Kai technika tęsia savo greitą vystymąsi, vienas aparatūros komponentas iškilo kaip labai pageidaujama prekė: grafinis procesoriaus arba GPU. Naujausiais metais, GPU tapo labai populiarus ir tapo neišvengiamais komponentais įvairiuose įrenginiuose, nuo aukščiausio lygio dirbtinio intelekto sistemų iki kasdieninių išmaniuosiuose / pamokose ir žaidimų konsolėse.
Pirmiau projektuoti generuoti ir parodyti sudėtingus 3D scenos ir objektus, GPU pritariančių su tuo, kaip valdyti didelė spektro operacijas, įskaitant vaizdo srauto dekompresiją. Tai, kas atskiria GPU nuo centrinių procesorių (CPU), yra jų lygiagretus apdorojimo gebėjimas. CPU sudaro nedidelis skaičius branduolių, kurie tvarko užduotis sekančiai, GPU turi tūkstančius mažų branduolių, dirbančių tuo pačiu metu, dėl ko rezultatai sparčiau ir efektyviau apdorojami užduotims, reikalaujantiems daugybės paprastų operacijų.
GPU nauda viršija grafinį vaizdų atkūrimą. Jie rado reikšmingą vaidmenį dirbtinio intelekto (AI) srityje, ypač mašininio mokymo technikose, tokiose kaip gilūs neuroniniai tinklai. GPU išsiskiria, atliekant matricų daugybą, svarbią matematinę operaciją AI, dėl jų išskirtinių lygiagretaus apdorojimo gebėjimų. Dėl šios priežasties, jie žymiai pagreitina susijusius su AI skaičiavimus.
Nuolatiniai tobulinimai mikroschemų gamyboje, kaip „TSMC“ įmonė, prisidėjo prie didėjančios GPU galios. Mažesnės tranzistorių leidžia daugiau tranzistorių sudėti į tą patį fizikinį erdvę, tobulinant jų visą veikimą. Tačiau svarbu paminėti, kad tradicinės GPU, nors yra naudingos AI užduotims, nėra optimaliausias sprendimas.
Atsiranda duomenų centro GPU ir specializuoti AI pagreitinimo prietaisai. Šie pagreitinimo prietaisai yra suprojektuoti efektyviau palaikyti mašininio mokymo užduotis, jų siūloma greitesnė apdorojimo greitis ir padidinta atminties talpa. Įmonės, tokios kaip AMD ir NVIDIA, pritaikė savo tradicinius GPU, kad geriau tvarkytų su AI krūviais, tuo tarpu kitos, tokios kaip „Google“ ir „Tenstorrent“, sukūrė naujai specializuotus pagreitinimo prietaisus. Šie pagreitinimo prietaisai turi daugiau atminties, kuri yra būtina apmokyti didelius AI modelius, ir gali būti sujungti formuoti superkompiuterius arba gaminami kaip vieni, didelio masto pagreitinimo prietaisai.
Tuo tarpu, CPU taip pat padarė pažangą palaikyti AI užduotis, ypač spėjimo užduotims, tačiau AI modelio mokymui, pagreitinimai, panašūs į GPU, vis dar yra svarbūs.
Kaip technologijų aplinka evoliucionuoja, specializuotų pagreitinimų galimybės specifiniams mašininio mokymo algoritmu tikimybė. Tačiau iššūkiai kyla dėl reikiamų didesnio inžinerijos išteklių ir galimybės, kad šie algoritmai taptų pasenusiais.
Išvada, GPU praplėtė savo pirminį tikslą ir tapo integrali dalimi AI ir skaičiavimo pasaulio. Su savo lygiagrečiu apdorojimo gebėjimu ir didėjančia galia, jie veda prieš tai perkrovimos įvairiose pramonėse, formuodami ateities technologiją.
The source of the article is from the blog combopop.com.br