NVIDIA发布三款新品,各自侧重点有何不同? | GTC China 2016

NVIDIA今天在GTC China2016上发布了新的产品:专为深度学习设计的推理加速器Tesla P4和Tesla P40,以及专为自动驾驶和汽车人工智能开发的低功耗计算机Drive PX2 for autocruise。

NVIDIA的传统强项是桌面和移动PC GPU,不过坚定的向着AI大踏步迈进的它显然已经不满足于一味的在单一领域做提高GPU性能的事了。我们曾经提到过,AI的研发和应用分为好几个阶段,NVIDIA传统的计算密集型GPU产品只会对训练算法这一项起到显著的改善作用,但NVIDIA显然是不会甘心只拿下这一领域的,而是希望将整个开发流程都包括进去。P4和P40同之前放置于超级计算机DGX-1内的P100定位类似,但功能侧重点有所不同。P100专注于加速神经网络的训练速度。而P4和P40专注于提高CPU的推理,也就是逻辑运算效率。一下是3款新品的侧重点盘点:

P4 VS P40 VS Drive PX2 Autocruise

一. P4专注于提高CPU的推理,也就是逻辑运算效率。

* 单精度浮点为5.5 TeraFLOPS * INT8指标为22 TOPS * 内置8GB GDDR5显存 * 2560 CUDA核心 * 支持192 GBPs带宽。 * 集成72 亿个晶体管 * NVIDIA称P4性能是去年发布的M4的四倍 * 主要负责图像、文字和语音识别

二. P40专注于提高CPU的推理,也就是逻辑运算效率。可将CPU推理加速40倍。

* 单精度浮点为12 TeraFLOPS * INT8指标(衡量深度学习)为47 TOPS * 内置24GB GDDR5显存 * 3840 CUDA核心 * 346 GBps带宽 * 集成120 亿个晶体管 * NVIDIA称P40性能是去年发布的M40的四倍 * 主要负责图像、文字和语音识别

三. PX 2 AUTOCRUISE计算平台适用于自动巡航功能(包括高速公路自动驾驶和高清制图)

* 能够实时了解周边情况 * 在高精度地图上精确定位,以及规划安全行车路线。该平台采用了新型单处理器配置 * 帮助车辆利用深度神经网络处理来自多个摄像头和传感器的数据。 * 功率仅为10W

着重提一下Drive PX2 Autocruise

不过,这些都还算是NVIDIA的传统强项。其各项数据指标除了比前代产品m4/m40更快更高更强一点也没有太多值得说的地方。令人感兴趣的反而是这块看起来弱弱的Drive PX2 Autocruise。

首先一个非常亮眼的数据是它的功耗只有10w,这或许是因为它使用的是NVIDIA为移动平台开发的Tegra系列处理器,不过不管怎样这个功耗可以说是十分亮眼的,因为同等级的FPGA产品的功耗水平也基本就是在这个程度,甚至还会更高一些。并且它的功能定位聚焦于高速公路上的自动巡航,而并不是整个自动驾驶领域。这也很好理解,单移动处理器的架构和极低的功耗必然无法支撑起超大规模的计算。不过NVIDIA的意思也不在于此。

NVIDIA表示,这款产品可以同NVIDIA的DGX-1相配合。在NVIDIA描述出的图景中,数据科学家可以在数据中心利用NVDIA DGX-1训练深度神经网络,然后把训练好的神经网络在车辆配备的NVIDIA DRIVE PX2上运行。NVIDIA为DGX-1和Drive PX2 for autocruise开发了完全相同的NVIDIA DRIVEWorks算法、库、工具。让研究者可以方便的进行通用开发。

也就是说,这台计算机(Drive PX2 for autocruise)一开始就不是设计用来开发的,而是一台应用层面的设备。也就是说,NVIDIA用产品囊括完整AI开发流程的行动又开始了一个新的阶段。

小结

今天会上,黄仁勋着重表示——P4专为加速1U OCP服务器而设计,功率仅为50W;P40专为最大吞吐量而设计,能将CPU推理加速40倍。连同在今年美国GTC上将发布的超大规模数据中心加速器Tesla p100与P4/P40将在深度学习的训练和推理两端,为数据中心带来端到端的深度学习平台。

至此,NVIDIA在人工智能领域已经形成了以Tesla P100和DGX-1为核心的训练系统;以P4/P40和Tensor-RT为核心的数据中心推理系统;以及以DRIVE PX 2与Driveworks为核心的智能驾驶体系。通过全面布局构建了端到端的深度学习平台。

在这场发布会上,Drive PX2 autocruise的战略地位可能甚至会高于P4和P40。虽然它是一块自动驾驶芯片,不过NVIDIA的真正意图应该还是跳出作为传统强项的AI研发领域,通过这款产品为自己在AI应用层面的进一步发展做准备和试验。NVIDIA明显已经铁了心要成为AI的领导者之一,要达到这个目的,类似Drive PX2 for autocruise这样的针对特定场景设计的计算机是必不可少的。这款产品也可以看作是NVIDIA的一个试水之作,如果其获得了足够的成功,我们可能很快就能在其他一些物联网产品上也看到NVIDIA的身影了。

原文发布于微信公众号 - AI科技评论(aitechtalk)

原文发表时间:2016-09-13

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏新智元

卡斯帕罗夫自述:从深蓝到 AlphaGo,从狭义 AI 到通用 AI

【新智元导读】柯洁誓死战胜 AlphaGo 的豪言壮语言犹在耳, 20 年前第一个被计算机击败的人类冠军、国际象棋大师卡斯帕罗夫却表示,当年和深蓝相遇,既是他的...

3198
来自专栏机器人网

[QA问答] :冷扑大师能战胜AlphaZero吗?

拿下NIPS2017 最佳论文,登上Science,“冷扑大师”最近有点热。18日,两位作者,CMU博士生Noam Brown和Tuomas Sandholm教...

2718
来自专栏ATYUN订阅号

AMD将推出7纳米GPU Vega,专为深度学习和机器学习打造

AMD今天在Computex上为其下一代7纳米GPU Vega草拟了高级的数据中心计划。综合了AMD在个人电脑上花费一个半小时的展示,显然7纳米Vega终于瞄准...

1034
来自专栏机器之心

谷歌云TPU服务正式全面开放:「AlphaGo背后的芯片」进入商用化

2768
来自专栏新智元

【王小川】谷歌 AI 将完胜围棋世界冠军李世石

新浪科技讯 2月3日下午消息,谷歌发布旗下深度学习研究成果——围棋程序AlphaGo后,引起热议。关于3月份与韩国围棋国手李世石的较量也让业界纷纷展开预测。同样...

2675
来自专栏新智元

【ARM攒机指南——AI篇】5大千万级设备市场技术拆解

作者:重走此间路 编辑:闻菲 【新智元导读】单做算法无法挣钱,越来越多的公司都开始将核心算法芯片化争取更多市场和更大利益,一时间涌现出AI芯片无数。与CPU,G...

3516
来自专栏人人都是极客

AI芯片的历史和现状

人的思维活动是否能用计算机来替代,从图灵的论文《计算机器与智能》和图灵测试,到最初级的神经元模拟单元——感知机,到现在多达上百层的深度神经网络,对人工智能的探索...

1044
来自专栏AI科技评论

柯洁说“输得没脾气”?8个问题解读人机大战第一局

AI科技评论消息,经过四个多小时的对弈,柯洁以四分之一子之差败给了AlphaGo。 比赛后,曾参与训练AlphaGo的棋手樊麾,与围棋九段常昊一同回顾了整个对弈...

2566
来自专栏量子位

伯克利用120万美元设备24分钟训练ImageNet,刷新Facebook成绩

李林 编译整理 量子位 报道 | 公众号 QbitAI 最近,加州大学伯克利分校的研究人员用120万美元的设备,24分钟完成了ImageNet的训练。 ? 在最...

2864
来自专栏机器之心

从GPU、TPU到FPGA及其它:一文读懂神经网络硬件平台战局

3834

扫描关注云+社区