Когда AlphaGo (программа искусственного интеллекта Google) победила чемпиона по игре Го южнокорейца Ли Седоля в начале этого года — и все оценили передовое программное обеспечение Google. Но программа, разработанная исследовательской группой DeepMind Google, имела некоторые серьезные аппаратные решения разработанные ранее.
Программа работает на пользовательских ускорителях, на разработку которых инженеры Google потратили годы. Сколько длилась разработка — компания держит в секрете. С помощью новых ускорителей, подключенных к серверам AlphaGo, программа может распознать образы в своей обширной библиотеке значительно быстрее, чем могла это сделать со стандартным процессором. Увеличение скорости AlphaGo помогло увеличить скорость и интуитивный выбор, в общем, то, чего не смогли сделать другие компьютеры, пытающиеся одержать победу в игре.
Новый чип принадлежит семейству процессоров известных как специализированные интегральные схемы (ASICs), которые могут быть запрограммированы только для выполнения одной конкретной задачи. Он был построен специально для глубоких нейронных сетей, своего рода машинного обучения сочетающего в себе миллионы процессоров, по функционалу подобных нейронам головного мозга.
Google утверждает, что многие из его сервисов используют новые микросхемы, известные как обработчики тензорных единиц TPUs, которые служат двигателем для машинного обучения программного обеспечения Google Tensorflow. Инженеры Google говорят, что такие микросхемы порядком быстрее и эффективнее, чем другие, которые проходили испытания в центрах обработки данных.
«TPU предназначены для машинного обучения приложений, что позволяет микросхеме быть менее требовательной к снижению точности вычисления, а это значит, что требуется меньшее количество транзисторов на операцию», пишет Norm Jouppi, выдающийся инженер Google, в своем блоге. «Благодаря этому мы можем выполнять большее количество операций в секунду».
Google никогда не афишировал разработку новых микросхем, но эти ускорители стали свидетельством их секретной работы в этом направлении. Компания, которая ранее использовала графические процессоры для машинного обучения, запустит TPU в своих центрах обработки данных в течении года, сказал Jouppi. Также он добавил, что TPU заменят только некоторые из существующих микросхем.
Google не первая компания ведущая разработку в данном направлении. Другие компании, работающие над искусственным интеллектом на пороге создания совершенно новой архитектуры микросхем. Nervana Systems работает над чипами, способными не только имитировать способности человеческого мозга, но и его структуру.
IBM создала процессор, известный как TrueNorth по тому же принципу. Чип может запускать дополнительные программы искусственного интеллекта, такие как распознавание рисунков или речи с минимальным потреблением энергии. Имея размеры с почтовую марку TrueNorth содержит около 5,4 млрд транзисторов и способен выполнять 46 млрд синаптических операций на ватт мощности.
Microsoft и China’s Baidu выбрали другой путь развития своих сервисов – с помощью программируемой пользователем вентильной матрицы (FGPA). Тем не менее, другие компании делают ставку на графический процессор (GPU), нынешний «золотой» стандарт для машинного обучения.
Тем не менее, Google’s ASICs может выполнить необходимые расчеты для более эффективного машинного обучения, чем FPGA и микропроцессоры. David Wentzlaff, профессор электротехники Принстонского Университета доказал, что ASIC примерно в три раза быстрее, чем FPGA, которые, в свою очередь, в три раза быстрее микропроцессоров. Его исследования также показали, что ASIC намного эффективнее микропроцессоров, они обеспечивают значительно большую производительность на единицу площади при запуске программного обеспечения.
Google считает, что его чип опережает на семь лет или на три поколения процессоров другие микросхемы для машинного обучения. Такой уровень вычислений может дать Google значительное преимущество над конкурентами — Amazon и Facebook, которые объединяют свои сервисы в области машинного обучения.
Теперь более чем в 100 программах Google присутствуют некоторые элементы машинного обучения. К ним относятся популярные функции StreetView в рамках Google Maps, а также поисковые системы и облачных вычислениях. Подобное программное обеспечение нашло свое применение и в новых программах обмена сообщениями, а также в Inbox Smart Reply, который отслеживает ваш почтовый ящик и предлагает короткие ответы на электронные письма.
Sundar Pichai, исполнительный директор Google, закончил свою речь на Google I/O обсуждением исследований компании в области робототехники и медицины, подчеркивая особое место машинного обучения в будущем компании.
Интересное видео об искусственном интеллекте:
