人工智能和机器学习的爆炸式发展正在改变计算的本质

在硅谷一个芯片研讨会上，谷歌软件工程师Cliff Young指出AI的爆炸式发展正在改变计算的本质，摩尔定律陷入停滞，而AI对计算需求的增长构成了“超级摩尔定律”：arXiv上关于机器学习的学术论文每18个月增加一倍；谷歌内部专注于AI的研究项目数量也每18个月增加一倍；机器学习所需的计算力更是每三个半月就增加一倍。

人工智能和机器学习的爆炸式发展正在改变计算的本质。

说这话的是谷歌软件工程师Cliff Young，而谷歌是人工智能最大的实践者之一。

Cliff Young上周在硅谷的一个芯片研讨会发表了主题演讲，他说，AI的使用已经达到了一个“指数增长阶段”（exponential phase），与此同时，关于半导体发展的经验法则——摩尔定律——已经陷入停滞。

摩尔定律的内容是：集成电路上可容纳的晶体管数目，约每隔两年便会增加一倍。经常被引用的“18个月”是由英特尔的David House提的：每18个月，芯片的性能提高一倍。

“这个时间有点神经质，”Cliff Young说：“数字CMOS的增速正在放缓，我们也看到英特尔在10纳米芯片的生产方面面临困境，还有格芯（GlobalFoundries）已经宣布放弃了7纳米制造工艺研发，与此同时，深度学习进展迅猛，存在经济需求。”CMOS即Complementary Metal Oxide Semiconductor（互补金属氧化物半导体），是计算机芯片最常见的材料。

Young认为，由于传统芯片难以实现更高的性能和效率，来自AI研究人员的需求正在激增。他一口气列举了一些数据：arXiv上关于机器学习的学术论文数量每18个月就增加一倍；在谷歌，专注于AI的内部研究项目数量也每18个月增加一倍。更为激烈的是，执行机器学习神经网络所需的浮点运算量每三个半月就翻一番。

Young说，所有这些计算需求的增长构成了“超级摩尔定律”，他称这种现象“有点可怕”，“有点危险”，“令人担忧”。

“为什么AI领域出现了这些指数级的增长？”他说，“部分原因是，深度学习确实有效。”

他说：“很长一段时间里，我的职业生涯都忽视了机器学习，因为那时尚不清楚这些东西会不会流行起来。”

但后来，图像识别等领域的突破开始迅速出现，很明显，深度学习“非常有效”。Young说：“在过去5年的大部分时间里，谷歌一直是一家AI-first的公司，我们以AI为基础重建了大部分业务，从搜索业务到广告业务等等。”

谷歌内部领导AI研究的是Google Brain团队，它的需求是“巨型机器”。例如，神经网络有时是通过他们使用的“权重”数量来测量的，这些变量被应用于神经网络，以形成对数据的操纵。

传统的神经网络必须要计算的可能有数十万个这样的权重，甚至数百万，谷歌的科学家们说“请给我们一个tera-weight级的机器”，让计算机能够计算一万亿权重。

这是因为“每次你将神经网络的大小增加一倍，它的准确率就会提高。”AI的规则就是越大越好。

当然，为了应对这样的需求，谷歌一直在开发自己的机器学习芯片，即“张量处理单元”（Tensor Processing Unit，TPU）。由于传统的CPU和图形芯片（GPU）跟不上速度，TPU以及类似的部件是需要的。

Young说：“在很长一段时间里，我们都踌躇不前，并表示英特尔和英伟达在构建高性能系统方面做得非常好。但我们在五年前跨过了这个门槛。”

TPU于2017年首次亮相，标榜其性能优于传统芯片，引起了业界轰动。谷歌目前已进入TPU的第三次迭代，不过是在内部使用，并通过谷歌云提供按需计算节点。

TPU v3 Pod

谷歌继续制造越来越大的TPU实例。它的“pod”配置将1024个单独的TPU连接在一起，形成一台新型超级计算机，而且谷歌打算“继续扩展”这个系统。

Young说：“我们正在打造巨大的多处理器计算机，具有几十petabytes的计算力。我们同时向多个方向推进，tera-ops级的也在继续开发。”

他说，这样的工程“带来了超级计算机设计中会出现的所有问题。”

例如，谷歌工程师们采用了传奇的超级计算机公司Cray所使用的技巧。他们将芯片中负责神经网络计算的“巨大的矩阵乘法单元”与“通用向量单元”和“通用标量单元”结合在一起。标量单元和向量单元的结合让Cray的性能优于其他处理器。

谷歌开发了自己的新型算法结构来编程芯片。所谓的“bfloat16”是一种表示实数的方法，可以提高神经网络数字运算的效率。bfloat16的全称是truncated 16-bit floating point（截断浮点数），被通俗地称为“brain float”。

TPU采用最快的内存芯片，即所谓的高带宽内存（HBM）。在训练神经网络时，对内存容量的需求也在激增。

Young说：“内存在训练中更加集中。不只是数亿个权重，还涉及处理神经网络激活变量的问题”。

谷歌也在调整编程神经网络的方式，以充分利用硬件。他们在数据和模型并行性方面做了大量工作，包括“Mesh TensorFlow”等项目，这是对TensorFlow编程框架的改编，目的是将数据和模型并行性在pod-scale上结合起来。

有一些技术细节Young不愿透露。他指出，谷歌没有过多地谈论“互连”（interconnects），即数据在芯片中移动的方式，只是说“我们有巨大的连接器”，拒绝提供更多信息。

Young谈到一些可能并不遥远的更有趣的计算领域。例如，他建议通过模拟芯片进行计算，这种电路将输入作为连续值而不是作为1和0来处理，这样可以发挥重要作用。他说：“也许我们将从模拟领域进行采样，在物理、模拟计算或非易失性技术方面确实有一些很酷的东西。”