IBM和NVIDIA新款人工智能服务器又把英特尔秒了

　　另外，Tesla P100的半精度浮点运算性能达到了每秒21万亿次 —— 比插入现代PCI-E插槽的GPU高出大约14%，这样的处理能力对训练深度神经网络的重要性不言而喻。

　　IBM还做了个纵向对比，和老款Power S822LC服务器的Tesla K80 GPU加速器相比，新款服务器的加速能力提升了两倍多。

　　预计明年问世的IBM Power9会延续对CPU+GPU组优化。

　　为何是“CPU+GPU”?

　　众所周知，在人工智能人工智能和深度学习等计算任务上，CPU早已不堪重任。因此，不少企业纷纷推出人工智能专用芯片概念，例如谷歌的TPU(Tensor Processing Unit);还有业内人士力挺FPGA更适合深度学习的算法，这也是英特尔以高价收购Altera的主要原因。

　　不过，上述两个替代CPU的方案都还未成熟，目前大多数企业采用的依然是“CPU+GPU”的组合，或者称为异构服务器。通常来说，在这种异构模式下，应用程序的串行部分在CPU上运行，而GPU作为协处理器，主要负责计算任务繁重的部分。

　　因为和CPU相比，GPU的优势非常明显：

　　1.CPU主要为串行指令而优化，而GPU则是为大规模的并行运算而优化。所以，后者在大规模并行运算的速度更快;

　　2.同等面积下，GPU上拥有更多的运算单元(整数、浮点的乘加单元，特殊运算单元等等);

　　3.一般情况下，GPU拥有更大带宽的 Memory，因此在大吞吐量的应用中也会有很好的性能。

　　4.GPU对能源的需求远远低于CPU。

　　当然，这并不代表人工智能服务器对CPU没有需求，CPU依然是计算任务不可或缺的一部分，在深度学习算法处理任务中还需要高性能的CPU来执行指令并且和GPU进行数据传输，同时发挥CPU的通用性和GPU的复杂任务处理能力，才能达到最好的效果，通俗点说就是实现CPU和GPU的协同计算。

　　虽然NVIDIA和Intel等芯片商正在为GPU和CPU孰强孰弱陷入了口水战，但实际上这些企业已经开始在异构计算上加大了研发力度，至少在近期内，CPU和GPU的结合将继续成为人工智能领域最有效的方案。