Каждый раз, когда мы пьем Netflix или установите новый подключенный к интернету дверной звонок в наш дом, мы добавляем к приливной волне данных. Всего за 10 лет потребление пропускной способности увеличилось в 100 раз, и оно будет расти только по мере того, как мы будем учитывать потребности в искусственном интеллекте, виртуальной реальности, робототехнике и автомобилях с автоматическим управлением. В соответствии с Intel, одиночная машина робо будет генерировать 4 терабайта данных за 90 минут езды. Это более чем в 3 миллиарда раз больше данных, которые люди используют в чате, смотрят видео и участвуют в других интернет-играх за аналогичный период.
Технические компании отреагировали на это созданием огромных центров обработки данных, заполненных серверами. Но рост потребления данных опережает даже самые амбициозные разработки инфраструктуры. Итог: мы не собираемся удовлетворять растущий спрос на обработку данных, полагаясь на ту же технологию, которая привела нас сюда.
Ключ к обработке данных – это, конечно, полупроводники, транзисторные чипы, которые питают сегодняшнюю компьютерную индустрию. В течение последних нескольких десятилетий инженерам удавалось сжимать все больше и больше транзисторов на все меньшие и меньшие кремниевые пластины – сегодня чип Intel сжимает более 1 миллиарда транзисторов на куске кремния миллиметрового размера.
Эта тенденция широко известна как закон Мура для соучредителя Intel Гордона Мура и его знаменитого наблюдения 1965 года о том, что число транзисторов в микросхеме удваивается каждый год (впоследствии пересматривается каждые два года), что удваивает скорость и возможности компьютеров. ,
Этот экспоненциальный рост мощности микросхем со все меньшими размерами надежно стимулировал нашу технологию в течение последних 50 лет или около того. Но закон Мура подходит к концублагодаря еще более неизменному закону: физике материалов. Просто невозможно втиснуть больше транзисторов в крошечные кремниевые пластины, которые составляют современные процессоры.
Сложность состоит в том, что широко используемая сегодня архитектура чипов общего назначения, известная как x86, которая привела нас к этому моменту, не оптимизирована для вычислительных приложений, которые сейчас становятся популярными.
Это означает, что нам нужна новая вычислительная архитектура. Или, что более вероятно, несколько новых компьютерных архитектур. Фактически, я прогнозирую, что в течение следующих нескольких лет мы увидим расцвет новых кремниевых архитектур и конструкций, которые созданы и оптимизированы для специализированных функций, включая интенсивность данных, потребности в производительности искусственного интеллекта и машинного обучения, а также потребности в малом энергопотреблении. так называемых периферийных вычислительных устройств.
Новые архитекторы
Мы уже видим корни этих новых специализированных архитектур по нескольким направлениям. К ним относятся графические процессоры от Nvidia, полевые программируемые вентильные матрицы от Xilinx и Altera (приобретена Intel), интеллектуальные сетевые интерфейсные карты от Mellanox (приобретена Nvidia) и новая категория программируемого процессора под названием «Модуль обработки данных» (DPU) от Fungible, стартап Mayfield, в который вложены деньги. DPU специально созданы для работы все ресурсоемкие рабочие нагрузки (сети, безопасность, хранение) и Fungible объединяют его с платформой с полным стеком для облачных центров обработки данных, которая работает вместе со старым рабочим процессором.
Эти и другие специально разработанные микросхемы станут двигателями для одного или нескольких приложений, ориентированных на рабочую нагрузку – от безопасности до интеллектуальных дверных звонков до автомобилей без водителя и центров обработки данных. И на рынке появятся новые игроки, которые будут стимулировать эти инновации и внедрение. Фактически, в течение следующих пяти лет, я думаю, мы увидим появление совершенно новых лидеров в области полупроводников, поскольку эти услуги растут, а их производительность становится все более критичной.
Давайте начнем с вычислительных мощностей нашего все более связанного века: центров обработки данных.
Все больше и больше, хранение и вычисления делаются на грани; это значит, ближе к тому, где наши устройства нуждаются в них. К ним относятся такие вещи, как программное обеспечение для распознавания лиц в наших дверных звонках или игры в облаках, которые воспроизводятся на наших очках виртуальной реальности. Краевые вычисления позволяют этим и другим процессам происходить внутри 10 миллисекунд или меньше, что делает их больше работать для конечных пользователей.
Я благодарю предпринимателей, которые возвращают кремний в Силиконовую долину.
В современных арифметических вычислениях архитектуры процессора x86 развертывание служб данных в масштабе или на больших объемах может стать проблемой. Автомобили без водителя нуждаются в огромной гибкости и скорости на уровне центра обработки данных. Вам не нужна буферизация машины, когда пешеход находится на пешеходном переходе. Поскольку наша инфраструктура рабочей нагрузки и потребности таких вещей, как автомобили без водителя, становятся все более ориентированными на данные (хранение, извлечение и перемещение больших массивов данных между компьютерами), для нее требуется микропроцессор нового типа.
Другой областью, требующей новых архитектур обработки, является искусственный интеллект как при обучении ИИ, так и при выполнении логического вывода (процесс, который ИИ использует для вывода информации о данных, например, умный дверной звонок, распознающий разницу между злоумышленником и злоумышленником). Графические процессоры (GPU), которые были изначально разработаны для управления играми, оказались быстрее и эффективнее при обучении и выводе ИИ, чем традиционные процессоры.
Но для того, чтобы обрабатывать рабочие нагрузки AI (как обучение, так и вывод), для классификации изображений, обнаружения объектов, распознавания лиц и автомобилей без водителя, нам потребуются специализированные процессоры AI. Математика, необходимая для запуска этих алгоритмов, требует векторной обработки и вычислений с плавающей запятой с существенно более высокой производительностью, чем обеспечивают процессоры общего назначения.
Несколько стартапов работают над специальными микросхемами, включая SambaNova, Graphcore и Habana Labs. Эти компании создали новые специальные микросхемы для искусственного интеллекта. Они снижают стоимость ускорения приложений ИИ и значительно повышают производительность. Удобно, что они также предоставляют программную платформу для использования со своим оборудованием. Конечно, большие игроки ИИ, как Google (с этими обычай Чипы Tensor Processing Unit) и Amazon (который создал ИИ чип для его Echo Smart Speaker) также создают свои собственные архитектуры.
Наконец, у нас есть множество подключенных гаджетов, также известных как Интернет вещей (IoT). Многие из наших личных и домашних инструментов (такие как термостаты, детекторы дыма, зубные щетки и тостеры) работают на сверхмалой мощности.
Процессор ARM, который является семейством процессоров, будет выполнять эти функции. Это потому, что гаджеты не требуют вычислительной сложности или большого количества энергии. Архитектура ARM идеально подходит для них. Он предназначен для обработки меньшего числа вычислительных инструкций, может работать на более высоких скоростях (с использованием множества миллионов инструкций в секунду) и выполнять это с долей мощности, необходимой для выполнения сложных команд. Я даже предсказываю, что серверные микропроцессоры на базе ARM наконец станут реальностью в облачных дата-центрах.
Таким образом, со всей новой работой, выполняемой в кремнии, мы, кажется, наконец возвращаемся к нашим первоначальным корням. Я благодарю предпринимателей, которые возвращают кремний в Силиконовую долину. И я предсказываю, что они создадут новые полупроводниковые гиганты.