第2717章顯卡

    晶片有很多種，簡單地說，就是凡是跟計算有關的電子器件，都算是晶片。

    比如手機里的聲音感知器，可以感知到外部的聲音，然後把聲音信號通過計算，改變為數字信號傳給中央處理器。這種東西也叫晶片，叫做感知晶片。

    又比如電量的消耗。

    運行一款程序，需要給予多少電量的支持？這也需要計算來得出，計算這個單元的器件，叫做電源晶片。

    又比如藍牙、iFi、USB接口等等，這些連接的過程都需要計算，通過計算來對接，就都有相應的通信晶片來對接。

    不過，這些晶片大多技術含量不高，計算量很小，不算什麼核心科技。

    真正最廣為人知的晶片，是處理器晶片，也就是CPU。在一款產品里，CPU就相當於人的大腦，幾乎負責了所有的計算，大量的複雜計算。

    人工智能也需要大量計算。

    所以過去行業對人工智能的理解，也是這樣的邏輯。在處理人工智能的大量計算的時候，也是通過CPU來計算各種AI算法。

    這是行業常識。

    可是直到這個月其實也就是前幾天，整個人工智能行業，才終於恍然醒悟，產生了一種全新的行業認識。

    在處理人工智能計算的時候，不應該使用CPU晶片！

    而應該使用GPU晶片！

    GPU，也就是大眾熟知的顯卡。

    之所以能做出這樣的轉變，就是上周才發生的震驚世界的圍棋行業的Rokid-go所發起的「人機大戰」！

    Rokid-go背後的龐大數據處理，依靠的就是大量的GPU的運行。

    同樣規格的CPU和GPU，在處理AI計算的時候，GPU的算力可以超過CPU的100倍！而能耗，還不足CPU的5%！

    Rokid-go大獲成功之後，近期連續發表了7篇很多這方面的論文。又有過「人機大戰」的實踐證實，可以說紫微星已經引領了全球人工智能計算的行業大轉向。

    人工智能，將會在紫微星的帶領下，真正地走進GPU的時代！

    而這也進一步地提高了做人工智能科研的門檻。

    因為過去的那種靠着暴力地堆積大量CPU來提高算力的模式，在人工智能領域算是徹底的行不通了。

    就比如超級計算機。

    超級計算機，就是有着超級計算能力的電腦，在這個領域，國內有着很強大的實力，不比美國差多少。

    為什麼？

    因為CPU的疊加屬性。

    CPU的計算，絕大多數都是線性的，就像流水線上的工人，是一個任務一個任務的去執行。美國有最好的CPU晶片，最多就是流水線工人的幹活水平高了，單體工作能力比較強。

    國內的CPU晶片比較差，卻可以用暴力堆積的方法來解決算力缺陷。

    工人的單體能力差，但是沒關係，多在流水線上安排一些工人就好了。美國的超算用1000個晶片，我們的用1萬個晶片，總能跟他們達到同樣的算力了吧？

    無非就是多費點電而已。

    在國家戰略面前，電費才幾個錢？

    一台超級計算機，主機可以裝滿一層大樓，沒有空間限制，就可以無限地堆積算力低下的CPU，靠着無數CPU晶片的堆積，來達到超算的效果。

    所以聯想、曙光、浪潮，包括一些高校和軍方，都可以開發出自研知識產權的超級計算機，在這個領域打破技術壁壘。

    可是，GPU就不行了。

    GPU之所以能取代CPU成為人工智能計算的主要工作，就是因為GPU主要是以處理並行計算為主。

    而人工智能的神經網絡算法趨勢，所需要的就是並行計算，剛好和GPU相匹配。

    一旦是並行計算了，就沒法像流水線工人那樣，靠着堆積數量去提高生產力了，這就得靠着實打實的硬實力了。

    比如一個博士生和一個小學生算數學題，小學生根本不行。哪怕把

『加入書籤，方便閱讀』