图灵GPU会使人工智能发生革命性改变吗

如今的GPU远不止是一种图形芯片。多年来，已经成为人工智能革命的核心。这在很大程度上归功于这样一个事实，即用于高保真3D图像处理的计算基础非常适合支撑神经网络的数学，这些神经网络为当今最复杂的人工智能应用提供动力。

人工智能、机器学习、图像处理有很多共同之处，因此图形处理单元(GPU)可以同时执行这两项事务的操作并不奇怪，这将为人们带来惊喜的沉浸式应用程序。

如今的GPU远不止是一种图形芯片。多年来，已经成为人工智能革命的核心。这在很大程度上归功于这样一个事实，即用于高保真3D图像处理的计算基础非常适合支撑神经网络的数学，这些神经网络为当今最复杂的人工智能应用提供动力。

GPU似乎从一开始就为人工智能设计，但这会歪曲这项技术的历史发展。Nvidia、AMD和其他芯片制造商多年来为PC图形、交互式游戏、图像后处理、虚拟桌面基础设施提供了大量产品。

然而，图形处理和人工智能之间具有亲和力是不可否认的。例如，卷积神经网络(CNN)处于人工智能的最前沿，主要用于图像分析、分类、渲染、操作。毫无疑问，GPU在许多应用中是卷积神经网络(CNN)处理的主要硬件工具之一。

人工智能和图像处理的共同点

从技术角度来看，图像处理和人工智能的共同之处在于依赖于高度并行的矩阵和向量运算，这是GPU发挥作用的地方。基本上，人工智能术语中的矩阵(也称为“张量图”)等效于计算机生成的图像帧中的像素矩阵或点的行和列。GPU的嵌入式存储器结构将整个图形图像处理为矩阵，可能通过自适应智能来丰富，而自适应智能来自深度学习和其他人工智能矩阵的并发执行。该架构使GPU供电的系统能够使用内联人工智能动态地和有选择地加速图像更新和修改的处理。

这些工作负载之间的共生关系在应用程序级别也是显而易见的，这解释了GPU通常是许多智能、图形丰富的应用程序的首选硬件加速器技术的原因。人们越来越多地将人工智能嵌入到大众市场的图像处理产品中，例如自动稳定图像的智能相机，可以调整色彩和曝光，选择焦点，以及根据所捕捉的场景实时地调整现场的图像，从而减少拍出拙劣照片的可能性。

同样，人们看到越来越多采用GPU驱动的人工智能来实现复杂的图像处理功能，如去噪、分辨率缩放、可变速率着色、物体检测、边缘检测、运动检测，以及嵌入到智能相机中缺失元素的插值。基于浏览器的机器学习越来越多地应用于GPU提升的图形密集型应用程序，如图像检测、识别、分类和操作。GPU正在为生成性对抗网络(GAN)提供动力，这是一种领先的人工智能方法，其图形应用包括为游戏、艺术、娱乐、医疗和其他应用生成逼真的高分辨率图像。

除了其他应用之外，甚至还有新一代支持GPU的智能手机应用动态图像处理，旨在为人脸图像呈现逼真的(但基本上是触摸式的)增强效果。

虽然在大多数部署中GPU和CPU之间存在共生关系，但很明显GPU的优势显而易见：与CPU内核相比，GPU的执行单元(称为流多处理器)可以并行执行更多操作。GPU可以在本地存储器和寄存器中存储更多可重用的高速缓存数据，以实现快速矢量化和矩阵乘法。 GPU还具有更高的内存带宽和线程并行性，并且可以在短路径寄存器内存中保存比CPU更多的数据。

Nvidia公司的图灵架构将实现人工智能驱动的沉浸式体验

Nvidia公司推出的GPU具有将3D图像处理与人工神经网络相结合的应用中的长期优势。图灵是Nvidia的第八代GPU架构，已经集成到几个新的GPU中：Nvidia Quadro RTX 8000，Quadro RTX 6000，Quadro RTX 5000。此外还增强了图形优化的CUDA核心和人工智能增强张量(Tensor)核心作为供应商GPU早期版本不可或缺的一部分，Nvidia公司已将新的图形优化技术整合到图灵架构中，称之为RT核心，旨在使Nvidia公司的GPU在实时场景中执行光线跟踪操作的速度更快，效率更高。

光线跟踪技术迄今为止只在高性能计算机生成的成像应用中使用。尽管Nvidia公司正在推广图灵的实时光线追踪技术，主要是为了“逼真的游戏”，这也有助于解释微软公司对该技术的投资，该功能显然非常适合依赖于逼真的视觉处理来提供的任何真实应用。沉浸式体验的作用是模拟周围环境中物体如何反射、衍射、漫射或阻挡光线。与传统的光栅化计算机视觉效果相比，动态光线追踪的场景看起来更加逼真。实时光线跟踪可以高保真地模拟眩光、阴影、颜色偏移和其他光线传播效果的移动模式。

虽然计算更加密集，但实时光线跟踪可以在游戏、协作和其他沉浸式应用程序中发挥重要作用，用户期望虚拟和物理世界的无缝融合。因此，Nvidia公司图灵GPU面向任何人工智能增强的图形应用程序，让用户沉浸在完全人工的数字环境中，将虚拟对象覆盖在真实环境上，或者将虚拟对象锚定到现实世界，让用户与之交互虚拟对象。

换句话说，由Nvidia公司的图灵架构所代表的GPU是虚拟、增强和混合现实设备和应用程序的重要组成部分。因此毫不奇怪，Nvidia公司的图灵架构包括对VirtualLink的本机支持，VirtualLink是一种新的USB-C备用模式，可以围绕单条高带宽USB-C电缆标准化虚拟现实连接。毫无疑问，英特尔公司计划在未来两年内推出自己的GPU，尽管似乎有些晚，奇怪的是只是针对游戏，并且似乎旨在蚕食其新近宣布的下一代图形多核CPU的市场，并针对游戏和内容创建中的图形工作负载进行了优化。

无论如何，Nvidia公司似乎有可能通过图灵芯片扩展其GPU市场领先地位。其新一代GPU非常适合领先的沉浸式应用，这些应用将人工智能更进一步地推向全球的移动、嵌入式、边缘和物联网(IoT)应用。

人们期待看到应用沉浸式技术

很容易想象部署图灵GPU的各种图形丰富的人工智能应用程序：

•协作：人工智能生成的图形化本身可以支持虚拟和物理协作的沉浸式混合，其中每个人都可以采用耳机和降噪耳机，进入协作的、沉浸式虚拟环境。

•学习：人工智能生成的模拟可以为个人和群体提供交互式、逼真、3D体验式学习环境。

•营销：人工智能生成的产品目录可以使逼真渲染的3D项目实际上覆盖、放置、定制和安装在客户的身体或家中、汽车和其他环境中。

•设计：开发人员和工程师可以使用人工智能生成的原型与完美渲染的3D设计进行交互，以便在将其投入物理原型或发送到工厂和车间之前进行可能的创建。

•导航：人工智能生成的图形自动完成或“修复”，在显示器中显示时，可以帮助驾驶员查看车辆盲点中的内容，或突出他们可能拥有的实时环境中所忽视的物体。

•医学：当使用智能护目镜时，采用人工智能技术增强图形分辨率可以帮助医生在执行外科手术时更容易看到身体组织的细微细节，而医学人体模型实际上可以叠加在实际患者身上，以协助诊断，训练和其他医疗保健方案

•工业：人工智能增强型数字孪生环境，可以支持混合物理和虚拟环境中的制造、物流和其他工业实体资产的图形建模、优化和维护。

GPU不擅长的地方

但请记住，GPU并不是一种通用的硬件加速器。GPU通常具有比CPU更少的内存容量，GPU必须使用CPU来提取数据，并且GPU时钟速度最多只占高端CPU的三分之一，这限制了GPU快速处理顺序任务的能力。

同样重要的是，GPU并不一定适合每个人工智能工作负载的最佳硬件加速器技术，它可以为图形注入的移动、边缘、物联网和其他应用程序提供智能。在更加现代产品核心的片上系统(SoC)中，GPU与CPU和各种专用神经网络处理器(如张量处理单元(TPU)，现场编程门阵列(FPGA))一起占用)和专用集成电路(ASIC)。

在不断发展的智能边缘设备生态系统中，真正的共生将取决于所有这些嵌入式人工智能芯片如何协同工作，以创建视觉体验，这些视觉体验以其逼真的现实感使人们感到惊讶。