Рushminer.ru — российская майнинговая компания, которая поставляет оборудования для майнинга более пяти лет. Они увидели, как отрасль развивается и быстро отсеивает неэффективные и дорогие операции майнинга. Результатом медвежьего рынка 2018 года стала возможность проанализировать и укрепить их стратегию добычи криптовалют и продажи нового оборудования для майнинга, по Москве и всей Российской Федерации.
Точно так же, как ЦП изменил компьютеры того года, микросхема AI ASIC также сильно изменит внешний вид сегодняшних аппаратных устройств AI. Например, знаменитый alphago использует около 170 графических процессоров (GPU) и 1200 центральных процессоров (CPU). Эти устройства должны занимать компьютерный зал, оборудованный мощным кондиционером, и несколько специалистов по обслуживанию системы. Если используются все специальные микросхемы, весьма вероятно, что потребуется только один размер коробки, и энергопотребление будет значительно снижено.
Когда спрос на чипы еще невелик, алгоритм глубокого обучения нестабилен и нуждается в постоянном итеративном улучшении, идеальным выбором будет использование чипа FPGA с реконфигурируемыми характеристиками для реализации полунастраиваемого чипа искусственного интеллекта. С растущим развитием алгоритмов искусственного интеллекта и прикладных технологий, а также постепенной зрелостью промышленной среды ASIC для искусственного интеллекта, ASIC под искусственным интеллектом станет неизбежной тенденцией развития вычислительного чипа искусственного интеллекта.
Купить асик, а с ним сценарии аппаратных приложений ИИ можно разделить на облачные сценарии и терминальные сценарии. Облако в основном относится к серверной части, включая различные бизнес-категории, такие как общее облако, частное облако и центр обработки данных. Терминалы в основном относятся к мобильным терминалам, в том числе к охранным, транспортным средствам, мобильным телефонам, динамикам, роботам и другим приложениям.
ASIC предпочтительнее, потому что появляющаяся архитектура процессоров глубокого обучения в основном основана на графе или тензорном потоке. Кроме того, упомянутая выше операция ИИ на границе ограничена энергопотреблением и эффективностью работы, поэтому она в основном основана на выводах, а не на обучении.
Если предположить, что к 2023 году в терминальное оборудование будет импортировано большое количество ИИ-чипов, то необходима ИС, способная выполнять обучение на одном и том же чипе и способная справляться с децентрализованными вычислениями и низким энергопотреблением. Таким образом, спрос на ASIC будет продолжать расти и будет реализовывать больше граничных приложений ИИ.
