随着世界争相利用最新一波人工智能技术，有一种高科技硬件已经成为令人惊讶的热门商品：图形处理单元（GPU）
顶级GPU的售价可达数万美元，随着对其产品的需求激增，领先制造商NVIDIA的市场估值飙升至2万亿美元以上
GPU也不仅仅是高端人工智能产品。手机、笔记本电脑和游戏机中也有功能较弱的GPU
现在你可能在想：什么是GPU，真的吗？是什么让它们如此特别
什么是GPU
GPU最初主要用于快速生成和显示复杂的3D场景和对象，例如视频游戏和计算机辅助设计软件中涉及的场景和对象。现代GPU还处理诸如解压缩视频流之类的任务
大多数计算机的“大脑”是一种称为中央处理器（CPU）的芯片。CPU可以用于生成图形场景和解压缩视频，但与GPU相比，它们在这些任务上通常要慢得多，效率也更低。CPU更适合于一般的计算任务，如文字处理和浏览网页
GPU与CPU有何不同
一个典型的现代CPU由8到16个“核心”组成，每个核心都可以按顺序处理复杂的任务
另一方面，GPU有数千个相对较小的内核，这些内核被设计为同时（“并行”）工作，以实现快速的整体处理。这使得它们非常适合需要大量简单操作的任务，这些操作可以同时完成，而不是一个接一个地完成
传统GPU有两种主要风格
首先，有独立的芯片，这些芯片通常是大型台式电脑的附加卡。其次是在同一芯片封装中与CPU组合的GPU，这种芯片通常出现在笔记本电脑和游戏机（如PlayStation 5）中。在这两种情况下，CPU都控制GPU的操作
为什么GPU对人工智能如此有用
事实证明，GPU的用途不仅仅是生成图形场景
人工智能（AI）背后的许多机器学习技术，如深度神经网络，在很大程度上依赖于各种形式的“矩阵乘法”
这是一种数学运算，将大量的数字相乘并求和在一起。这些操作非常适合并行处理，因此GPU可以非常快速地执行这些操作
GPU的下一步是什么
由于内核数量和运行速度的提高，GPU的数字运算能力正在稳步提高。这些改进主要是由台湾台积电等公司在芯片制造方面的改进推动的
单个晶体管——任何计算机芯片的基本组件——的尺寸正在减小，允许更多的晶体管放置在相同数量的物理空间中
然而，这并不是故事的全部。虽然传统的GPU对人工智能相关的计算任务很有用，但它们并不是最优的
正如GPU最初设计用于通过提供图形的专门处理来加速计算机一样，也有加速器设计用于加速机器学习任务。这些加速器通常被称为“数据中心GPU”。
一些最受欢迎的加速器，由AMD和NVIDIA等公司制造，最初是作为传统GPU。随着时间的推移，他们的设计不断发展，以更好地处理各种机器学习任务，例如通过支持更高效的“大脑浮动”数字格式
其他加速器，如谷歌的张量处理单元和Tenstorrent的Tensix核心，都是从头开始设计的，用于加速深度神经网络
数据中心GPU和其他人工智能加速器通常比传统GPU附加卡具有更多的内存，这对于训练大型人工智能模型至关重要。人工智能模型越大，其能力和准确性就越高。
为了进一步加快训练和处理更大的人工智能模型，如ChatGPT，可以将许多数据中心GPU汇集在一起，形成一台超级计算机。这需要更复杂的软件才能正确利用可用的数字运算能力。另一种方法是创建一个非常大的加速器，例如Cerebras生产的“晶圆级处理器”
专用芯片是未来吗
CPU也没有停滞不前。AMD和英特尔最近的CPU内置了低级指令，可以加速深度神经网络所需的数字运算。这种额外的功能主要有助于“推理”任务，即使用其他地方已经开发的人工智能模型
首先要训练人工智能模型，仍然需要类似GPU的大型加速器
可以为特定的机器学习算法创建越来越专业的加速器。例如，最近，一家名为Groq的公司生产了一种“语言处理单元”（LPU），专门用于按照ChatGPT的思路运行大型语言模型
然而，创建这些专用处理器需要大量的工程资源。历史表明，任何给定的机器学习算法的使用率和受欢迎程度都会达到峰值，然后下降——因此昂贵的专用硬件可能会很快过时
然而，对于普通消费者来说，这不太可能是个问题。你使用的产品中的GPU和其他芯片可能会悄悄地变得更快
想要了解更多关于脑机接口技术的内容，请关注脑机网，我们将定期发布最新的研究成果和应用案例，让您第一时间了解脑机接口技术的最新进展。
