谷歌公开了其TPU机器学习芯片的新细节

谷歌公开了其TPU机器学习芯片的新细节

自2015年以来，谷歌一直在使用自己内部开发的“Tensor处理器”（TPU）芯片，以比传统CPU和GPU快15至30倍的速度在其数据中心内部运行机器学习应用程序。

虽然该公司在2016年5月份就公布了TPU芯片的存在，但现在透露的只是更多关于其研发的芯片的技术细节，而这款芯片是为了继续推进该公司在自家产品上已使用15多年的计算密集型机器学习过程。

在4月5日，谷歌的杰出硬件工程师Norm Jouppi在谷歌云平台博客上的一篇帖子中写道：“大约六年前，当我们在产品中广泛使用计算昂贵的深度学习模型时，对TPU的市场需求恰好出现了，但是使用这些模型需花费的昂贵计算费用让我们很苦恼。如果我们设想人们每天只会花3分钟使用我们的语音搜索功能，而且我们需为使用的处理器上的语音识别系统运行深层网络的话，那我们就需要建造双倍的数据中心才行了。”

Jouppi还写道，这种需求促进了TPU芯片的研发，以使无需扩展数据中心就能增加计算能力。

据Jouppi所述，TPU芯片能加快处理速度，而且在生产人工智能工作负载方面的计算性能要比普通CPU和GPU高出15到30倍，同时还能大幅提高能源效率。与使用TOPS / Watt测量（Tera操作［万亿次或1012次操作］计算每瓦功耗）的标准芯片相比，TPU芯片能提供30至80倍的。（如需阅读更多文章内容，访问：虚拟主机cn.blu***）

他写道：“TPU能使我们进行快速预测，还能使产品在一秒钟内就发生响应。每个搜索查询功能后都有一个TPU芯片；它们为Google Image Search、Google Photos和Google Cloud Vision API等产品提供了准确的视觉模型；它们巩固了Google Translate去年推出的突破性质量改进技术；它们还为Google DeepMind打败Lee Sedol起到了至关重要的作用，而这是计算机次在古老的围棋游戏中击败围棋世界冠军。

谷歌在硅谷计算机历史博物馆举行的“国家工程院会议”上公开了研发TPU芯片的详细细节，还发表了关于自家TPU芯片内部运作的研究报告。该报告由70多位作者共同撰写，里面详细介绍了芯片研发过程中的复杂问题、设计思路以及思考过程。“设计、验证、实施和部署这样的一个硬件和软件系统真的需要大量人力。”Jouppi写道。

据谷歌表示，TPU芯片是专门用于机器学习的专用集成电路（ASIC），它使用的是TensorFlow开源软件库，而该软件库初由谷歌机器智能研究机构的Google Brain 团队中的研究人员和工程师研发而成，以开展机器学习和深层网络的研究。

据谷歌所述，TPU芯片是为机器学习应用量身打造的，它能允许芯片更有能力承受降低的计算精度，这就意味着每个计算操作需要的晶体管将会减少。凭借固，芯片就可以使用更复杂且更强大的机器学习模型，在每秒内将更多的操作写入硅片，从而获得更快的结果。

每个TPU芯片都可以被安装在契合硬盘驱动器插槽的一块板上的数据中心机架内部。