XeonがTensorFlowやPyTorchに最適化
機械学習を加速するGPU、TPU、FPGA、ASICの競争に「x86 CPU」が参戦
機械学習の(特に学習の)速度を向上させるため、各社はさまざまなカスタムハードウェアの開発と利用を進めている。出遅れ感のあるIntelは、この市場にx86 CPUで参戦しようとしている。
一般に、究極のパフォーマンスを発揮するAIアプリケーションを必要とする企業が利用できる唯一の選択肢は、カスタムハードウェアだといわれている。GPU(Graphics Processing Unit)をセールスポイントとして大きく躍進しているNVIDIAのような企業もある。
Intelはこの競争に加わるのが遅れた。だがFPGA(Field-Programmable Gate Array)から機械学習向けに最適化したプロセッサコアに至る一連の技術の構築を加速している。
究極のパフォーマンスを得るため、カスタムASIC(Application Specific Integrated Circuit)も作られている。カスタムASICは、遅延を最低限に抑えて特定のタスクを実行するよう設計された超小型電子部品だ。
カスタムアプローチ:Tensor Processing Unit
Googleはカスタムアプローチを長年リードし続けている。自社開発したカスタムチップ「Tensor Processing Unit」(TPU)を利用して、オープンソースのディープラーニングライブラリ「TensorFlow」の処理速度を上げる基盤としている。
同社のTPUは、2018年12月に行われた機械学習ベンチマーク「MLPerf v0.5」の結果でトップに立っている(訳注)。
訳注:本記事日本語訳編集時点(2019年5月)のトップは「Pascal P100」となっている。Pascal GPUアーキテクチャを採用した「NVIDIA Tesla P100」を指すと思われる。
IBMはASICだけでなく、教師あり機械学習の速度を上げるために量子コンピューティングを適用できるアプリケーション分野の調査を開始している。この調査で、機械学習の速度向上に寄与する量子コンピューティングに適したデータセットを特定する。
もう一つの選択肢がFPGAだ。FPGAは回路の再プログラミングが可能だ。そのためASICの安価な代替手段になる。Microsoftはクラウドでの機械学習の速度向上を目的とする「Project Brainwave」にFPGAの利用を検討している。
機械学習の中心はGPU
NVIDIAは、メインストリームの機械学習の速度向上にGPUを利用するという独自の道を切り開いている。金融ブログサイト「Seeking Alpha」に掲載された同社の2019年第4四半期(訳注)の収支報告書によると、同社はディープラーニングに大きく成長するチャンスがあると考えているという。
訳注:Seeking Alphaの原文「NVIDIA Corporation (NVDA) CEO Jen-Hsun Huang on Q4 2019 Results」による。
NVIDIAの最高財務責任者(CFO)を務めるコレット・クレス氏は、ディープラーニングと推論は同社のデータセンタービジネスの10%にも満たないが、今後市場チャンスは大きく広がると話している。
ニューラルネットワークは行列演算に大きく依存し、複雑に階層化されたネットワークは効率性と速度の点で極めて高い浮動小数点演算性能と膨大な量の帯域幅を必要とする。NVIDIAは最近のホワイトペーパーでGPUのメリットについて次のように説明している。「GPUには、行列演算向けに最適化された数千のプロセッサコアが搭載され、数十~数百TFLOPSのパフォーマンスを発揮する。GPUがディープニューラルネットワークベースのAIや機械学習アプリケーション向けのプラットフォームに適しているのは明らかだ」
x86 CPUの最適化
IntelのCPUは汎用(はんよう)コンピューティング向けに最適化されている。ただし、同社はディープラーニング機能「Intel Deep Learning Boost」を備えた「Xeon」プロセッサを拡大し始めている。Intelによると、このプロセッサは「TensorFlow」「PyTorch」「Caffe」「Apache MXNet」「PaddlePaddle」のようなフレームワークに最適化するように設計されているという。
Intelは、同社のGPUよりもCPUが選ばれることを望んでいる。CPUの方が既に利用されているものにうまく適合するからだ。例えば、他のプロバイダーに先駆けて医療アプリケーションでのAI活用に取り組む医療技術プロバイダーのSiemens Healthineersは、GPUではなくIntelの技術を中心にAIシステムを構築すると決めている。Intelの主張は、「GPUなどのアクセラレーターはAIワークロード向けに考えられるのが一般的だ。だがシステムコストや運用コストが増え、複雑性が増大し、旧バージョンとの互換性を妨げる可能性がある。Siemens Healthineersが導入したシステムの大半は、既にIntelのCPUに支えられている」というものだ。Siemens Healthineersは、Intel CPUベースの既存のインフラを利用してAI推論ワークロードを実行することを目指している。
ハードウェアでの開発の重要性が増しているように思える。大手Web企業や主要技術企業は、AIの速度を向上させるハードウェアに多額の投資を行っている。最近マドリードで開催されたカンファレンス「T3CH」で、スイス連邦工科大学チューリッヒ校コンピュータサイエンス学部のSystems Groupに属するグスタボ・アロンソ氏は、AIは高額になるとして、次のように述べている。「大きなモデルのトレーニングでは、モデル一つ当たり数十万ドルに達する可能性がある。専用のハードウェアにアクセスし、それを利用できる能力は競争上の強みになる」
Copyright © ITmedia, Inc. All Rights Reserved.
Computer Weekly日本語版
この記事の著者
関連記事
新着ホワイトペーパー PR
-
事例
[Neatframe株式会社] 「AIへのデータ受け渡し精度」が決め手 船井総研HDが選んだ会議システムは? -
事例
[Neatframe株式会社] 会議はスピードが命 レックの“爆速商品開発”を生み出す会議環境とは -
事例
[Neatframe株式会社] オフィス回帰で発生する「会議室不足」 NECはどう解消したのか? -
事例
[ServiceNow Japan合同会社] 大阪市の未来を創る「行政DX」の本質と、その取り組みを支える統合基盤の実力 -
事例
[ServiceNow Japan合同会社] 【行政DX先進事例】横浜市が「市民に大切な時間を返す」を実現できた理由とは?
こんなメディアも見られています
TechTargetジャパンに関連する情報をお探しであれば、こちらのメディアもお役に立てるかもしれません。
ベンダーコンテンツ PR
From Informa TechTarget
SpecialPR
アクセスランキング
-
1
Microsoft 365導入後も稟議は「Excelをメールで回覧」 承認が止まる理由
-
2
新旧「Outlook」混在の恐怖を三星ダイヤモンド工業はどう乗り越えたか
-
3
Copilot導入で陥る“目的化”の落とし穴 定着の鍵は「作り込まない」こと
-
4
Microsoft月例パッチ1400件超で過去最多 「限界点」を迎えたパッチ管理
-
5
「Copilot」がIT予算を食いつぶす? 高額請求を招く課金体系と節約術
-
6
PHPはそもそも必要か? 脆弱性で問われる自社サイト安全性と保守負担のバランス
-
7
障害対応に「余裕なし」が9割超 運用担当316人調査で見えた「運用赤字」
-
8
Claudeを使い続けて大丈夫か? IPOで見えるAnthropicの財務と新機能
-
9
SAPクラウド移行の「その先」とは? 先行企業が明かす周辺投資の実態
-
10
なぜ「全社配布Copilot」は使われないのか? 失敗に学ぶAI定着
ホワイトペーパーランキング PR
-
1
「IT史に名を残すシステム障害」8選
-
2
SCS評価制度時代の「SASE選定」ガイド
-
3
サイバー脅威「トップ50」完全解説ガイド、新たな攻撃手法に対抗するには
-
4
自社のメール環境は本当に安全? チェックシートですぐ分かる“今必要な対策”
-
5
三井ホームに学ぶ「無線LAN環境」構築 快適なオフィスと高度なIT運用の両立法
-
6
Microsoft 365のメールセキュリティ、3つの“死角”と追加で検討すべき対策とは
-
7
「RPA導入の成果が出ない」を防ぐ、成果につながる自動化対象業務の選び方
-
8
AIが苦手な「汚いデータ」になっていない? AI投資を無駄にしないための注意点
-
9
10G回線の真価をフルに享受するには? 導入前にチェックしたいポイント
-
10
SNMPより詳細で、パケット解析より簡単な「トラフィック可視化・分析」の方法
TechTargetジャパン SNS
インフォメーション
注目情報をチェック
TechTargetジャパンをフォロー