谈谈三种深度学习的硬件方案：ASICs、FPGAs 和 GPU

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。谷歌AlphaGo就是采用了人工神经网络技术，充分挖掘了深度学习的潜力。简单来说，深度学习是一个包含了许多层级数据处理的神经网络，以自动化方式组合起来解决问题。

在 AlphaGo 和李世石人机大战之前，相当多的人并不看好 AlphaGo，包括许多围棋、AI 业内人士 。但公众并不清楚的是：当时谷歌手中握着一张王牌——AlphaGo 的计算设备搭载了特制硬件，一个被谷歌称为“Tensor Processing Unit”（TPU）的计算卡。

深度学习的三种硬件方案：ASICs，FPGAs，GPU

人机大战落幕后的两个月，谷歌硬件工程师 Norm Jouppi 才公开了它的存在。在博客中，他解释道，谷歌给数据中心装备这些加速器卡已经有超过一年的时间。虽然谷歌对技术细节严格保密，但已透露它们专为谷歌开源项目 TensorFlow 而优化；并且，它采取了一个越来越流行的深度学习运算加速方式：ASICs。它全称为应用型专用集成电路（application-specific integrated circuit）。

而微软采用了另一种逐渐流行起来的方式：FPGAs（现场可编程门阵列，field-programmable gate arrays）。它的优势是，如果计算机需要改变，它可以被重新装配。但是，最通用、最主流的方案仍旧是使用 GPU，以并行处理大量数学运算。不出预料，GPU 方案的主要推动者是该市场的霸主英伟达。

事实上， 2009 年之后人工神经网络的复兴与 GPU 有紧密联系——那一年，几名斯坦福的学者向世界展示，使用 GPU 可以在合理的时间内训练深度神经网络。这直接引发了 GPU 通用计算——GPGPU 的浪潮。

英伟达首席科学家、斯坦福并发 VLSI 架构小组的负责人  William J. Dally 表示：“行内每个人现在都在做深度学习，这方面，GPU 几乎已经达到了最好。”

William Dally 进一步解释，深度学习硬件的选择有三个不同领域要考虑：

1. “数据中心的训练”

第一个被他称之为“在数据中心训练”。这里，他指的是任何深度学习系统需要做的第一步：调整神经元之间的数百万连接，让神经网络来执行分配的任务。

对于这方面的硬件，行业领头羊是一家最近被英特尔收购的公司 Nervana Systems。该公司的计算机学者 Scott Leishman 透露，他们开发出的 ASIC 深度学习加速器 Nervana Engine, 将于 2017 年中投产。他注意到，另外一项需要大量计算的任务——比特币挖矿，正从一开始在 CPU 上运行，转移到 GPU，再到 FPGAs，最终到 ASICs。这是由于提升的能耗效率。他说：“在深度学习领域我观察到了同样的趋势”。

2. “数据中心的推理（inference）”

第二个深度学习硬件的任务是，“数据中心的推理（inference）”。推理在这里指代的是，基于云端、被训练来处理特定任务的神经网络的连续运行。每天，谷歌的神经网络都要运行天文数字级别的推理计算，来进行图片分类，语言翻译，语音识别。虽然现在的信息不足以证实，但据雷锋网所知，业内人士普遍推测谷歌的 TPU 是为这些任务而定制。

训练和推理通常需要不同的技能组合。对训练来说，计算机往往需要以较高的精确度运算，一般使用 32 位浮点运算。对于推理，精确度可以适当牺牲，换取更快的速度和更低的能耗。对此，Leishman 表示：“这是一个热门研究领域，能耗到底可以降低到什么程度？”

William Dally 拒绝透露英伟达的深度学习产品计划，而是强调如今做出的成绩。他说，英伟达的 GPU 在不断进化。上代 Mazwell 架构可以进行双精度（64 位）或者单精度（32 位）运算，而这一代的帕斯卡（ Pascal ）架构能以单精度运算两倍的吞吐量和效率进行 16 位运算。我们能想象，英伟达很可能最终会发布能进行 8 位运算的 GPU 。对于云端的推理计算来说，这十分理想，因为能耗对于降低成本十分关键。

3. “嵌入式设备的推理”

第三个深度学习运算需要考虑的是 “嵌入式设备的推理”，比如智能手机、摄像头和平板电脑。这类应用的核心是低能耗的 ASICs。近年来，深度学习软件越来越多地集成入手机应用。它已经被用来查杀恶意软件和翻译图片中的文字。

据悉，大疆已经在精灵 4 中应用了类似于深度学习 ASIC 的东西：使用加州公司 Movidius 的视觉处理芯片来识别障碍。顺便说一句，Movidius 是最近另一家被英特尔收购的神经网络公司。另外，高通也在旗舰芯片 820 中加入了优化深度学习计算的特殊电路。

今天，各家公司有极强的商业动机，去开发能加速深度神经网络的硬件。但这里有一个很大的风险：如果技术迭代太快，为昨天的神经网络而设计的芯片，可能在最终生产、铺货时就已经过时了。对此，William Dally 说道：“算法正在飞速变化，所有开发这些硬件的人，都试图让产品方案覆盖尽可能多的对未来的赌注。”

目前，基于 ASICs 和 FPGAs 产品大多应用在企业端，大多数个人开发者的的首选仍然是 GPU。至于在未来 GPU 的霸主地位是否会动摇，我们会继续关注。