美國時間2016年7月21日，英偉達發(fā)布了售價高達1200美元（人民幣超過8000元）的最新顯卡Nvidia TITAN X，并把第一個顯卡送給了他——Andrew Ng（吳恩達）。

美國時間2016年7月21日6:00 PM，在斯坦福教師俱樂部中，英偉達與百度美國研究院舉行了一個小規(guī)模的ARIFICIAL INTELLIGENCE MEETUP（人工智能聚會），會上請到了Andrew Ng（吳恩達）——現(xiàn)任百度美國研究員首席科學(xué)家，也是現(xiàn)代人工智能研究奠基人之一，以及百度硅谷實驗的的Bryan Catanzaro和Eric Battenberg。

交流會上發(fā)布了最新顯卡Nvidia TITAN X，其具體參數(shù)如下：

11 TFLOPS FP32

44 TOPS INT8 (新的深度學(xué)習(xí)架構(gòu))

12B晶體管

3584 個CUDA 1.53GHz核心  (之前的TITAN X中只有3072 個1.08GH核心 )

比之前的TITAN X快了60%

最大超頻狀態(tài)下高性能表現(xiàn)

12 GB的GDDR5X內(nèi)存 (480 GB/s)

在這次發(fā)布會中，英偉達提到：

每個人都有自己的英雄，Andrew Ng（吳恩達）——深度學(xué)習(xí)的先行者，現(xiàn)任百度美國研究員首席科學(xué)家就是我們心中的英雄之一。現(xiàn)任英偉達CEO黃仁勛（Jen-Hsun Huang）選擇在斯坦福大學(xué)與深度學(xué)習(xí)專家舉行一個小規(guī)模的交流會，在會上發(fā)布當(dāng)下性能最強悍的GPU，并且把第一個Nvidia TITAN X顯卡送給Andrew Ng（吳恩達）！

原來早在2012年，Andrew Ng（吳恩達）就將GPU應(yīng)用到人工智能領(lǐng)域。之后用它建立有史以來第一個深度神經(jīng)網(wǎng)絡(luò)，然后通過觀看1000萬個YouTube視頻來訓(xùn)練這個人工智能神經(jīng)網(wǎng)絡(luò)。在觀看了超過20000個不同的物體后，使用深度學(xué)習(xí)算法的人工智能開始能夠認(rèn)出“貓”的圖片。Andrew Ng（吳恩達）當(dāng)時接受采訪時提到“與其讓一大幫研究人員努力去探索如何發(fā)現(xiàn)圖像邊緣，不如直接將一大堆數(shù)據(jù)一股腦兒丟給人工智能算法，讓軟件自身從數(shù)據(jù)中進行學(xué)習(xí)。”在那之后，GPU在深度學(xué)習(xí)中的應(yīng)用不斷加大，到目前為止深度學(xué)習(xí)系統(tǒng)的運行速度已提高了近50倍。

Andrew Ng（吳恩達）與其他研究學(xué)者通過使用GPU來進行深度學(xué)習(xí)給整個業(yè)界帶了翻天覆地的變化，所以英偉達認(rèn)為第一個TITAN X顯卡給Andrew Ng（吳恩達）相當(dāng)有意義。

在交流會中Andrew Ng（吳恩達）認(rèn)為就像100年前電力的發(fā)明改變了整個工業(yè)界并且持續(xù)帶來技術(shù)革新一樣，接下來的十年里人工智能（ARIFICIAL INTELLIGENCE）將會持續(xù)改變并革新所有行業(yè)。但是在人工智能（ARIFICIAL INTELLIGENCE）行業(yè)中，使用最尖端的研究設(shè)備是非常必要的。Andrew Ng（吳恩達）認(rèn)為如果你能擁有一臺2倍速度的學(xué)習(xí)機器，那你的研究出成果的速度也會提高2倍。這是否意味著當(dāng)下的深度學(xué)習(xí)已經(jīng)到了拼硬件、拼財力的程度了？

與此同時，與會人員超過500位學(xué)者、研究員以及學(xué)生全部聚集在斯坦福教師俱樂部中。當(dāng)黃仁勛宣布發(fā)布最新一代的GPU時，他們?nèi)慷甲兊檬峙d奮、激動并馬上拿起手機拍照分享。這是為什么呢？

因為目前在深度學(xué)習(xí)領(lǐng)域中，GPU發(fā)揮了相當(dāng)重要的作用。以前需要大量的CPU以及超級計算機進行的運算工作，現(xiàn)在只需要少數(shù)GPU組合就可以完成。這大大加速了深度學(xué)習(xí)領(lǐng)域的發(fā)展，為神經(jīng)網(wǎng)絡(luò)進一步發(fā)展提供了計算基礎(chǔ)。熟悉深度學(xué)習(xí)的人都知道，深度學(xué)習(xí)是需要訓(xùn)練的，所謂的訓(xùn)練就是在成千上萬個變量中尋找最佳值的計算。這需要通過不斷的嘗試實現(xiàn)收斂，而最終獲得的數(shù)值并非是人工確定的數(shù)字，而是一種常態(tài)的公式。通過這種像素級的學(xué)習(xí)，不斷總結(jié)規(guī)律，計算機就可以實現(xiàn)像像人一樣思考。如今，幾乎所有的深度學(xué)習(xí)(機器學(xué)習(xí))研究者都在使用GPU進行相關(guān)的研究。

深度學(xué)習(xí)是利用復(fù)雜的多級「深度」神經(jīng)網(wǎng)絡(luò)來打造一些系統(tǒng)，這些系統(tǒng)能夠從海量的未標(biāo)記訓(xùn)練數(shù)據(jù)中進行特征檢測。 雖然機器學(xué)習(xí)已經(jīng)有數(shù)十年的歷史，但是兩個較為新近的趨勢: 

海量訓(xùn)練數(shù)據(jù)

GPU 計算所提供的強大而高效的并行計算能力

這些大大促進了機器學(xué)習(xí)的廣泛應(yīng)用。人們利用 GPU 來訓(xùn)練這些深度神經(jīng)網(wǎng)絡(luò)，所使用的訓(xùn)練集大得多，所耗費的時間大幅縮短，占用的數(shù)據(jù)中心基礎(chǔ)設(shè)施也少得多。GPU 還被用于運行這些機器學(xué)習(xí)訓(xùn)練模型，以便在云端進行分類和預(yù)測，從而在耗費功率更低、占用基礎(chǔ)設(shè)施更少的情況下能夠支持遠(yuǎn)比從前更大的數(shù)據(jù)量和吞吐量。

將 GPU 加速器用于機器學(xué)習(xí)的早期用戶包括諸多規(guī)模的網(wǎng)絡(luò)和社交媒體公司，另外還有數(shù)據(jù)科學(xué)和機器學(xué)習(xí)領(lǐng)域中一流的研究機構(gòu)。 與單純使用 CPU 的做法相比，GPU 具有數(shù)以千計的計算核心、可實現(xiàn) 10-100 倍應(yīng)用吞吐量，因此 GPU 已經(jīng)成為數(shù)據(jù)科學(xué)家處理大數(shù)據(jù)的處理器。例如下圖中使用GPU加速深度學(xué)習(xí)與CPU進行對比：

Ian Lane 教授 —卡耐基梅隆大學(xué)

借助 GPU，預(yù)先錄制的語音或多媒體內(nèi)容的轉(zhuǎn)錄速度能夠大幅提升。與 CPU 軟件相比，執(zhí)行識別任務(wù)的速度超級高可提升 33 倍。

在這些領(lǐng)域中，GPU確實是非常適合的，這也體現(xiàn)在所有的這些工業(yè)界的大佬如BAT、Google、Facebook等等都在使用GPU在做訓(xùn)練。做深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練需要大量模型，然后才能實現(xiàn)數(shù)學(xué)上的收斂。深度學(xué)習(xí)要真正接近成人的智力，它所需要的神經(jīng)網(wǎng)絡(luò)規(guī)模非常龐大，它所需要的數(shù)據(jù)量，比做語言識別、圖像處理要多得多，希望Andrew Ng（吳恩達）在收到這份禮物后能用它來進一步加速深度學(xué)習(xí)領(lǐng)域的發(fā)展。

與此同時，也有部分人認(rèn)為雖然利用GPU來進行深度學(xué)習(xí)為人工智能領(lǐng)域做出了相當(dāng)巨大的貢獻，但是這也造成了現(xiàn)在幾乎所有的相關(guān)學(xué)者都在追捧深度學(xué)習(xí)。誠然利用更先進的GPU、更快的運算速度就能實現(xiàn)比前人更好的實驗結(jié)果，也更容易發(fā)表文章，但是這對于整個行業(yè)的進步是最好的么？這類觀念也不由得讓人思考，深度學(xué)習(xí)的未來該往哪個方向走。

PS : 本文由雷鋒網(wǎng)獨家編譯，未經(jīng)許可拒絕轉(zhuǎn)載！

via Nvidia Blog Twitter

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。