来源：EETOP编译整理
当谈到人工智能/机器学习（AI/ML）时，开发人员通常会求助于基于 GPU 的加速器，而不是通用处理器 (CPU)。这些开发人员必须在专用硬件上进行大量投资，而当下一代算法出现时，这些硬件的价值往往会下降。
NVIDIA 宣称 V100 的训练吞吐量是普通 CPU 的 32 倍
致力于降低人工智能深度学习成本的初创公司ThirdAI表示，有一种更好的方法。ThirdAI最近筹集了600万美元，用于进一步研究自己的深度学习方法。脱离莱斯大学后，该公司推出了 SLIDE（次线性深度学习引擎），这是一种部署在通用 CPU 上的算法，旨在对抗 GPU 的主导地位。 据称，SLIDE算法在CPU上获得的训练结果比在英伟达V100等硬件加速器上更快。性能更高的CPU对下一代GPU意味着什么? 这家初创公司的最大诉求是什么?
ThirdAI的背景
凭借其独特的“SLIDE”算法，ThirdAI 计划改变现有的 AI 深度学习范式。
ThirdAI由副教授AnshumaliShrivastava共同创办，它的成功源于莱斯大学的研究。
ThirdAI 联合创始人 Anshumali Shrivastava
最初的大学研究已经显示出与GPU硬件相当的结果，但却受到了高速缓存的阻碍。不过随后英特尔介入了进来。Shrivastava解释说。
" 英特尔告诉我们，他们可以与我们合作，使其训练得更快，现在看来他们是对的。在他们的帮助下，我们的结果提高了约50%。"
SLIDE，即亚线性深度学习引擎，是一种 "智能 "算法，有可能取代大规模深度学习应用的硬件加速器。最终，ThirdAI的目标是利用算法和软件创新从处理器中榨取出更多性能。SLIDE的主要性能指标
据称，SLIDE比现有最好的Tensorflow GPU硬件快3.5倍，比Tensorflow CPU的性能提高10倍。尽管研究人员使用的CPU型号还不太清楚目前可知使用的一个"44核 "CPU。
分析下拉英特尔至强22核处理器E5-2699V4与莱斯大学研究人员使用的处理器最为接近的。这个CPU是一个22核44线程的处理器。不管确切的CPU是什么，SLIDE声称是人工智能训练的一个突破性算法。那么，它是如何工作的呢？
次线性深度学习引擎的内部工作原理
在最基本的层面上，SLIDE 使用采样哈希表，特别是修改后的局部敏感哈希（LSH），来快速查询神经元 ID 以进行激活，而不是逐个矩阵计算整个网络矩阵。它将这种技术与另一种称为自适应 dropouts 的技术相结合，后者用于提高神经网络中的分类性能。
使用散列进行特定神经元采样
由于它可以查询特定的神经元，据说 SLIDE 克服了 AI 深度学习中的一个主要限制：样本大小（batch size）。 
无论batch size如何，SLIDE 都保持着时间上的优势
通过使用多核 CPU 处理和优化——以及局部敏感散列 (LSH) 和adaptive dropouts——SLIDE 实现了O(1) 或恒定时间复杂度，无论batch size如何。
深度学习CPU 会翻身么？
硬件加速器价格昂贵，高端平台的成本超过 100,000 美元（而 E5-2699V4 为 4,115 美元）。对成本高昂的高性能图形处理器的需求让英伟达(NVIDIA)等制造商变得更加强大。
然而，随着 AI 训练数据集的不断增长，每次收敛所需的矩阵乘法也在不断增长。当 AI 模型发生变化时，为运行当前 AI 模型而对专用硬件的投资可能会很快失效。
最后，由于成本在工程中占主导地位，在通用处理器上运行工业规模的深度学习的能力可能是一个“杀手锏”。如果 SLIDE 继续被证明是可行的，那么像英特尔这样的公司可能会长期获得回报。
原文：
https://www.allaboutcircuits.com/news/software-startup-thirdai-reimagines-cpus-not-gpus-as-host-for-advanced-ai/
关注创芯人才网，搜索职位
