機械学習を加速するGPU、TPU、FPGA、ASICの競争に「x86 CPU」が参戦XeonがTensorFlowやPyTorchに最適化

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。

2019年06月12日 08時00分 公開
[Cliff SaranComputer Weekly]

 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

会員登録(無料)が必要です

 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.

新着ホワイトペーパー

製品資料 ユーソナー株式会社

潜在ターゲットへのアプローチを効率化、消費者の真のニーズを捉える方法とは?

昨今、法人営業においては消費者のニーズを正確に捉え、迅速に対応することが求められている。こうした中で注目されているのが、インテントデータ活用による顧客の興味関心の可視化だ。本資料では、インテントデータのポイントを解説する。

市場調査・トレンド 株式会社セールスフォース・ジャパン

AI時代のデータガバナンス戦略、効果的に実装するために知っておきたい5つの柱

データの爆発的な増加に加えてビジネスにおけるAI活用が加速する中、AIのメリットを最大限に引き出すためにもデータガバナンスの重要性が高まっている。AI時代のデータガバナンスにおいて押さえておきたい5つの柱を解説する。

製品資料 日本ビジネスシステムズ株式会社

BIツール活用の第一歩、レポート作成を効果的に進める下準備の3つのステップ

効率的で効果的なデータ活用を推進するためにも、BIツールは積極的に利用したいツールの1つだ。その有効性を確認しながら、BIツール活用の第一歩として、レポート作成の進め方や、活用を支援するサービスを紹介する。

事例 株式会社primeNumber

効率的なデータの利活用を促進、15社に学ぶデータ基盤の構築/運用のヒント

データの利活用を進めるためにはデータ基盤の導入が必要だ。しかし、データ基盤を構築/運用するためにはさまざまな課題を乗り越えなければならない。本資料では、データ活用環境の構築に成功した15社の事例からそのヒントを解説する。

製品資料 TIS株式会社

データドリブン経営を実現、データ活用の推進を阻む3つの課題と解消策

データドリブン経営を実現するために多くの企業がデータ活用の取り組みを進めているが、思うような成果を挙げられていないという声も多い。そこで本資料では、データ活用を加速させるために解消すべき3つの課題を解説する。

From Informa TechTarget

お知らせ
米国TechTarget Inc.とInforma Techデジタル事業が業務提携したことが発表されました。TechTargetジャパンは従来どおり、アイティメディア(株)が運営を継続します。これからも日本企業のIT選定に役立つ情報を提供してまいります。

ITmedia マーケティング新着記事

news130.jpg

Cookieを超える「マルチリターゲティング」 広告効果に及ぼす影響は?
Cookieレスの課題解決の鍵となる「マルチリターゲティング」を題材に、AI技術によるROI向...

news040.png

「マーケティングオートメーション」 国内売れ筋TOP10(2025年4月)
今週は、マーケティングオートメーション(MA)ツールの売れ筋TOP10を紹介します。

news253.jpg

「AIエージェント」はデジタルマーケティングをどう高度化するのか
電通デジタルはAIを活用したマーケティングソリューションブランド「∞AI」の大型アップ...