Google avslöjar ett kraftfullt nytt AI-chip och superdator

Om artificiell intelligens snabbt äter mjukvara, kan Google ha den största aptiten som finns.

Vid företagets årliga utvecklarkonferens idag tillkännagav VD Sundar Pichai en ny datorprocessor designad för att utföra den typ av maskininlärning som har tagit branschen med storm de senaste åren (se 10 Breakthrough Technologies: Deep Learning ).

Tillkännagivandet speglar hur snabbt artificiell intelligens förändrar Google själv, och det är det säkraste tecknet hittills på att företaget planerar att leda utvecklingen av alla relevanta aspekter av mjukvara och hårdvara.

Kanske viktigast av allt, åtminstone för dem som arbetar med maskininlärning, den nya processorn körs inte bara med blixtrande hastighet, den kan också tränas otroligt effektivt. Kallas Cloud Tensor Processing Unit, chippet är uppkallat efter Googles open source TensorFlow maskininlärningsramverk.

Utbildning är en grundläggande del av maskininlärning. För att skapa en algoritm som kan känna igen korvar i bilder , till exempel skulle du mata in tusentals exempel på korvbilder – tillsammans med exempel på inte korv – tills den lär sig känna igen skillnaden. Men de beräkningar som krävs för att träna en stor modell är så oerhört komplexa att träning kan ta dagar eller veckor.

Pichai tillkännagav också skapandet av maskinlärande superdatorer, eller Cloud TPU-pods, baserade på kluster av Cloud TPU: er kopplade ihop med höghastighetsdataanslutningar. Och han sa att Google skapade TensorFlow Research Cloud, som består av tusentals TPU:er tillgängliga över Internet.

Vi bygger vad vi tänker på som AI-first datacenter, sa Pichai under sin presentation. Cloud TPU:er är optimerade för både träning och slutledning. Detta lägger grunden för betydande framsteg [inom AI].

Google kommer att göra 1 000 Cloud TPU-system tillgängliga för forskare inom artificiell intelligens som är villiga att öppet dela detaljer om deras arbete.

Pichai tillkännagav också ett antal AI-forskningsinitiativ under sitt tal. Dessa inkluderar ett försök att utveckla algoritmer som kan lära sig hur man gör det tidskrävande arbetet med att finjustera andra maskininlärningsalgoritmer. Och han sa att Google utvecklade AI-verktyg för medicinsk bildanalys, genomisk analys och molekylupptäckt.

På tal inför tillkännagivandena sa Jeff Dean, senior fellow på Google, att detta erbjudande kan hjälpa till att främja AI. Många toppforskare har inte tillgång till så mycket datorkraft som de skulle vilja, noterade han.

Googles övergång till AI-fokuserad hårdvara och molntjänster drivs delvis av ansträngningar att påskynda sin egen verksamhet. Google använder nu TensorFlow för att driva sökning, taligenkänning, översättning och bildbehandling. Det användes också i Go-playing-programmet, AlphaGo, utvecklat av ett annat dotterbolag till Alphabet, DeepMind.

Men strategiskt kan Google hjälpa till att förhindra ett annat hårdvaruföretag från att bli alltför dominerande i maskininlärningsområdet. Nvidia, ett företag som tillverkar de grafikbearbetningschips som traditionellt har använts för djupinlärning, håller på att bli särskilt framstående med sina olika produkter (se Nvidias VD: Software Is Eating the World, but AI is Going to Eat Software ).

Relaterad berättelse

Läs Nästa Jensen Huang förutspår att sjukvård och bilar kommer att förvandlas av artificiell intelligens.

För att ge ett visst mått på prestandaaccelerationen som erbjuds av dess moln-TPU:er, säger Google att deras egna översättningsalgoritmer skulle kunna tränas mycket snabbare med den nya hårdvaran än befintlig hårdvara. Det som skulle kräva en hel dags träning på 32 av de bästa GPU:erna kan göras på en eftermiddag med en åttondel av en av dess TPU Pods.

Dessa TPU:er levererar häpnadsväckande 128 teraflops och är byggda för precis den typ av sifferknäppning som driver maskininlärning idag, Fei-Fei Li , chefsforskare på Google Cloud och chef för Stanfords AI Lab, sa före Pichais tillkännagivande.

En teraflop hänvisar till en biljon flyttalsoperationer per sekund, ett mått på datorprestanda som erhålls genom att gå igenom matematiska beräkningar. Däremot klarar iPhone 6 cirka 100 gigaflops, eller en miljard flyttalsoperationer per sekund.

Google säger att det fortfarande kommer att vara möjligt för forskare att designa algoritmer med hjälp av annan hårdvara, innan den överförs till TensorFlow Research Cloud. Det här är vad demokratisering av maskininlärning handlar om – att stärka utvecklare genom att skydda designfriheten, tillade Li.

Ett växande antal forskare har anammat TensorFlow sedan Google släppte programvaran 2015. Google skryter nu med att det är det mest använda ramverket för djupinlärning i världen.

Dölj