主页 > S梦生活 >台湾企业从未想过的 AI 入门槛: IT 基础架构平台才是加 >

台湾企业从未想过的 AI 入门槛: IT 基础架构平台才是加

台湾企业从未想过的 AI 入门槛: IT 基础架构平台才是加

一般在探讨企业的 AI 应用时,大多围绕在两大主题:「软体」如演算法或「数据」的收集和分析。例如 AI 若要协助医生判断超音波或 X 光片、就要先累积足够的病历图像;另外还要有称职的演算法,让人工智慧得以準确分辨皮肤上的黑斑是无害或有恶性徵兆。

确实,「软体」及「数据」是具备 AI 能力的关键,不过同样重要但更容易被企业或组织忽略的是:「硬体」的建置。唯有硬体、软体、数据,三者的妥善结合,企业在导入 AI 并利用 AI 来达成数位转型时,才能够缩短学习曲线,避免不必要的重複投资。

AI 占系统工作量大,IT 基础架构至关重要

研究机构 IDC 最新调查,AI 技术正在起飞,两年之内,全球企业的 IT 系统负载量,将有 25%被 AI 取代;而其中的五到六成,又会被「深度学习」所佔据。换言之,无论是广义的人工智慧运算,或者是人工智慧中的「深度学习」技术,都将佔去不少 IT 资源。为了运作顺畅,就需要适当的硬体,例如专用及高效能的伺服器基础架构。

只是一旦捲起袖子进了 AI 应用这个厨房,硬体的投资究竟有多大?这是企业最关切的问题之一。毕竟 AI 的技术演进太过快速,可能今年才建置硬体,明年就面临跑不动的「撞墙期」。根据 IDC 调查发现,45% 中小企业及 35% 大型企业认为,自家的 AI 基础架构只能再撑一年,而有 15% 企业表示,已经面临撞墙期。

如果未来必须不断增建或升级系统,企业就要评估投入成本及回收效益,将成本控制在一定範围内,以免被不当的投资决定所绑架。举例来说,涉及运算能力的「处理器」,例如 GPU、FPGA、多核心处理器等等,不断有新一代的方案,汰换的速度之快,往往令使用者追不上脚步。

除了处理器之外,导入 AI 应用还会在 IT 基础架构上面临几个常见的问题,包括:横向扩充与纵向扩充的转换、VM(虚拟伺服器)与专用伺服器的相互转换、 I/O 频宽必须提高。。。等等。这种种专业的技术问题,往往让企业或组织踌躇不前,或因搞不懂而乾脆放弃,或者投入后耗费太大资源却未见成效,元气大伤。

网路龙头 Google 从英特尔 X86 转向 IBM Power 9 架构

挟着 Power 8 世代协助企业转型的成功经验,IBM 在去年 12 月发表最新 Power 9 晶片,不止获得网路龙头 Google 採用,美国能源部的两部超级电脑 Summit 及 Sierra 也已导入。根据 Power 9 晶片发展出来的 AC922 Power Systems 伺服器,则建置在 Google 的最新资料中心里。IBM 指出,与 x86 架构相比,Power 9 架构的资料迁移速度快 9.5 倍,深度学习的训练时间则缩短近 4 倍;同时 Power 9 可全面支援 NVIDIA NVLink、PCI-Express 4.0 以及 Open CAPI 高速传输介面。

IBM 表示,Power 9 处理器及伺服器,是专为 AI 所设计,历时四年研发,能充分胜任人工智慧产生的大量数据和运算。例如可支援记忆体容量是 x86 的 2.6 倍、高效核心数量是 x86 的 2 倍、涉及资料传输速度的 I/O 最大频宽则为 9.5 倍。

为了因应 AI 运算、机器学习、数据分析等趋势,包括 Google、AMD、美光、辉达、Dell EMC、IBM 等九大业者在 2016 年组成 OpenCAPI 联盟,携手开发 AI 时代的资料中心伺服器架构。而去年底甫推出的 Power System AC922, 就是首个符合 OpenCAPI 架构的伺服器。

Power 9 专为 AI 打造

IBM 9 处理器及新一代伺服器,在扩充性、传输速度、记忆体、处理器各方面都有新的进展。首先它允许的横向扩充,不止可进行云端环境的部署,另也内建 Power VM 虚拟伺服器的功能;因此当组织扩大、需求增加、或者新技术问市时,都能快速因应。另外,因採用最新 I/O 技术,能以每秒 25GB 的速度进行 CAPI 与 Open CAPI 资料交换。在记忆体方面,双插槽系统最大可提供 4TB 容量,比 x86 Xeon 系统多出三成以上,更能满足 AI 的工作需求。

Power 9 的单位核心效能与前一代 Power 8 相比,为 1.25-1.5 倍;IBM 表示,这不仅代表运算力提升,且客户也能在「按核心授权」的软体收费模式下,减少支出。

深度学习平台,七小时武功就学成

除了 AI 专用的 Power 9 晶片及伺服器,IBM 也配合上述硬体,打造了深度学习的软体平台:IBM Spectrum Conductor DLI(Deep Learning Impact),目标是透过软硬结合,降低人工智慧的门槛,并提高神经网络模型的开发效率。以往系统的深度学习过程,必须历时三个月,IBM Spectrum Conductor DLI 因支援「分散式深度学习 (DDL)」,已可缩短至七小时就能完成。

为了让企业更易导入,IBM Spectrum Conductor DLI 这项深度学习工具,设计了七个简单步骤来训练深度学习所需的神经网路模型。从第一个步骤「选择框架」(在 Caffe 或 TensorFlow 两大框架中择一採用),到建立资料模型、建立训练模型、训练模型如何工作(可利用「自动超级参数建议」,不必仰赖资料科学家、就能提高模型的準确度)、到最后的模型验证、上线、开始 AI 应用。深度学习的流程因此化繁为简,开发及运算时间也大幅缩短,并且提供完整的生命週期管理。

─ ─

这些文章你或许也会感兴趣

3 个工作天完成整月结帐作业,IBM 怎样改造财务流程的?
台湾起飞?《富比世》专文分析为什幺微软、Google、IBM 相继来台大举投资
IBM 解密:打造台湾零售业的「体验革命」,跨平台整合功力怎幺练?



上一篇: 下一篇:

相关阅读RELEVANT