GPUやTPUは必須AIの拡大で増大するカスタムハードウェア需要

AIへの投資は今後も増えるだろう。そのAIを支える機械学習にはGPUやTPUといったカスタムハードウェアによるアクセラレーションが必須だ。

[Cliff Saran，Computer Weekly]

　人工知能（AI）への2019年の投資額（欧州全域）は前年比49％増になる見込みだという。IDCのCustomer Insight & Analysisで上級リサーチアナリストを務めるアンドレア・ミノン氏は次のように話す。「Sephora、ASOS、Zaraといった多くの小売企業やNatWest（National Westminster Bank）、HSBCなどの銀行は、既にAIのメリットを実感している。来店者数と収益の増加、コスト削減、パーソナライズされたより快適な顧客体験などがその例だ」

　CPUベースのコンピュータアーキテクチャは、機械学習タスクには適さないというのが業界共通の認識だ。現状では、GPUが機械学習の実行に必要なパフォーマンスを提供している。

　だがWebを利用する大手企業はさらに高いレベルのパフォーマンスを必要とし、AIの処理を加速するカスタムアクセラレーションハードウェアを開発しつつある。Financial Timesが2019年2月に報じたFacebookの動向によると、Facebookは機械学習向けに独自チップを開発しているという。

　2016年、GoogleはTPU（Tensor Processing Unit）というASIC（Application Specific Integrated Circuit：特定用途向け集積回路）を公開した。機械学習に特化したチップで、DNN（Deep Neural Network）深層学習フレームワーク「TensorFlow」に最適化されている。

　当時、Googleの卓越したハードウェアエンジニアだったノーマン・ジョアッピ氏は次のように述べている。「当社のデータセンターはTPUを既に1年以上運用しおり、1ワット当たりの機械学習パフォーマンスが桁違いに優れていることが分かっている。これは約7年後の未来（ムーアの法則の第三世代）の技術にほぼ匹敵する」

　TPUは「Google Cloud Platform」（GCP）で利用できる。最上位バージョンの「v2-512 Cloud TPU v2 Pod」は現在αテスト中で、使用料はPodスライス/時間当たり384ドルだ（訳注）。

訳注：Googleの「Colaboratory」で（若干制限はあるが）GPUとTPUを無料で使うことができる。Colaboratoryは不定期に仕様が変更されておりGPUやTPUの詳細も公表されていないが、2019年4月末時点のGPUは「NVIDIA Tesla T4」（nvidia-smiコマンドで確認可能）。

　ASICは特定アプリケーションの実行専用に設計する。TPUの場合はTensorFlow DNNモジュールがこれに当たる。そのため極めて高額になり、用途も限定される。「Microsoft Azure」はFPGA（Field Programmable Gate Array）を使ってアクセラレーションを提供している（訳注）。Microsoftによると、FPGAはASICに近いパフォーマンスを実現するという。

　「FPGAは新しいロジックの実装や再構成が可能になる。ハードウェアアクセラレーションを利用する機械学習アーキテクチャを当社は『Brainwave』と呼んでいる。これはIntelのFPGAをベースに『データサイエンティストや開発者がリアルタイムAI演算を高速化できる』ようにしている」（Microsoft談）

訳注：ASICは回路設計の段階で目的に最適化してチップを製造するのに対し、FPGAは論理回路をソフトウェア的に変更できる。

GPUによる速度向上

　機械学習を高速化しようと考える多くの組織の出発点となるのは、ほぼ間違いなくGPUだ。

続きを読むには、［続きを読む］ボタンを押して
会員登録あるいはログインしてください。