在傳統(tǒng)服務(wù)器芯片市場(chǎng)，英特爾是個(gè)巨無霸，無論是IBM Power還是ARM陣營(yíng)，所占有的份額都微乎其微。但戰(zhàn)線轉(zhuǎn)移到人工智能領(lǐng)域，IBM似乎更有優(yōu)勢(shì)。
據(jù)外媒報(bào)道，近日IBM和NVIDIA聯(lián)手推出了新服務(wù)器IBM Power Systems S822LC for High Performance Computing（還有兩款產(chǎn)品分別為IBM Power Systems S821LC和IBM Power Systems S822LC for Big Data），從這一串名字可看出，這并不是一款普通的服務(wù)器，它是專門為人工智能、機(jī)器學(xué)習(xí)和高級(jí)分析應(yīng)用場(chǎng)景而推出的。
IBM官方宣稱，這款服務(wù)器數(shù)數(shù)據(jù)處理速度比其它平臺(tái)快5倍，和英特爾x86服務(wù)器相比，每美元的平均性能高出80%。
這款服務(wù)器比英特爾x86強(qiáng)在哪？
據(jù)了解，該款服務(wù)器使用了兩個(gè)IBM Power8 CPU和4個(gè)NVIDIA Tesla P100 GPU。Power8是目前IBM最強(qiáng)的CPU，從之前媒體的評(píng)測(cè)數(shù)據(jù)來看，其性能是要優(yōu)于英特爾E7 v3的，而Tesla P100是NVIDIA今年才發(fā)布的高性能計(jì)算（HPC）顯卡，這樣的配置組合在處理性能上自然不弱。
原因有兩個(gè)：
其一，相比CISC指令集，采用的RISC指令集的Power處理器可同時(shí)執(zhí)行多條指令，可將一條指令分割成多個(gè)進(jìn)程或線程，交由多個(gè)處理器同時(shí)執(zhí)行，因此并行處理性能要優(yōu)于基于CISC架構(gòu)的英特爾x86芯片。
另外，這款服務(wù)器的巧妙之處還在于Power8和Tesla P100之間的“配合”。
Power架構(gòu)的另一大特點(diǎn)就是具有充分發(fā)揮GPU性能的優(yōu)勢(shì)。
實(shí)際上，Tesla P100有兩個(gè)版本，一個(gè)是NVIDIA今年4月推出的NVLink版，另一個(gè)是6月發(fā)布的PCI-E版本，簡(jiǎn)單來講，前者是后者的加強(qiáng)版，與IBM Power8配對(duì)的正是Tesla P100 NVLink版。
Tesla P100采用的是Pascal架構(gòu)，能夠?qū)崿F(xiàn)CPU與GPU之間的頁面遷移，不過每塊NVLink版還配置了4個(gè)每秒40 GB NVIDIA NVLink端口，分部接入GPU集群。NVLink是OpenPOWER Foundation獨(dú)有的高速互連技術(shù)，其有效帶寬高達(dá)40GB/S，堪稱PCIE的升級(jí)版，足以滿足多芯片并行計(jì)算的需求。不過支持這一標(biāo)準(zhǔn)的CPU屈指可數(shù)，Power8則是其中之一（英特爾不在此之列）。
這就意味著，Power8 CPU能夠和Tesla P100 GPU以更高的速度完成通信，這一特性可讓IBM Power Systems S822LC for High Performance Computing中的CPU和GPU之間的連接速度遠(yuǎn)快于普通的在PCIe總線上交換數(shù)據(jù)的表現(xiàn)。
CPU、GPU這樣協(xié)作更配，IBM和NVIDIA新款人工智能服務(wù)器又把英特爾秒了
IBM表示，“這一功能意味著，不同于在GPU處于PCI-E界面上的x86系統(tǒng)上，數(shù)據(jù)庫應(yīng)用程序、高性能分析應(yīng)用程序和高性能計(jì)算應(yīng)用程序運(yùn)行能夠在要大得多的數(shù)據(jù)集上運(yùn)行。”
另外，Tesla P100的半精度浮點(diǎn)運(yùn)算性能達(dá)到了每秒21萬億次 —— 比插入現(xiàn)代PCI-E插槽的GPU高出大約14%，這樣的處理能力對(duì)訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的重要性不言而喻。
IBM還做了個(gè)縱向?qū)Ρ龋屠峡頟ower S822LC服務(wù)器的Tesla K80 GPU加速器相比，新款服務(wù)器的加速能力提升了兩倍多。
預(yù)計(jì)明年問世的IBM Power9會(huì)延續(xù)對(duì)CPU+GPU組優(yōu)化。
為何是“CPU+GPU”？
眾所周知，在人工智能人工智能和深度學(xué)習(xí)等計(jì)算任務(wù)上，CPU早已不堪重任。因此，不少企業(yè)紛紛推出人工智能專用芯片概念，例如谷歌的TPU（Tensor Processing Unit）；還有業(yè)內(nèi)人士力挺FPGA更適合深度學(xué)習(xí)的算法，這也是英特爾以高價(jià)收購(gòu)Altera的主要原因。
不過，上述兩個(gè)替代CPU的方案都還未成熟，目前大多數(shù)企業(yè)采用的依然是“CPU+GPU”的組合，或者稱為異構(gòu)服務(wù)器。通常來說，在這種異構(gòu)模式下，應(yīng)用程序的串行部分在CPU上運(yùn)行，而GPU作為協(xié)處理器，主要負(fù)責(zé)計(jì)算任務(wù)繁重的部分。
因?yàn)楹虲PU相比，GPU的優(yōu)勢(shì)非常明顯：
1.CPU主要為串行指令而優(yōu)化，而GPU則是為大規(guī)模的并行運(yùn)算而優(yōu)化。所以，后者在大規(guī)模并行運(yùn)算的速度更快；
2。同等面積下，GPU上擁有更多的運(yùn)算單元（整數(shù)、浮點(diǎn)的乘加單元，特殊運(yùn)算單元等等）；
3。一般情況下，GPU擁有更大帶寬的 Memory，因此在大吞吐量的應(yīng)用中也會(huì)有很好的性能。
4.GPU對(duì)能源的需求遠(yuǎn)遠(yuǎn)低于CPU。
當(dāng)然，這并不代表人工智能服務(wù)器對(duì)CPU沒有需求，CPU依然是計(jì)算任務(wù)不可或缺的一部分，在深度學(xué)習(xí)算法處理任務(wù)中還需要高性能的CPU來執(zhí)行指令并且和GPU進(jìn)行數(shù)據(jù)傳輸，同時(shí)發(fā)揮CPU的通用性和GPU的復(fù)雜任務(wù)處理能力，才能達(dá)到最好的效果，通俗點(diǎn)說就是實(shí)現(xiàn)CPU和GPU的協(xié)同計(jì)算。
雖然NVIDIA和Intel等芯片商正在為GPU和CPU孰強(qiáng)孰弱陷入了口水戰(zhàn)，但實(shí)際上這些企業(yè)已經(jīng)開始在異構(gòu)計(jì)算上加大了研發(fā)力度，至少在近期內(nèi)，CPU和GPU的結(jié)合將繼續(xù)成為人工智能領(lǐng)域最有效的方案。