【51CTO.com快譯】如今，在一些令人關(guān)注的人工智能和機器學(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)擴展在人工智能和機器學(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)造巨大的財富。根據(jù)調(diào)研機構(gòu)Gartner公司的預(yù)計，到2022年，全球人工智能市場規(guī)模將從2020年的約1.2萬億美元快速增長到約3.9萬億美元;而麥肯錫公司預(yù)計到2030年全球人工智能市場規(guī)模將達到約13萬億美元。當然，這種轉(zhuǎn)變是由強大的機器學(xué)習(xí)(ML)的工具和技術(shù)推動的，例如深度強化學(xué)習(xí)(DRL)、生成對抗網(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。事實上，人工智能的現(xiàn)代復(fù)興始于2012年的ImageNet競賽，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。

計算機視覺(CV)的進步繼續(xù)推動著許多人工智能和機器學(xué)習(xí)系統(tǒng)的發(fā)展。計算機視覺(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器和業(yè)務(wù)系統(tǒng)的工作方式，例如制造、自動駕駛、醫(yī)療保健等行業(yè)領(lǐng)域。幾乎所有的計算機視覺(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)動的機器學(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級以上)，并在確保高質(zhì)量預(yù)測和分類方面發(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。

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

• 自動駕駛。
• 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)實表明，通用的CPU在處理大量數(shù)據(jù)(例如，對具有數(shù)萬或數(shù)十萬浮點數(shù)的矩陣執(zhí)行線性代數(shù)運算)時通常會遇到困難。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)千個微型計算核心處理大規(guī)模并行計算。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)百個歷元(Epochs)時需要進行大量計算。這使GPU成為處理計算機視覺任務(wù)計算負載的理想硬件。

GPU針對許多框架和計算領(lǐng)域進行了優(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，生產(chǎn)GPU的廠商(例如英偉達公司)為此投入了大量的資金和人力，為各種應(yīng)用場景開發(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的強大功能。下圖展示了英偉達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)可以針對大量計算領(lǐng)域進行優(yōu)化設(shè)計，這些產(chǎn)品從學(xué)術(shù)實驗室使用的桌面工作站到工業(yè)物聯(lián)網(wǎng)或自動駕駛汽車上使用的邊緣計算機。來自英偉達公司網(wǎng)站的這張圖有助于說明這一點：

自動駕駛領(lǐng)域中的人工智能和機器學(xué)習(xí)

自動駕駛對于機器學(xué)習(xí)系統(tǒng)來說是一個極具挑戰(zhàn)性和復(fù)雜性的行業(yè)領(lǐng)域。自動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、出口、高速公路標記、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。

自動駕駛汽車的用例也非常具有挑戰(zhàn)性，因為它不僅包括物體檢測，還包括物體分類、分割、運動檢測等。除此之外，機器學(xué)習(xí)系統(tǒng)需要在幾秒的時間內(nèi)完成這種圖像/視覺處理，并將其決策傳達給負責(zé)最終駕駛?cè)蝿?wù)的更高級別的監(jiān)控系統(tǒng)。

此外，在任何一個自動駕駛系統(tǒng)中，通常采用多個這樣的計算機視覺(CV)的系統(tǒng)/算法。在這些情況下對并行處理的需求很高，這對于處理數(shù)據(jù)的計算機來說面臨更大的壓力。如果同時使用多個神經(jīng)網(wǎng)絡(luò)，它們可能會共享公共系統(tǒng)存儲并相互競爭公共資源池。

此外，還有高度專業(yè)化和優(yōu)化的片上系統(tǒng)(SoC)平臺用于這一領(lǐng)域。以下是對英偉達公司的NVIDIA DRIVEAGX的描述：“NVIDIA DRIVE™AGX嵌入式超級計算平臺處理來自攝像頭、雷達和激光雷達傳感器的數(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)行安全的前進路徑。這個人工智能平臺支持自動駕駛、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緊湊而節(jié)能的軟件包中。”

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

在醫(yī)學(xué)成像的應(yīng)用下，計算機視覺系統(tǒng)的性能是根據(jù)經(jīng)驗豐富的放射科醫(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)來彌補這一點。當然，這會導(dǎo)致計算復(fù)雜度增加。

核磁共振成像(MRI)和其他先進的醫(yī)學(xué)成像系統(tǒng)正在采用機器學(xué)習(xí)算法，它們越來越多地成為癌癥檢測的第一道防線。面對海量的數(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小時工作時間內(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。可以訓(xùn)練這種算法對常規(guī)和異常結(jié)果進行分類，例如識別皮膚上的可疑斑點、病變、腫瘤和腦出血。但是對數(shù)百萬個訓(xùn)練示例進行分類并正確識別它們，則需要GPU優(yōu)化的軟件和硬件系統(tǒng)的幫助。

人工智能和機器學(xué)習(xí)對抗疾病(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，這項任務(wù)在計算方面是不可行的(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，這是一個基于深度強化學(xué)習(xí)(DRL)的系統(tǒng)，可以根據(jù)蛋白質(zhì)的基因序列預(yù)測蛋白質(zhì)的3D結(jié)構(gòu)。

2020年3月上旬，該系統(tǒng)對于檢測冠狀病毒進行了測試，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，以幫助全球臨床和病毒學(xué)研究界更好地開展工作，以了解病毒及其對人類生物學(xué)的影響。2020年11月，在名為CASP(結(jié)構(gòu)預(yù)測的關(guān)鍵評估)的兩年一度的蛋白質(zhì)結(jié)構(gòu)預(yù)測挑戰(zhàn)中，這一系統(tǒng)的表現(xiàn)優(yōu)于其他100個團隊開發(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)動硬件為代價。雖然很難估計用于訓(xùn)練AlphaFold的計算能力，但是根據(jù)行業(yè)媒體的報道，其著名的前身AlphaGo在知名的一場圍棋挑戰(zhàn)賽中同時使用了數(shù)百個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)用的人工智能和機器學(xué)習(xí)

氣候變化是21世紀人類面臨的最深刻的生存危機之一。要了解這一劃時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)測模型。

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

在美國，大多數(shù)天氣預(yù)報服務(wù)都基于稱為天氣研究和預(yù)測(WRF)的一個中等規(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，他們以比實際現(xiàn)象更大的規(guī)模對關(guān)系進行建模。

深度學(xué)習(xí)的神奇力量能否解決這個問題?美國阿貢國家實驗室的環(huán)境科學(xué)家和計算科學(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(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)測能力的情況下顯著縮短建模時間。

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

智能制造中的人工智能和機器學(xué)習(xí)

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

因此，軟硬件的創(chuàng)新結(jié)合使傳統(tǒng)行業(yè)進入了智能制造時代。隨著計算和存儲的成本和操作復(fù)雜性呈指數(shù)級下降，由人員、機器、控制器、工廠、倉庫和物流機械產(chǎn)生的信息內(nèi)容的規(guī)模和復(fù)雜性呈爆炸式增長。

現(xiàn)在，人工智能和機器學(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)被用于多個領(lǐng)域——設(shè)計、質(zhì)量控制、機器/流程優(yōu)化、供應(yīng)鏈、預(yù)測性和預(yù)防性維護等等。

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

使用GPU的人工智能和機器學(xué)習(xí)應(yīng)用概述

越來越多的行業(yè)領(lǐng)域在其運營和RandD中采用強大的人工智能/機器學(xué)習(xí)工具和平臺。本文只討論了其中的一些，并研究了基于GPU的系統(tǒng)的強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。從這個趨勢來看，可以自信地說，定制人工智能/機器學(xué)習(xí)硬件解決方案(如深度學(xué)習(xí)工作站)的市場和選擇在未來幾年將會繼續(xù)快速增長。

原文標題：Applications for GPU-Based AI and Machine Learning，作者：Kevin Vu

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