【51CTO.com快譯】如今，在一些令人關注的人工智能和機器學習的應用領域，圖形處理單元(GPU)發揮著日益重要的作用。

GPU繼續擴展在人工智能和機器學習中的應用

人工智能(AI)無疑將改變全球生產力、工作模式和生活方式，并創造巨大的財富。根據調研機構Gartner公司的預計，到2022年，全球人工智能市場規模將從2020年的約1.2萬億美元快速增長到約3.9萬億美元;而麥肯錫公司預計到2030年全球人工智能市場規模將達到約13萬億美元。當然，這種轉變是由強大的機器學習(ML)的工具和技術推動的，例如深度強化學習(DRL)、生成對抗網絡(GAN)、梯度提升決策樹模型(GBM)、自然語言處理(NLP)等。

現代的人工智能和機器學習系統獲得成功主要取決于它們使用的任務優化硬件以并行方式處理大量原始數據的能力。事實上，人工智能的現代復興始于2012年的ImageNet競賽，深度學習算法在圖像分類精度方面比非深度學習算法有了驚人的提高。然而，伴隨著巧妙的編程和數學建模，專用硬件的使用在人工智能的早期成功中起到了重要的作用。

計算機視覺(CV)的進步繼續推動著許多人工智能和機器學習系統的發展。計算機視覺(CV)正在更廣泛應用在各行業領域中，使組織能夠徹底改變機器和業務系統的工作方式，例如制造、自動駕駛、醫療保健等行業領域。幾乎所有的計算機視覺(CV)系統都從傳統的基于規則的編程模式演變為大規模的、數據驅動的機器學習模式。因此，基于GPU的硬件通過幫助處理大量訓練數據(其規模通常在PB級以上)，并在確保高質量預測和分類方面發揮著關鍵作用。

本文將介紹一些最受關注的人工智能和機器學習應用領域，在這些領域中，這些專用硬件(尤其是GPU)將發揮著越來越重要的作用。

人工智能和機器學習中一些最受關注的領域是：

• 自動駕駛。
• 醫療保健/醫學成像。
• 抗擊疾病、藥物發現。
• 環境/氣候科學。

為什么GPU在這些任務中大放異彩?

現實表明，通用的CPU在處理大量數據(例如，對具有數萬或數十萬浮點數的矩陣執行線性代數運算)時通常會遇到困難。而深度神經網絡主要由矩陣乘法和向量加法等運算方法組成。

GPU的開發(主要應用在視頻游戲領域中)使用數千個微型計算核心處理大規模并行計算。它們還具有大內存帶寬來處理快速數據流(處理單元緩存到較慢的主內存并返回)，而在神經網絡訓練數百個歷元(Epochs)時需要進行大量計算。這使GPU成為處理計算機視覺任務計算負載的理想硬件。

GPU針對許多框架和計算領域進行了優化

GPU的通用架構適用于作為深度學習算法核心的特定類型的計算任務。然而，一旦這種協同作用被研究和開發人員充分利用并得到證實，生產GPU的廠商(例如英偉達公司)為此投入了大量的資金和人力，為各種應用場景開發更多的高性能和高度優化的GPU。

此外還確保他們的應用軟件和固件堆棧不斷更新，以與現代高級編程框架無縫集成，以便全球各地的數百萬開發人員能夠更方便地利用GPU的強大功能。下圖展示了英偉達GPU產品正在優化的各種深度學習框架的生態系統。 

此外，根據功耗與性能的權衡，GPU(和相關內存)架構可以針對大量計算領域進行優化設計，這些產品從學術實驗室使用的桌面工作站到工業物聯網或自動駕駛汽車上使用的邊緣計算機。來自英偉達公司網站的這張圖有助于說明這一點：

自動駕駛領域中的人工智能和機器學習

自動駕駛對于機器學習系統來說是一個極具挑戰性和復雜性的行業領域。自動駕駛汽車使用具有各種功能且數量繁多的傳感器來收集有關道路狀況、其他車輛、行人、騎行者、路標、出口、高速公路標記、路邊商店等許多變量的信息。其中許多信息是基于圖像的(使用安裝在不同地方的多個攝像頭)。其他的信息可能是來自LiDAR或其他類型傳感器的數據流。

自動駕駛汽車的用例也非常具有挑戰性，因為它不僅包括物體檢測，還包括物體分類、分割、運動檢測等。除此之外，機器學習系統需要在幾秒的時間內完成這種圖像/視覺處理，并將其決策傳達給負責最終駕駛任務的更高級別的監控系統。

此外，在任何一個自動駕駛系統中，通常采用多個這樣的計算機視覺(CV)的系統/算法。在這些情況下對并行處理的需求很高，這對于處理數據的計算機來說面臨更大的壓力。如果同時使用多個神經網絡，它們可能會共享公共系統存儲并相互競爭公共資源池。

此外，還有高度專業化和優化的片上系統(SoC)平臺用于這一領域。以下是對英偉達公司的NVIDIA DRIVEAGX的描述：“NVIDIA DRIVE™AGX嵌入式超級計算平臺處理來自攝像頭、雷達和激光雷達傳感器的數據，以感知周圍環境，將汽車定位到地圖，并規劃和執行安全的前進路徑。這個人工智能平臺支持自動駕駛、車內功能、駕駛員監控以及其他安全功能——所有這些都集成在一個緊湊而節能的軟件包中。”

醫療保健中的人工智能和機器學習(醫學影像)

在醫學成像的應用下，計算機視覺系統的性能是根據經驗豐富的放射科醫師和了解病理圖像的臨床醫生來判斷的。此外在大多數情況下，其任務涉及識別患病率非常低的罕見疾病。這使得訓練數據變得稀疏(沒有足夠的訓練圖像)。因此，深度學習(DL)架構必須通過添加巧妙的處理和復雜的架構來彌補這一點。當然，這會導致計算復雜度增加。

核磁共振成像(MRI)和其他先進的醫學成像系統正在采用機器學習算法，它們越來越多地成為癌癥檢測的第一道防線。面對海量的數字化數據，放射科醫師的數量和質量往往難以滿足需求，而基于機器學習的系統是幫助他們完成決策過程的完美選擇。

根據一篇發表在《自然》雜志的文章，放射科醫師需要在8小時工作時間內每3～4秒解讀一張​​X光片圖像才能滿足工作量需求。如今，醫學成像數據非常豐富，深度學習(DL)算法可以提供不斷擴展的醫學圖像數據集，以像訓練有素的放射科醫生那樣發現異常并解釋結果。可以訓練這種算法對常規和異常結果進行分類，例如識別皮膚上的可疑斑點、病變、腫瘤和腦出血。但是對數百萬個訓練示例進行分類并正確識別它們，則需要GPU優化的軟件和硬件系統的幫助。

人工智能和機器學習對抗疾病(藥物發現)

行業專家指出，冠狀病毒疫情等全球大流行病大多是由病毒引起的。在基本結構層面，這些病毒主要由一條或幾條DNA/RNA鏈組成。而確定3D蛋白質結構，即來自基因測試數據的氨基酸分子序列是開發某些類別(亞基和核酸類型)疫苗的關鍵。

如果嘗試采用傳統的蛋白質折疊算法，這項任務在計算方面是不可行的(無論投入多少硬件資源)。而通過最新的深度強化學習(DRL)和貝葉斯優化技術，人工智能可以在幫助解決這一挑戰方面發揮重要作用。而在這方面，谷歌公司的深度學習研究部門DeepMind推出了AlphaFold，這是一個基于深度強化學習(DRL)的系統，可以根據蛋白質的基因序列預測蛋白質的3D結構。

2020年3月上旬，該系統對于檢測冠狀病毒進行了測試，DeepMind的人工智能研究人員可以根據該系統發布與SARS-CoV-2相關的幾種研究不足的蛋白質的結構預測，以幫助全球臨床和病毒學研究界更好地開展工作，以了解病毒及其對人類生物學的影響。2020年11月，在名為CASP(結構預測的關鍵評估)的兩年一度的蛋白質結構預測挑戰中，這一系統的表現優于其他100個團隊開發的系統。

但獲得這些令人印象深刻的突破性性能都以部署更多GPU驅動硬件為代價。雖然很難估計用于訓練AlphaFold的計算能力，但是根據行業媒體的報道，其著名的前身AlphaGo在知名的一場圍棋挑戰賽中同時使用了數百個CPU和GPU，并擊敗圍棋世界冠軍李世石。

在環境和氣候科學中應用的人工智能和機器學習

氣候變化是21世紀人類面臨的最深刻的生存危機之一。要了解這一劃時代變化的全球事件的影響，需要收集大量的科學數據、高逼真的可視化能力以及健壯的預測模型。

因此，天氣預報和氣候建模處于人類應對氣候變化的前沿。但是這種建模并不容易。至少，對于大數據分析和科學模擬能力的發展情況，這樣規模的問題對于當今的硬件和軟件堆棧來說是難以解決的。

在美國，大多數天氣預報服務都基于稱為天氣研究和預測(WRF)的一個中等規模的綜合模型。該模型適用于從數十米到數千公里的范圍廣泛的氣象應用。因此，這樣的綜合模型必須處理無數與天氣相關的變量及其高度復雜的相互關系。事實證明，用一組統一的解析方程來描述這些復雜的關系也是不可能的。與其相反，科學家們嘗試使用一種稱為參數化的方法來近似方程，在這種方法中，他們以比實際現象更大的規模對關系進行建模。

深度學習的神奇力量能否解決這個問題?美國阿貢國家實驗室的環境科學家和計算科學家正在開展合作，使用深度神經網絡(DNN)來替換天氣研究和預測(WRF)模型中某些物理方案的參數，希望在不影響保真度和預測能力的情況下顯著縮短建模時間。

他們正在充分利用支持GPU的高性能計算(HPC)節點的力量來進行這種計算密集型研究。一篇新聞文章介紹了Argonne Leadership Computing Facilit(ALCF)的一些詳細信息：“ALCF已開始在ThetaGPU上為已批準的請求分配時間。ThetaGPU是Theta的擴展，由NVIDIA DGX A100節點組成。每個DGX A100節點配備8個NVIDIA A100 TensorCore GPU和兩個AMD Rome CPU，提供320GB(總計7680GB)的GPU內存用于訓練人工智能數據集，同時還支持GPU特定和GPU增強的HPC應用程序進行建模和模擬。”

智能制造中的人工智能和機器學習

原材料、貨物和零件的移動是任何一個制造系統的核心業務。而在計算和信息技術革命之后，人們意識到這些物品的移動只有在以精確的方式控制時才能達到最佳效率，并由信息處理引擎進行監督。

因此，軟硬件的創新結合使傳統行業進入了智能制造時代。隨著計算和存儲的成本和操作復雜性呈指數級下降，由人員、機器、控制器、工廠、倉庫和物流機械產生的信息內容的規模和復雜性呈爆炸式增長。

現在，人工智能和機器學習領域的創新理念已將許多制造組織從淹沒在數據洪流中的困境中拯救出來，并幫助他們分析和理解每天必須處理的EB規模數據。深度學習技術被用于多個領域——設計、質量控制、機器/流程優化、供應鏈、預測性和預防性維護等等。

鑒于數據生成和處理需求的數量和速度快速增長，這些人工智能/機器學習系統中的大多數使用GPU驅動的工作站和云計算資源。

使用GPU的人工智能和機器學習應用概述

越來越多的行業領域在其運營和RandD中采用強大的人工智能/機器學習工具和平臺。本文只討論了其中的一些，并研究了基于GPU的系統的強大功能和靈活性如何支持人工智能在各行業領域中的應用。從這個趨勢來看，可以自信地說，定制人工智能/機器學習硬件解決方案(如深度學習工作站)的市場和選擇在未來幾年將會繼續快速增長。

原文標題：Applications for GPU-Based AI and Machine Learning，作者：Kevin Vu

【51CTO譯稿，合作站點轉載請注明原文譯者和出處為51CTO.com】