【51CTO.com快譯】如今，在一些令人關(guān)注的人工智能和機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域，圖形處理單元(GPU)發(fā)揮著日益重要的作用。

GPU繼續(xù)擴(kuò)展在人工智能和機(jī)器學(xué)習(xí)中的應(yīng)用

人工智能(AI)無疑將改變?nèi)蛏a(chǎn)力、工作模式和生活方式，并創(chuàng)造巨大的財(cái)富。根據(jù)調(diào)研機(jī)構(gòu)Gartner公司的預(yù)計(jì)，到2022年，全球人工智能市場(chǎng)規(guī)模將從2020年的約1.2萬億美元快速增長(zhǎng)到約3.9萬億美元;而麥肯錫公司預(yù)計(jì)到2030年全球人工智能市場(chǎng)規(guī)模將達(dá)到約13萬億美元。當(dāng)然，這種轉(zhuǎn)變是由強(qiáng)大的機(jī)器學(xué)習(xí)(ML)的工具和技術(shù)推動(dòng)的，例如深度強(qiáng)化學(xué)習(xí)(DRL)、生成對(duì)抗網(wǎng)絡(luò)(GAN)、梯度提升決策樹模型(GBM)、自然語言處理(NLP)等。

現(xiàn)代的人工智能和機(jī)器學(xué)習(xí)系統(tǒng)獲得成功主要取決于它們使用的任務(wù)優(yōu)化硬件以并行方式處理大量原始數(shù)據(jù)的能力。事實(shí)上，人工智能的現(xiàn)代復(fù)興始于2012年的ImageNet競(jìng)賽，深度學(xué)習(xí)算法在圖像分類精度方面比非深度學(xué)習(xí)算法有了驚人的提高。然而，伴隨著巧妙的編程和數(shù)學(xué)建模，專用硬件的使用在人工智能的早期成功中起到了重要的作用。

計(jì)算機(jī)視覺(CV)的進(jìn)步繼續(xù)推動(dòng)著許多人工智能和機(jī)器學(xué)習(xí)系統(tǒng)的發(fā)展。計(jì)算機(jī)視覺(CV)正在更廣泛應(yīng)用在各行業(yè)領(lǐng)域中，使組織能夠徹底改變機(jī)器和業(yè)務(wù)系統(tǒng)的工作方式，例如制造、自動(dòng)駕駛、醫(yī)療保健等行業(yè)領(lǐng)域。幾乎所有的計(jì)算機(jī)視覺(CV)系統(tǒng)都從傳統(tǒng)的基于規(guī)則的編程模式演變?yōu)榇笠?guī)模的、數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)模式。因此，基于GPU的硬件通過幫助處理大量訓(xùn)練數(shù)據(jù)(其規(guī)模通常在PB級(jí)以上)，并在確保高質(zhì)量預(yù)測(cè)和分類方面發(fā)揮著關(guān)鍵作用。

本文將介紹一些最受關(guān)注的人工智能和機(jī)器學(xué)習(xí)應(yīng)用領(lǐng)域，在這些領(lǐng)域中，這些專用硬件(尤其是GPU)將發(fā)揮著越來越重要的作用。

人工智能和機(jī)器學(xué)習(xí)中一些最受關(guān)注的領(lǐng)域是：

• 自動(dòng)駕駛。
• 醫(yī)療保健/醫(yī)學(xué)成像。
• 抗擊疾病、藥物發(fā)現(xiàn)。
• 環(huán)境/氣候科學(xué)。

為什么GPU在這些任務(wù)中大放異彩?

現(xiàn)實(shí)表明，通用的CPU在處理大量數(shù)據(jù)(例如，對(duì)具有數(shù)萬或數(shù)十萬浮點(diǎn)數(shù)的矩陣執(zhí)行線性代數(shù)運(yùn)算)時(shí)通常會(huì)遇到困難。而深度神經(jīng)網(wǎng)絡(luò)主要由矩陣乘法和向量加法等運(yùn)算方法組成。

GPU的開發(fā)(主要應(yīng)用在視頻游戲領(lǐng)域中)使用數(shù)千個(gè)微型計(jì)算核心處理大規(guī)模并行計(jì)算。它們還具有大內(nèi)存帶寬來處理快速數(shù)據(jù)流(處理單元緩存到較慢的主內(nèi)存并返回)，而在神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)百個(gè)歷元(Epochs)時(shí)需要進(jìn)行大量計(jì)算。這使GPU成為處理計(jì)算機(jī)視覺任務(wù)計(jì)算負(fù)載的理想硬件。

GPU針對(duì)許多框架和計(jì)算領(lǐng)域進(jìn)行了優(yōu)化

GPU的通用架構(gòu)適用于作為深度學(xué)習(xí)算法核心的特定類型的計(jì)算任務(wù)。然而，一旦這種協(xié)同作用被研究和開發(fā)人員充分利用并得到證實(shí)，生產(chǎn)GPU的廠商(例如英偉達(dá)公司)為此投入了大量的資金和人力，為各種應(yīng)用場(chǎng)景開發(fā)更多的高性能和高度優(yōu)化的GPU。

此外還確保他們的應(yīng)用軟件和固件堆棧不斷更新，以與現(xiàn)代高級(jí)編程框架無縫集成，以便全球各地的數(shù)百萬開發(fā)人員能夠更方便地利用GPU的強(qiáng)大功能。下圖展示了英偉達(dá)GPU產(chǎn)品正在優(yōu)化的各種深度學(xué)習(xí)框架的生態(tài)系統(tǒng)。 

此外，根據(jù)功耗與性能的權(quán)衡，GPU(和相關(guān)內(nèi)存)架構(gòu)可以針對(duì)大量計(jì)算領(lǐng)域進(jìn)行優(yōu)化設(shè)計(jì)，這些產(chǎn)品從學(xué)術(shù)實(shí)驗(yàn)室使用的桌面工作站到工業(yè)物聯(lián)網(wǎng)或自動(dòng)駕駛汽車上使用的邊緣計(jì)算機(jī)。來自英偉達(dá)公司網(wǎng)站的這張圖有助于說明這一點(diǎn)：

自動(dòng)駕駛領(lǐng)域中的人工智能和機(jī)器學(xué)習(xí)

自動(dòng)駕駛對(duì)于機(jī)器學(xué)習(xí)系統(tǒng)來說是一個(gè)極具挑戰(zhàn)性和復(fù)雜性的行業(yè)領(lǐng)域。自動(dòng)駕駛汽車使用具有各種功能且數(shù)量繁多的傳感器來收集有關(guān)道路狀況、其他車輛、行人、騎行者、路標(biāo)、出口、高速公路標(biāo)記、路邊商店等許多變量的信息。其中許多信息是基于圖像的(使用安裝在不同地方的多個(gè)攝像頭)。其他的信息可能是來自LiDAR或其他類型傳感器的數(shù)據(jù)流。

自動(dòng)駕駛汽車的用例也非常具有挑戰(zhàn)性，因?yàn)樗粌H包括物體檢測(cè)，還包括物體分類、分割、運(yùn)動(dòng)檢測(cè)等。除此之外，機(jī)器學(xué)習(xí)系統(tǒng)需要在幾秒的時(shí)間內(nèi)完成這種圖像/視覺處理，并將其決策傳達(dá)給負(fù)責(zé)最終駕駛?cè)蝿?wù)的更高級(jí)別的監(jiān)控系統(tǒng)。

此外，在任何一個(gè)自動(dòng)駕駛系統(tǒng)中，通常采用多個(gè)這樣的計(jì)算機(jī)視覺(CV)的系統(tǒng)/算法。在這些情況下對(duì)并行處理的需求很高，這對(duì)于處理數(shù)據(jù)的計(jì)算機(jī)來說面臨更大的壓力。如果同時(shí)使用多個(gè)神經(jīng)網(wǎng)絡(luò)，它們可能會(huì)共享公共系統(tǒng)存儲(chǔ)并相互競(jìng)爭(zhēng)公共資源池。

此外，還有高度專業(yè)化和優(yōu)化的片上系統(tǒng)(SoC)平臺(tái)用于這一領(lǐng)域。以下是對(duì)英偉達(dá)公司的NVIDIA DRIVEAGX的描述：“NVIDIA DRIVE™AGX嵌入式超級(jí)計(jì)算平臺(tái)處理來自攝像頭、雷達(dá)和激光雷達(dá)傳感器的數(shù)據(jù)，以感知周圍環(huán)境，將汽車定位到地圖，并規(guī)劃和執(zhí)行安全的前進(jìn)路徑。這個(gè)人工智能平臺(tái)支持自動(dòng)駕駛、車內(nèi)功能、駕駛員監(jiān)控以及其他安全功能——所有這些都集成在一個(gè)緊湊而節(jié)能的軟件包中。”

醫(yī)療保健中的人工智能和機(jī)器學(xué)習(xí)(醫(yī)學(xué)影像)

在醫(yī)學(xué)成像的應(yīng)用下，計(jì)算機(jī)視覺系統(tǒng)的性能是根據(jù)經(jīng)驗(yàn)豐富的放射科醫(yī)師和了解病理圖像的臨床醫(yī)生來判斷的。此外在大多數(shù)情況下，其任務(wù)涉及識(shí)別患病率非常低的罕見疾病。這使得訓(xùn)練數(shù)據(jù)變得稀疏(沒有足夠的訓(xùn)練圖像)。因此，深度學(xué)習(xí)(DL)架構(gòu)必須通過添加巧妙的處理和復(fù)雜的架構(gòu)來彌補(bǔ)這一點(diǎn)。當(dāng)然，這會(huì)導(dǎo)致計(jì)算復(fù)雜度增加。

核磁共振成像(MRI)和其他先進(jìn)的醫(yī)學(xué)成像系統(tǒng)正在采用機(jī)器學(xué)習(xí)算法，它們?cè)絹碓蕉嗟爻蔀榘┌Y檢測(cè)的第一道防線。面對(duì)海量的數(shù)字化數(shù)據(jù)，放射科醫(yī)師的數(shù)量和質(zhì)量往往難以滿足需求，而基于機(jī)器學(xué)習(xí)的系統(tǒng)是幫助他們完成決策過程的完美選擇。

根據(jù)一篇發(fā)表在《自然》雜志的文章，放射科醫(yī)師需要在8小時(shí)工作時(shí)間內(nèi)每3～4秒解讀一張​​X光片圖像才能滿足工作量需求。如今，醫(yī)學(xué)成像數(shù)據(jù)非常豐富，深度學(xué)習(xí)(DL)算法可以提供不斷擴(kuò)展的醫(yī)學(xué)圖像數(shù)據(jù)集，以像訓(xùn)練有素的放射科醫(yī)生那樣發(fā)現(xiàn)異常并解釋結(jié)果?？梢杂?xùn)練這種算法對(duì)常規(guī)和異常結(jié)果進(jìn)行分類，例如識(shí)別皮膚上的可疑斑點(diǎn)、病變、腫瘤和腦出血。但是對(duì)數(shù)百萬個(gè)訓(xùn)練示例進(jìn)行分類并正確識(shí)別它們，則需要GPU優(yōu)化的軟件和硬件系統(tǒng)的幫助。

人工智能和機(jī)器學(xué)習(xí)對(duì)抗疾病(藥物發(fā)現(xiàn))

行業(yè)專家指出，冠狀病毒疫情等全球大流行病大多是由病毒引起的。在基本結(jié)構(gòu)層面，這些病毒主要由一條或幾條DNA/RNA鏈組成。而確定3D蛋白質(zhì)結(jié)構(gòu)，即來自基因測(cè)試數(shù)據(jù)的氨基酸分子序列是開發(fā)某些類別(亞基和核酸類型)疫苗的關(guān)鍵。

如果嘗試采用傳統(tǒng)的蛋白質(zhì)折疊算法，這項(xiàng)任務(wù)在計(jì)算方面是不可行的(無論投入多少硬件資源)。而通過最新的深度強(qiáng)化學(xué)習(xí)(DRL)和貝葉斯優(yōu)化技術(shù)，人工智能可以在幫助解決這一挑戰(zhàn)方面發(fā)揮重要作用。而在這方面，谷歌公司的深度學(xué)習(xí)研究部門DeepMind推出了AlphaFold，這是一個(gè)基于深度強(qiáng)化學(xué)習(xí)(DRL)的系統(tǒng)，可以根據(jù)蛋白質(zhì)的基因序列預(yù)測(cè)蛋白質(zhì)的3D結(jié)構(gòu)。

2020年3月上旬，該系統(tǒng)對(duì)于檢測(cè)冠狀病毒進(jìn)行了測(cè)試，DeepMind的人工智能研究人員可以根據(jù)該系統(tǒng)發(fā)布與SARS-CoV-2相關(guān)的幾種研究不足的蛋白質(zhì)的結(jié)構(gòu)預(yù)測(cè)，以幫助全球臨床和病毒學(xué)研究界更好地開展工作，以了解病毒及其對(duì)人類生物學(xué)的影響。2020年11月，在名為CASP(結(jié)構(gòu)預(yù)測(cè)的關(guān)鍵評(píng)估)的兩年一度的蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)挑戰(zhàn)中，這一系統(tǒng)的表現(xiàn)優(yōu)于其他100個(gè)團(tuán)隊(duì)開發(fā)的系統(tǒng)。

但獲得這些令人印象深刻的突破性性能都以部署更多GPU驅(qū)動(dòng)硬件為代價(jià)。雖然很難估計(jì)用于訓(xùn)練AlphaFold的計(jì)算能力，但是根據(jù)行業(yè)媒體的報(bào)道，其著名的前身AlphaGo在知名的一場(chǎng)圍棋挑戰(zhàn)賽中同時(shí)使用了數(shù)百個(gè)CPU和GPU，并擊敗圍棋世界冠軍李世石。

在環(huán)境和氣候科學(xué)中應(yīng)用的人工智能和機(jī)器學(xué)習(xí)

氣候變化是21世紀(jì)人類面臨的最深刻的生存危機(jī)之一。要了解這一劃時(shí)代變化的全球事件的影響，需要收集大量的科學(xué)數(shù)據(jù)、高逼真的可視化能力以及健壯的預(yù)測(cè)模型。

因此，天氣預(yù)報(bào)和氣候建模處于人類應(yīng)對(duì)氣候變化的前沿。但是這種建模并不容易。至少，對(duì)于大數(shù)據(jù)分析和科學(xué)模擬能力的發(fā)展情況，這樣規(guī)模的問題對(duì)于當(dāng)今的硬件和軟件堆棧來說是難以解決的。

在美國(guó)，大多數(shù)天氣預(yù)報(bào)服務(wù)都基于稱為天氣研究和預(yù)測(cè)(WRF)的一個(gè)中等規(guī)模的綜合模型。該模型適用于從數(shù)十米到數(shù)千公里的范圍廣泛的氣象應(yīng)用。因此，這樣的綜合模型必須處理無數(shù)與天氣相關(guān)的變量及其高度復(fù)雜的相互關(guān)系。事實(shí)證明，用一組統(tǒng)一的解析方程來描述這些復(fù)雜的關(guān)系也是不可能的。與其相反，科學(xué)家們嘗試使用一種稱為參數(shù)化的方法來近似方程，在這種方法中，他們以比實(shí)際現(xiàn)象更大的規(guī)模對(duì)關(guān)系進(jìn)行建模。

深度學(xué)習(xí)的神奇力量能否解決這個(gè)問題?美國(guó)阿貢國(guó)家實(shí)驗(yàn)室的環(huán)境科學(xué)家和計(jì)算科學(xué)家正在開展合作，使用深度神經(jīng)網(wǎng)絡(luò)(DNN)來替換天氣研究和預(yù)測(cè)(WRF)模型中某些物理方案的參數(shù)，希望在不影響保真度和預(yù)測(cè)能力的情況下顯著縮短建模時(shí)間。

他們正在充分利用支持GPU的高性能計(jì)算(HPC)節(jié)點(diǎn)的力量來進(jìn)行這種計(jì)算密集型研究。一篇新聞文章介紹了Argonne Leadership Computing Facilit(ALCF)的一些詳細(xì)信息：“ALCF已開始在ThetaGPU上為已批準(zhǔn)的請(qǐng)求分配時(shí)間。ThetaGPU是Theta的擴(kuò)展，由NVIDIA DGX A100節(jié)點(diǎn)組成。每個(gè)DGX A100節(jié)點(diǎn)配備8個(gè)NVIDIA A100 TensorCore GPU和兩個(gè)AMD Rome CPU，提供320GB(總計(jì)7680GB)的GPU內(nèi)存用于訓(xùn)練人工智能數(shù)據(jù)集，同時(shí)還支持GPU特定和GPU增強(qiáng)的HPC應(yīng)用程序進(jìn)行建模和模擬。”

智能制造中的人工智能和機(jī)器學(xué)習(xí)

原材料、貨物和零件的移動(dòng)是任何一個(gè)制造系統(tǒng)的核心業(yè)務(wù)。而在計(jì)算和信息技術(shù)革命之后，人們意識(shí)到這些物品的移動(dòng)只有在以精確的方式控制時(shí)才能達(dá)到最佳效率，并由信息處理引擎進(jìn)行監(jiān)督。

因此，軟硬件的創(chuàng)新結(jié)合使傳統(tǒng)行業(yè)進(jìn)入了智能制造時(shí)代。隨著計(jì)算和存儲(chǔ)的成本和操作復(fù)雜性呈指數(shù)級(jí)下降，由人員、機(jī)器、控制器、工廠、倉庫和物流機(jī)械產(chǎn)生的信息內(nèi)容的規(guī)模和復(fù)雜性呈爆炸式增長(zhǎng)。

現(xiàn)在，人工智能和機(jī)器學(xué)習(xí)領(lǐng)域的創(chuàng)新理念已將許多制造組織從淹沒在數(shù)據(jù)洪流中的困境中拯救出來，并幫助他們分析和理解每天必須處理的EB規(guī)模數(shù)據(jù)。深度學(xué)習(xí)技術(shù)被用于多個(gè)領(lǐng)域——設(shè)計(jì)、質(zhì)量控制、機(jī)器/流程優(yōu)化、供應(yīng)鏈、預(yù)測(cè)性和預(yù)防性維護(hù)等等。

鑒于數(shù)據(jù)生成和處理需求的數(shù)量和速度快速增長(zhǎng)，這些人工智能/機(jī)器學(xué)習(xí)系統(tǒng)中的大多數(shù)使用GPU驅(qū)動(dòng)的工作站和云計(jì)算資源。

使用GPU的人工智能和機(jī)器學(xué)習(xí)應(yīng)用概述

越來越多的行業(yè)領(lǐng)域在其運(yùn)營(yíng)和RandD中采用強(qiáng)大的人工智能/機(jī)器學(xué)習(xí)工具和平臺(tái)。本文只討論了其中的一些，并研究了基于GPU的系統(tǒng)的強(qiáng)大功能和靈活性如何支持人工智能在各行業(yè)領(lǐng)域中的應(yīng)用。從這個(gè)趨勢(shì)來看，可以自信地說，定制人工智能/機(jī)器學(xué)習(xí)硬件解決方案(如深度學(xué)習(xí)工作站)的市場(chǎng)和選擇在未來幾年將會(huì)繼續(xù)快速增長(zhǎng)。

原文標(biāo)題：Applications for GPU-Based AI and Machine Learning，作者：Kevin Vu

【51CTO譯稿，合作站點(diǎn)轉(zhuǎn)載請(qǐng)注明原文譯者和出處為51CTO.com】