谷歌人工智能算力

1. 给人工智能提供算力的芯片有哪些类型

给人工智能提供算力的芯片类型有gpu、fpga和ASIC等。

GPU，是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上图像运算工作的微处理器，与CU类似，只不过GPU是专为执行复杂的数学和几何计算而设计的，这些计算是图形渲染所必需的。

FPGA能完成任何数字器件的功能的芯片，甚至是高性能CPU都可以用FPGA来实现。 Intel在2015年以161亿美元收购了FPGA龙 Alter头，其目的之一也是看中FPGA的专用计算能力在未来人工智能领域的发展。

ASIC是指应特定用户要求或特定电子系统的需要而设计、制造的集成电路。严格意义上来讲，ASIC是一种专用芯片，与传统的通用芯片有一定的差异。是为了某种特定的需求而专门定制的芯片。谷歌最近曝光的专用于人工智能深度学习计算的TPU其实也是一款ASIC。

(1)谷歌人工智能算力扩展阅读：

芯片又叫集成电路，按照功能不同可分为很多种，有负责电源电压输出控制的，有负责音频视频处理的，还有负责复杂运算处理的。算法必须借助芯片才能够运行，而由于各个芯片在不同场景的计算能力不同，算法的处理速度、能耗也就不同在人工智能市场高速发展的今天，人们都在寻找更能让深度学习算法更快速、更低能耗执行的芯片。

2. alphago需要多少算力

4个Tesla P100。AlphaGo是一代TPU4个，因此只要4个TeslaP100就已经具备了相对应的计算力。AlphaGo是一款由谷歌旗下DeepMind公司开发的人工智能程序，曾击败了包括世界排名第一的柯洁在内的众多职业围棋手。

3. alpha-go的计算能力等同于多少台服务器

找到一篇文章

这么说吧：1997年下赢国际象棋冠军卡斯帕罗夫的“深蓝”是一台超级计算机，而即将和李世石对决围棋的AlphaGo却是谷歌旗下公司DeepMind开发出来的人工智能程序。强行把这二者拉在一起比较……少年我们还是来谈谈世界和平吧。不过AlphaGo作为程序，最终还是要运转在计算机上才能去和人类比个高下的。所以把问题换成“即将和人类下围棋的那台计算机到底比深蓝厉害多少倍？”
我们还是能够简单计算一下给出大致答案的。毕竟在衡量计算机性能方面，我们已经有了一个相当统一的标准：每秒浮点运算次数，为了方便起见，我们下面一律称之为“FLOPS”。
千万别被“浮点运算”这个计算机术语吓跑，说人话的话，浮点运算其实就是带小数的四则运算，比如1.2加2.1就是一个典型的浮点运算。如果你的小学数学老师不是美国人的话，那么我们估计这会儿你早就心算出结果是3.3了。不过这对计算机来说，这个问题没那么简单。
我们知道，计算机是以0和1构成的二进制数字进行运算的，比如在基础的二进制里，1就是1，2就变成了10，3是11，4是100……这种运算方式让我们可以用最简单的电路元件组装出稳定有效的计算机器，但它也带来一个问题：计算机能够处理的数字只有整数。如果想不借助任何其他的数学方法，用0和1表示一个0.1……少年我们真的还是来谈谈世界和平吧。
解决这个问题的办法很简单：0.1可以看成是1除以10的结果，我们想让计算机计算一个带小数点的数字，只要告诉CPU这是一个被1后面加了多少个0整除的整数就行了。不过这样一来，计算机在处理小数点的时候，就多了好几个运算步骤。所以进行浮点运算的速度也就成了衡量计算机性能的标准。
拿在国际象棋上击败人类的深蓝来说，它的计算能力是11.38 GFLOPS，意思就是深蓝能在每秒钟里计算113.8亿次带小数的加减乘除。而在二战期间帮助美国设计制造原子弹的第一台通用计算机ENIAC，它的性能只有300 FLOP。
在今天看来，深蓝的性能怎么样？三个字：弱爆了。单就PC中使用的CPU来说，早在2006年，英特尔推出的第一代酷睿2就已经稳稳地超过了深蓝。这还没有算上显卡里GPU带来的效果加成，今天最普通的集成显卡，其性能也已经超过了700 GFLOPS。如果真要在性能上比个高下，深蓝这种上个世纪的超级计算机，就算组团也不一定能单挑你面前的这台笔记本电脑。
那么今天的超级计算机已经达到了什么样的性能水平？我们国家的天河二号是世界最快的超级计算机，它浮点运算能力已经达到了33.86 PFLOPS。也就是说，深蓝要在性能上增长到自身的30万倍，才能和天河二号相提并论。
不过对于深蓝来说，这样的比较实在是太不公平。因为即便在当年，深蓝也不是速度最快的超级计算机。相比之下，只有通过谷歌AlphaGo使用的电脑，我们才能比较出这20年里，我们的计算机到底经过了怎样惊人的发展。
根据谷歌团队发表在《自然》杂志上的论文， AlphaGo最初是在谷歌的一台计算机上“训练”人工智能下围棋的。按照论文里的描述，谷歌利用这台计算机，让AlphaGo的围棋水平提升到了与欧洲冠军樊麾接近的地步。不过论文除了提到这台计算机装有48个CPU和8个GPU之外，对计算机的性能连一个数字都没有提到。好在AlphaGo是在云计算平台上运行的，我们只要找来竞争对手的计算机数据比较，就可以了解到大概了。
比如说去年12月，阿里云对外开放的高性能计算服务。按照阿里云的描述，这些计算机的单机浮点运算能力是11 TFLOPS，而且同样可以用来训练人工智能自行学习。如果谷歌的计算机性能与阿里云接近的话，那么AlphaGo所驱动的硬件，性能至少是深蓝的1000倍。
但故事到这里还没有完，AlphaGo并非只有“单机版”一个版本。为了达到更高的运算能力，谷歌还把AlphaGo接入到了1202个CPU组成的网络之中。联网后的AlphaGo算力猛增24倍，一下子从“单机版”不到职业二段的水平，跳跃到了职业五段上下的水准。
所以AlphaGo比深蓝厉害多少倍？估计这会你已经得出答案了：2.5万倍。从这个角度，我们也能看出来，围棋究竟是怎样复杂的一种智力游戏，以至于计算机的性能需要20年的提高，才能在象棋上战胜人类后，再在围棋棋盘面前，坐到人类顶尖选手的对面。不过归根揭底，AlphaGo最重要的成就并不是采用了性能多么优秀的电脑，而是第一次让程序可以以人类的方式思考、学习和提高。所以过几天的比赛，无论谁输谁赢，我们见证的都是一个崭新纪元的开端。
当然别忘了关注新浪科技，我们到时候会在最前方，带你迎接这个新纪元的第一道曙光。

4. GoogleAI芯片TPU核心架构--脉动阵列SystolicArray

从2016年至2023，谷歌推出了四代自家人工智能加速芯片——TPU（Tensor Processing Unit）。TPU专为人工智能应用场景提供硬件级的算力支持，其中关键硬件是其“矩阵乘法单元”。该单元采用独特的Systolic Array（脉动阵列），以针对性的提升AI任务中的卷积、矩阵乘等矩阵运算速度和降低功耗。
在神经网络中，CPU和GPU是神经网络的基础。CPU计算资源有限，每次计算需要取数+运算，得到一个标量结果；早期GPU的SIMD使用大量计算资源，虽然每个运算单元单次得到一个乘法结果，但通过并行计算，可以在CPU计算[公式]的时间内，计算出整个[公式]；然而，由于CPU和GPU都是基于传统冯诺依曼结构，每次计算都需要访问存储，取操作数，导致性能无法满足需求。
而TPU利用Systolic Array脉冲阵列，通过一次性取数，在阵列里脉动传输实现Reuse，实现高计算吞吐量，同时显著降低耗电量、占用空间更小。对于矩阵的卷积，TPU采用了上述脉冲阵列，具体数据流向如下：先将权重矩阵的每个值取出存放在运算单元，作为一个乘数；再将例如3*3的输入矩阵特殊排列，“流动”地广播到各个运算单元，作芦宽为另一个乘数。矩阵流动完成后，就可以得到输出矩阵。
总体来看，TPU的架构主要是围绕由脉冲阵列组成的矩阵乘法单元构建的。搭配如Unified Buffer/Weight FIFO等数据单元，以及卷积后需要的激活池化等计算单元。
进一步了解Systolic Array以及为什么要使用Systolic Array，可以从最早的论文中得知。作为一个专用架构，脉动阵列主要关注以下问题：综合这些考量，就有了如上的设计原则：对于卷积运算的特性[公式]，用互相连接的Processing Unit来替代单独的处理单元。PE只需要设计简单的乘加逻辑，控制逻辑也很简单，实现了高速、复用、简单等目标需求。
权重向量、输入向量、输出向量是卷积运算中关心的元素。对于一个流动性设计的脉冲阵列，实现卷积的方式为，将这三种矩阵分为三类在阵列里操作：
第一种：提前读取[公式]到[公式]权重参数到PE内，第一个时刻计算出[公式]，第二个时刻计算出[公式]，第三个时刻计算出[公式]并输出；
第二种：输入x的移动方式不变，每个时刻向后移动一次；但是权重参数不再预先读取存放不动，而是在几个PE之间循环移动。这样三个Cycle后第一个PE会产生输出向量的第一项[公式]，同理第二个PE会产生输出向量的第二项[公式]。
有了以上的理解，TPU内，脉动阵列仔宽对三维张量的计算流程也很好理解。只要我们在横向连接PE的同时，也支持纵向连接，就会得到Google展示的架构：2D脉动阵列可以采用权值和输入分别移动，而输出固定的流动方式，生成结果的过程如下。

5. 谷歌号称实现的“量子霸权”，究竟霸了个什么权

前段时间，谷歌在 NASA 上发表了一篇论文草稿， 宣称“谷歌的 AI Quantum 研究小组的 53 量子比特处理器实现了“量子霸权，目前最强超算需要花费 10000 年的计算在量子计算机上只用 200 秒就够了” 。不过没多久这篇论文就被撤回了。

（ 利用可编程超导处理器实现量子优势 ）

虽说后来有人解释说是论文还在审查，被 NASA 提早发布了。可不是发了果照再撤回大家就能当没发生过。 又是最强又是霸权的，吃瓜群众早都兴奋了 。

连明年的美国总统候选人 Andrew Yang 都发声：世界上再没有破解不了的代码了。

霸权通常和地位联系在一起，像什么世界霸权，军事霸权，文化霸权什么的，很容易给人一种处在能够操控、压制他人的强势地位的感觉。一听到 XX 霸权这样的词语，总会让我们心头一颤。

那这个“量子霸权”究竟霸了个什么权，对我们又有什么影响呢？

为了不让大家产生什么误解，先告诉大家结论： “量子霸权”和我们所理解的霸权根本不是一回事 ，而且就目前来看， 短时间内也不会对我们带来任何影响 。

“量子霸权”，翻译自 Quantum Supremacy ，最早出现在 《 MIT Technology Review 》( 麻省理工 科技 评论，是由麻省理工学院出版的杂志 ) 关于谷歌与 IBM 开展量子计算研究竞争的评述中。

他们认为， 当量子计算机发展到 50 量子比特的时候，就能实现 “ 量子霸权 ”，超过世界上任何传统计算机，能够解决传统计算机解决不了的问题 。

如果不是很了解量子的概念，大可以先把量子计算机当成一种先进的电脑，量子比特当成一种特别的比特。

大家都知道传统计算机是靠数字 0 和 1 的二进制进行存储和运算的，一个比特代表一个数，一堆比特就成了数据。量子比特则是可以同时表达 1 和 0 的另类。

我们把小黑胖比作比特，方便大家理解。

小黑胖可以吃鸡腿，也能啃猪蹄，但从常识来说，同一时间他只能吃其中一种。

但量子小黑胖就不一样了， 他能在吃鸡腿的同时也在啃猪蹄 ，如果不掰开他的嘴看看，你永远不知道他吃什么。

于是有人预言，当 50 个量子小黑胖一起吃东西时，就能吃掉不管多少个普通小黑胖都没法在一顿饭的时间里吃掉的肉山。

可谁也不知道那么多量子小黑胖在一起会不会打起来；会不会干脆打起来了麻将，不吃东西了。

于是大家决定， 如果谁成功凑齐这么多量子小黑胖并让他们吃掉那座肉山，就说他实现了“ 量子霸权 ” 。

事情就是这样

相信有差友都开始骂人了， 这是哪门子的“ 霸权 ”啊？

虽然不存在什么量子小黑胖，也没人能一边吃鸡腿同时啃猪蹄，更理解不了为什么掰开嘴之后里边只剩下了一种食物，但“量子霸权”就是这么回事。

谷歌针对某个问题，弄出了这么一台量子计算机。然后证明了在这个问题上最厉害的超算都算不过量子计算机。

不过天见可怜，估计评述的作者也想不到，他只是想感慨量子计算机的算力优势，没想到这个单词在中国朋友这还有这么复杂的意思。

其实让托尼来形容，估计也想不出啥准确的词，或许可以叫 “ 量子牛逼 ” ？

至于它的算力有多强，给大家举个栗子。

0 就像硬币的正面， 1 就像硬币的反面，传统计算机里面，每次抛硬币要么是正面要么是反面。

如果扔两枚硬币，传统计算机要像小孩子一样，同一时刻只能在正正、正反、反正、反反这四种状态中选一种。而量子不做选择，所有状态同时全都要。

可能差友对这种近乎耍赖的行为没什么概念，那我们再换颗实际点的栗子。

大家说好去找万匹丝，路飞坐船从东海出发，你鸣人却用多重影分身分头找。还敢说你鸣本开没开挂！

虽说不管多么复杂的算法，通过不断重复的计算都能得到答案，但是有些问题算起来就是成千上万年，得到答案的时候可能早都不需要了。

为什么现在的人工智能更像个人工智障，为什么人类迟迟破了不了基因的秘密，为什么邮递员的最短路线算不出来。。。 还不是因为算不过来 ！

但这些为什么大部分都会在量子计算下被摧枯拉朽地解决。

毫无疑问，现在的密码对上量子计算机的下场只有一个， 输的连裤衩都不剩 。

传统加密方式在挂壁面前毫无意义，个人的、银行的、机关的，就连区块链的秘钥被试出来也就是分分钟的事。。。

现有的加密算法

不过这是“ 现在 ”的密码系统对比有了完善算法的“完全体”量子计算机的情况， 现在真正意义上的量子计算机还没影呢 。

2000 年时 IBM 首席科学家迪文森佐提出了量子计算机应该满足的五条标准， 可现在还没谁能全部达标（ 包括谷歌这次 ） ，谷歌这次的算法和密码破解也没一毛钱关系。

算力会进步，加密方式也在变强。

512 位的 RSA 加密算法在 1999 年就被破解了。

768 位的 RSA 加密算法也只撑了 10 年 。

虽然目前广泛采用的 RSA 1024 还好好的，但居安思危，早有人提议启用 RSA 2048 ，甚至是 RSA 4096 。

就连数字证书中常用的 SHA-1 算法，在 2017 年也被谷歌破解。

但，目前为止也没见哪个国家的核弹密匙被盗用。

退一万步 ，量子计算的对手也该是同样开挂的量子加密。

就像矛和盾，铁矛刺穿木盾当然毫不费力，但因此就说矛比盾强，边上的铁盾肯定不乐意。

道理是这么个道理，不过大家肯定还关心： 咱们国家有铁盾了没，厚实不？

虽然量子计算方面各国还是一个你追我赶的状态，但在量子加密领域我国可以说是一骑绝尘。

早在 2016 年，我国就已经把量子卫星“ 墨子号 ”送上天，并在 2017 年通过 “ 墨子号 ” 与奥地利科学家进行了量子加密的视频通话~

除了盾硬，矛也得造。政府的大力扶持， 科技 企业的不断投入， 我国在量子计算领域也稳坐第一梯队 。

阿里巴巴达摩院 2017 年就和中科院合作成立了 “ 中科院阿里巴巴量子计算实验室 ”，与一众 科技 巨头争夺 “ 量子霸权 ”。

华为投入研究量子计算之余，也在提升行业生态和人才基数：华为云提供云量子模拟，沃土计划培养未来量子计算人才。

“ 量子霸权 ”才是个开头呢，后面的 科技 竞争还需要源源不断的人才支撑。

托尼没这么大本事弄出一大块人才成长的沃土，但有平均水准超高的差友们啊！虽说没谁看这么篇文章就要努力研究量子 科技 去，但多少能让更多人知道量子计算是怎么回事。

哪怕只有一点点， 社会 关于量子 科技 的环境都在变好。

这就值了。

6. ai绠楀姏cpo鍥涘墤瀹㈡槸鍝鍑犱釜ai绠楀姏榫欏ご

銆銆"AI绠楀姏 CPO 鍥涘墤瀹"鎸囩殑鏄鍦ˋI绠楀姏棰嗗煙涓锛屽崜瓒婄殑浜у搧鍜屾湇鍔℃墍甯︽潵鐨勫洓澶ф牳蹇冧环鍊笺傚叾鍥涚嶅熀鏈鐨勬牳蹇冧环鍊间负锛
銆銆1. 楂樻晥鎬(Efficiency)锛氫富瑕佷綋鐜板湪涓篈I璁＄畻宸ヤ綔鎻愪緵鐨勯珮宄版ц兘鍔涳紝鍖呮嫭纭浠剁殑浼樺寲鍜岃蒋浠舵灦鏋勭殑浼樺寲銆
銆銆2. 绋冲畾鎬(Stability)锛氫綋鐜板湪鏈嶅姟鍜岀‖浠跺钩鍙扮殑楂樺彲闈犳с佽繍琛岀殑骞崇ǔ鎬у拰杩炵画鎬с
銆銆3. 鐏垫椿鎬(Flexibility)锛氫富瑕佹寚鍦ㄤ笉鍚岄渶姹傜殑鎯呭喌涓嬶紝澶勭悊娑堣垂鑰呯殑闇姹傛槸鍚﹁兘澶熸彁渚涘叏鏂逛綅鐨凙I绠楀姏澶勭悊锛屼粠鑰屼负娑堣垂鑰呮彁渚涙洿鐏垫椿鐨勯夋嫨甯傚満銆
銆銆4. 鎬т环姣(Cost-effectiveness)锛氫富瑕佷綋鐜板湪涓哄㈡埛鎻愪緵浜嗕环鏍煎悎鐞嗙殑楂樺搧璐ˋI绠楀姏鏈嶅姟锛屽苟涓斾笌鍏朵粬鍚岀被鍏鍙哥浉姣旓紝鎻愪緵鏇村ソ鐨勬т环姣斻
銆銆鍥犳わ紝"AI绠楀姏 CPO鍥涘墤瀹"鏄鎸囪繖鍥涗釜鏍稿績浠峰兼墍浠ｈ〃鐨勫叿浣撲骇鍝佸拰鏈嶅姟锛岃岃繖鍥涚嶄骇鍝佸拰鏈嶅姟鐨勬彁渚涜呭寘鎷琋VIDIA銆両ntel銆丄MD鍜孉rm绛夊叕鍙搞
銆銆AI绠楀姏 CPO 鍥涘墤瀹㈡寚鐨勬槸锛歂VIDIA銆佽嫳浼熻揪(AMD)銆丟oogle鍜孖ntel鍥涘跺叕鍙搞
銆銆杩欏洓瀹跺叕鍙搁兘鍦ㄤ汉宸ユ櫤鑳介嗗煙涓鍙戞尌鐫闈炲父閲嶈佺殑浣滅敤锛屼粬浠鐨勪骇鍝佸拰鎶鏈涓轰汉宸ユ櫤鑳藉簲鐢ㄦ彁渚涗簡涓嶅彲鎴栫己鐨勬敮鎸併傚叾涓锛孨VIDIA 琚璁や负鏄 GPU 鎶鏈鐨勪唬琛锛岃嫳浼熻揪鍒欐槸 CPU 棰嗗煙鐨勪紭绉浼佷笟锛孏oogle 鍒欓氳繃 TensorFlow 骞冲彴绛夊伐鍏凤紝鎺ㄥ姩浜嗘満鍣ㄥ︿範鎶鏈鐨勫彂灞曪紝鑰 Intel 鍒欏甫棰嗙潃琛屼笟鍚戠潃 AIoT 鏂瑰悜鍙戝睍銆
銆銆鍊煎緱娉ㄦ剰鐨勬槸锛岄殢鐫浜哄伐鏅鸿兘鐨勪笉鏂鍙戝睍锛屾柊鐨勬妧鏈鍜屼紒涓氫篃浼氫笉鏂娑岀幇锛屽洜姝よ繖涓鍚嶅崟鍙鑳戒細鏍规嵁甯傚満鍜屾妧鏈鐨勫彉鍖栬屽彂鐢熸敼鍙樸
銆銆ai绠楀姏cpo鍥涘墤瀹㈤氬父鎸囩殑鏄浜戣＄畻棰嗗煙鐨勫洓涓涓昏佸巶鍟嗭紝鍗充簹椹閫夾WS銆佸井杞疉zure銆佽胺姝孋loud鍜岄樋閲屼簯銆傝繖浜涘叕鍙告彁渚涗簡寮哄ぇ鐨勪汉宸ユ櫤鑳借＄畻鑳藉姏锛屽彲浠ュ府鍔╀紒涓氫互浣庡粔鐨勬垚鏈浣跨敤澶ц勬ā鐨凙I璁＄畻璧勬簮鏉ヨ繘琛屾暟鎹鍒嗘瀽銆佹満鍣ㄥ︿範绛変换鍔°