Dostosuj preferencje dotyczące zgody

Używamy plików cookie, aby pomóc użytkownikom w sprawnej nawigacji i wykonywaniu określonych funkcji. Szczegółowe informacje na temat wszystkich plików cookie odpowiadających poszczególnym kategoriom zgody znajdują się poniżej.

Pliki cookie sklasyfikowane jako „niezbędne” są przechowywane w przeglądarce użytkownika, ponieważ są niezbędne do włączenia podstawowych funkcji witryny.... 

Zawsze aktywne

Niezbędne pliki cookie mają kluczowe znaczenie dla podstawowych funkcji witryny i witryna nie będzie działać w zamierzony sposób bez nich.Te pliki cookie nie przechowują żadnych danych umożliwiających identyfikację osoby.

Brak plików cookie do wyświetlenia.

Funkcjonalne pliki cookie pomagają wykonywać pewne funkcje, takie jak udostępnianie zawartości witryny na platformach mediów społecznościowych, zbieranie informacji zwrotnych i inne funkcje stron trzecich.

Brak plików cookie do wyświetlenia.

Analityczne pliki cookie służą do zrozumienia, w jaki sposób użytkownicy wchodzą w interakcję z witryną. Te pliki cookie pomagają dostarczać informacje o metrykach liczby odwiedzających, współczynniku odrzuceń, źródle ruchu itp.

Brak plików cookie do wyświetlenia.

Wydajnościowe pliki cookie służą do zrozumienia i analizy kluczowych wskaźników wydajności witryny, co pomaga zapewnić lepsze wrażenia użytkownika dla odwiedzających.

Brak plików cookie do wyświetlenia.

Reklamowe pliki cookie służą do dostarczania użytkownikom spersonalizowanych reklam w oparciu o strony, które odwiedzili wcześniej, oraz do analizowania skuteczności kampanii reklamowej.

Brak plików cookie do wyświetlenia.

IPU i GPU, czyli czy Softbank po przejęciu Graphcore ma szansę zmierzyć się z Nvidią?

Niedawno pojawiła się wiadomość, że SoftBank przejął Graphcore, firmę często nazywaną „brytyjską Nvidią”. Graphcore to start-up z dziedziny sztucznej inteligencji, który zaprojektował nowy typ inteligentnej jednostki przetwarzającej (IPU). 

W niektórych testach modeli jego wydajność przekroczyła wydajność systemów GPU NVIDIA, dlatego branża optymistycznie ocenia jego potencjał w zakresie konkurowania z procesorami graficznymi Nvidii.

Jak podaje TrendForce, jako procesor zaprojektowany specjalnie do obliczeń AI, znany również jako procesor AI, IPU przoduje w takich dziedzinach, jak głębokie uczenie się, uczenie maszynowe i przetwarzanie języka naturalnego, mogąc przyspieszyć różne zadania związane ze sztuczną inteligencją. Z drugiej strony procesor graficzny został początkowo zaprojektowany, aby sprostać wymaganiom renderowania grafiki i przetwarzania obrazu.

Wraz z szybkim rozprzestrzenianiem się sztucznej inteligencji i technologii dużych zbiorów danych, wysokowydajny procesor graficzny, znany z potężnych możliwości przetwarzania równoległego, może obsługiwać wiele punktów danych i zadań jednocześnie, przyspieszając w ten sposób procesy uczenia i wnioskowania, co razem umożliwia stopniowe stosowanie procesora graficznego w dziedzinie sztucznej inteligencji, szczególnie w zakresie głębokiego uczenia się i uczenia maszynowego.

Chociaż w domenie AI można używać zarówno IPU, jak i GPU, różnią się one znacznie pod kilkoma względami, takimi jak architektura obliczeniowa i architektura pamięci.

Wcześniej Lu Tao, prezes i dyrektor generalny na region Chin w Graphcore, wyjaśnił, że Graphcore C600 ma 1472 rdzenie przetwarzające na jednostkę IPU, zdolne do równoległej obsługi 8832 niezależnych wątków programu.

Dla porównania, procesor graficzny SM Core (Stream Multiprocessor Core) firmy NVIDIA ma około 100 rdzeni, różniących się w zależności od konfiguracji produktu. Jeśli chodzi o architekturę pamięci, procesory graficzne NVIDIA mają dwupoziomową strukturę pamięci. Pierwszy poziom składa się z około 40-50 MB pamięci w chipie, z podłączonym zewnętrznym HBM lub VRAM. Jednakże IPU Graphcore zawiera 900 MB wbudowanej pamięci SRAM, która jest dystrybuowana.

Lu podsumował, że architektura IPU wykazuje większe zalety w przypadku zadań o wysokich wymaganiach dotyczących rzadkości i dużych wymiarów w porównaniu z procesorem graficznym. W przypadku operacji macierzowych jego wydajność może być podobna do GPU lub nieco mniej konkurencyjna.