为了保持领先于先进的人工智能创新，现在是提升你的技术储备的时候了。在这次VB Live活动中，你会了解NLP 、视觉人工智能、推荐模型和科学计算的创新如何将计算机架构推向前沿。

人工智能和机器学习的创新比以往任何时候都需要更多的计算能力，但当今的芯片无法跟上需求。摩尔定律，计算机芯片会不断缩小，变得越来越便宜，尽管它们提供的动力越来越大。问题是如何以成本效益高的方式利用人工智能创新，并跟上对计算能力日益增长的需求。

AMD的企业副总裁兼研究和高级开发主管艾伦•李(Alan Lee)表示： “摩尔定律(Moore ’ s Law)的衰落—晶体管和权力问题—开始在该行业产生影响。 ”“我们正在研究的新技术主要围绕模块技术、 3D堆叠和异质系统。 ”

AMD的企业副总裁兼研究和高级开发主管艾伦•李(Alan Lee)表示： “摩尔定律(Moore ’ s Law)的衰落—晶体管和权力问题—开始在该行业产生影响。 ”“我们正在研究的新技术主要围绕模块技术、 3D堆叠和异质系统。 ”

桑巴诺瓦系统公司(SambaNova Systems)联合创始人兼首席技术专家昆莱•奥卢科通(Kunle Olukotun)表示： “摩尔定律放缓的关键在于提高效率。 ”"我们都知道效率来自专门化。但在机器学习的世界里，你不能简单地采用算法并将其放入硅中。

关键是提高效率，同时保持支持机器学习算法创新所需的灵活性。机器学习应用程序开发人员正在继续改变其算法，并获取这种算法需要具备效率和灵活性的基质。

“你需要的是一个更专注于支持应用程序内数据流执行要求的架构， ”他说。

他指出， ML应用程序的特点是独特的，因为它们是由不同通信部分连接的一系列kernel ，取决于特定算法的计算图。这就需要有一个能够以创新的方式支持该系统并提供从芯片到节点到数据中心一级的高效数据流执行的架构，以利用应用的特点。

AI和ML创新的现状

Olukotun表示，在过去几年里，机器学习模型已经从摇晃模型发展成反复出现的神经网络模型，到矩阵乘数主导模型、密集模型到稀疏模型。矩阵的倍增将始终是一个核心组成部分，这种演变没有停止的迹象。我们面临的挑战是继续把这些东西汇集在一起，并能够灵活地支持这种创新。

“我们现在正处于进化阶段， ”李振成同意。“我们进入了ML的下一个大平台，越接近于绘制特定类型神经网络或神经网络等效级的地图或建模，你就会看到更多的性能。 

他补充说，我们还必须铭记，几百年来在算法方面进行的大量科学和工业探索也需要用来解决类似的问题。

他说： “很多ML问题可以为高性能计算问题提供信息，反之亦然。 ”“推动特定领域的界限当然很重要，但同样重要的是，不要忘记过去，认识到数学模型在很多情况下可以为大数据、高性能机器和新的ML算法促成的这一新的科学分支提供信息和信息。 ”

Olukotun指出了高性能计算与ML之间的相互作用。目前，从事传统模拟和工程计算的科学家正在达到他们在特定时间框架内可以做的事情的极限，不管是模拟材料，还是试图了解喷气发动机中的动荡流量是如何运行的。他们正在寻找ML和传统模拟模型的结合。

人工智能计算界的下一个游戏规则变化

“最困难的问题之一，是如何从成千上万的想法中找出，让这个行业走向一个新的、利润异常丰厚的方向？ ”李说。“一个想法很容易被忽略，因为我们没有意识到，技术的变化、优化的变化、编纂者的变化，都可以极大地改变游戏规则。 ”

对于Olukotun来说，下一个创新将是随着ML算法的发展，以创新的方式实施大型模型的全球数据流。

他说： “如果你看看目前的建筑，它们的重点是密集的矩阵复合式单元，但它们不是在考虑稀疏，也不是在考虑这些基龙如何沟通。 ”"因此，如果你能在芯片上捕捉这种数据流，你就能更有效地执行整个计算图。你不会像在传统的GPU架构中那样，花很多时间在芯片和非芯片高带宽内存之间重新安排数据。 ”

李振成同意，矩阵倍增很重要。AMD的新CDNA技术可以在各种不同的操作和尺寸上进行矩阵复联，但了解这些技术如何与问题的密度或稀疏程度结合起来，并能够做到这一点至关重要，不管是通过图书馆还是通过编纂者。

他表示： “所有这些元素，包括矩阵复数增加，已经存在了一段时间，但了解不同的操作规模和稀疏程度，并以新的方式将它们结合起来，是当今人工智能和ML的最大趋势之一。 ”

为了更深入地了解计算机架构的未来、 ML的现状，以及成功的公司如何通过不断发展的老技术生态系统开始利用新技术，现在就可以访问这个VB Live活动。