В разговорах «про искусственный интеллект» наибольшее внимание обычно уделяется нейросетям, методам обучения и т.д. С одной стороны, это вполне понятно, с другой, на разработку кода машинного обучения как такового идет лишь очень малая доля расходов на внедрение средств искусственного интеллекта. Гораздо больше тратится на работу с данными, включая их сбор и верификацию, управление всеми сопутствующими процессами и, конечно, на «железную» инфраструктуру.
Надо отметить, что эта статья расходов именно в России часто оказывается особенно существенной: у нас по-прежнему не очень принято абонировать для экспериментов и пилотных проектов облачные мощности, предпочитение отдается закупке «железа» с расчетом в случае провала проекта использовать его в дальнейшем, в том числе, и для повседневных нужд.
Свое видение аппаратной основы искусственного интеллекта на организованной издательством «Открытые системы» конференции «Технологии искусственного интеллекта 2019» представили мировые лидеры в сфере «процессоростроения» — AMD, IBM, Intel, Nvidia, а также российский НТЦ «Модуль». (О конференции см. также «AI2019: С чего начать внедрение искусственного интеллекта?», Computerworld Россия, 29 мая 2019.)
Как справедливо отметил Алексей Перевозчиков, менеджер по продуктам и решениям IBM Power Systems в России и СНГ, «хороший» софт, например, IBM PowerAI Vision, не только радикально сокращает долю ручной работы при обучении модели, но и позволяет исполнять уже обученную модель почти на любом оборудовании вплоть до 20-долларового чипа FPGA. Но обучение, по его мнению, конечно же, лучше проводить на солидной аппаратной платформе, например — на базе IBM Power9.
Компания AMD в сфере искусственного интеллекта не так заметна, как ее соперники, однако ее предложение более чем конкурентоспособно. Тимур Палташев, старший менеджер Radeon Technology Group, представил новинки компании — графические ускорители Radeon Instinct MI50 и MI60, «первые 7-нанометровые графические процессоры». В зависимости от операции, MI60 превосходит в скорости предыдущий MI25 где на 20%, а где вчетверо. При этом системы с MI60 хорошо масштабируются — восьмипроцессорный сервер быстрей однопроцессорного в 7,64 раза. А платформа ROCm позволяет работать с популярными фреймворками — Caffe2, MXnet, PyTorch, TensorFlow.
Intel в области искусственного интеллекта делает ставку на процессоры общего назначения. Михаил Цветков, технический директор офиса Intel в России, назвал мифом утверждение, что для «обучения» искусственного интеллекта необходимы исключительно графические процессоры. Большинство компаний при внедрении искусственного интеллекта, по его словам, вполне обходится «обычными» чипами, благо с июля 2017 года, когда были представлены новые серверные процессоры архитектуры Skylake, производительность Xeon выросла аж в 285 раз. Ну а относительная дешевизна Xeon, как утверждают в Intel, позволяет проектам внедрения искусственного интеллекта оставаться в зоне безубыточности.
У Nvidia, разумеется, точка зрения прямо противоположная. Основа ее бизнеса в области искусственного интеллекта — графические процессоры и быстрорастущая экосистема вокруг них. Продукты компании используют крупнейшие производители, на базе референсной архитектуры Nvidia DGX POD свои решения выпускают лидеры ИТ-рынка, в том числе Dell EMC, NetApp, Pure Storage. Ну а тем, кому система предельной мощности не нужна или не по карману, Дмитрий Конягин, руководитель направления профессионального бизнеса Nvidia в России, предложил попробовать поработать с Jetson Nano, «карманным» ИИ-компьютером стоимостью менее 9 тыс. руб. За эти деньги можно получить систему с 128 ядрами Nvidia CUDA, четырехъядерным процессором ARM Cortex-A57, 4 Гбайт оперативной памяти и флеш-накопителем 16 Гбайт.
Отечественные процессоры семейства NeuroMatrix от «Модуля» гораздо менее известны, чем зарубежные чипы, хотя и существуют на рынке более 20 лет. Изначально сферой их применения была цифровая обработка сигналов и изображений, однако, как отметил Павел Виксне, начальник сектора проектирования процессорных ядер, особенности архитектуры дали им «вторую жизнь» в качестве процессоров для нейронных сетей. Ну а традиционное преимущество отечественных разработок — относительная дешевизна при неплохих величинах производительности и энергоэффективности.
