12:36,
9月前
, 26F
08/10 12:36, 26F
→
08/10 12:48,
9月前
, 27F
08/10 12:48, 27F
推
08/10 13:33,
9月前
, 28F
08/10 13:33, 28F
推
08/10 14:00,
9月前
, 29F
08/10 14:00, 29F
推
08/10 14:51,
9月前
, 30F
08/10 14:51, 30F
推
08/10 15:24,
9月前
, 31F
08/10 15:24, 31F
推
08/10 17:36,
9月前
, 32F
08/10 17:36, 32F
推
08/10 17:50,
9月前
, 33F
08/10 17:50, 33F
推
08/10 20:19,
9月前
, 34F
08/10 20:19, 34F
推
08/10 22:38,
9月前
, 35F
08/10 22:38, 35F
→
08/10 22:38,
9月前
, 36F
08/10 22:38, 36F
推
08/10 22:41,
9月前
, 37F
08/10 22:41, 37F
→
08/10 22:41,
9月前
, 38F
08/10 22:41, 38F
推
08/10 22:55,
9月前
, 39F
08/10 22:55, 39F
→
08/11 07:49,
9月前
, 40F
08/11 07:49, 40F
→
08/11 07:49,
9月前
, 41F
08/11 07:49, 41F
→
08/11 07:50,
9月前
, 42F
08/11 07:50, 42F
→
08/11 07:50,
9月前
, 43F
08/11 07:50, 43F
→
08/11 10:13,
9月前
, 44F
08/11 10:13, 44F
推
08/11 10:37,
9月前
, 45F
08/11 10:37, 45F
推
08/11 11:03,
9月前
, 46F
08/11 11:03, 46F
推
08/11 19:48,
9月前
, 47F
08/11 19:48, 47F
推
08/12 02:06,
9月前
, 48F
08/12 02:06, 48F