作者 | 鸽子
今天的朋友圈,被英伟达给炸了。
怎么回事呢?
话说,英伟达这货最近悄然修改了用户许可协议(EULA),禁止在数据中心使用消费者级显卡 GeForce 做深度学习。用什么呢?强制用其高端处理器 Tesla 系列。
GeForce 和 Tesla 这两者有什么区别?
来看一组数据:
GeForce GTX 1080: PASCAL; 2560 CUDA cores; 8 TFLOPS (single-prec); 8 GB GDDRX5 320 GB/s; max 180 W.
Tesla P100: PASCAL; 3584 CUDA cores; 9.3 TFLOPS (single-prec); 16 GB HBM2 732 GB/s; max 250 W.
解读一下,业内专注于 AI 芯片的某资深人士告诉 AI 科技大本营,论单卡,geforce 的性能还大于 tesla,虽然 geforce 阉割掉了一些功能,但是频率一般比 tesla 高。阉割掉的功能,很多都跟深度学习关系不大,比如 ecc 内存,double 数据类型。
论起 GeForce 做深度学习,"满大街 1080ti 训练神经网络性价比不要太高",这位资深人士强调到。
反正一句话,GeForce 和 Tesla 架构类似,甚至更好用,但后者价格是前者的 10 倍。你买不买?嘿嘿不好意思,只要你是数据中心,不买也得买!
这是赤果果的敲诈吗?凭什么不能用便宜的?你英伟达这是利用市场主导地位强制用户买单,给用户玩阴招吗?
当然,需要指出的是,英伟达仅仅限制在数据中心使用 GeForce 做深度学习,一般的高校和研究所等非商业用户,并不会受什么影响。
甭管什么情况,反正后果是,一石激起千层浪,海外各大社区开始炸锅。
论坛社区的言论主要分为三派:谴责,冷静,力挺。
营长就这三方观点,分别扒了一扒,如下:
三方观点纷争:谴责,冷静,力挺强烈谴责派,Like this:"只要是数据中心做深度学习项目就必须购买高价的 Tesla 才行?便宜又好用的 GeForce 系列就这样不让用了?"
"凭什么仅仅因为放在数据中心,价格就要上涨 10 倍?"
"这让初创公司怎么活啊?"
"阴险的英伟达,下一步估计会让 cuDNN 之类的基础软件在 GeForce 上跑起来一色的 bug,这样,用户就没法拿 GeForce 偷偷做深度学习了。"
"准备转向英特尔的 Nervana 和 AMD 了。"
冷静分析派,Like this:"到时候 Volta 或者更新架构的 GeForce 出来后,估计只有 Cuda Core,没有 Tensor Core。CuDNN 会针对 Tensor Core 做性能优化,因为 Tensor Core 本身并非给 3D 图形准备的。"
力赞力挺派,Like this:"NVIDIA 这么做无可厚非,也很难有人竞争得过。这不过是个陷阱,让这些芯片厂商以为服务端芯片有机可图,大肆押注在这个领域,然后 NVIDIA 自己腾出手去做边缘和端上智能。即便后面硬件厂商做出了产品,nvidia 也有市场价格等多种手段对付。"
"NVIDIA 至少在五年前就开始投入研发 volta 架构,前后投入 30 亿美金,无论远见还是执行力,都要领先对手至少三年以上。我猜测 NVIDIA 还有后手,下一代 GPU 还会有更强的改进。"
无论论坛的声音是怎样?一个不容忽视的现实是,就在英伟达威震四方之际,英特尔,AMD 正在奋起直追,而且相比英伟达,他们各有优势。
英伟达的市场垄断地位到底还能维持多久?在英伟达日渐嚣狂的气焰下,英特尔和 AMD 当下究竟有着怎样的潜力?到底决定深度学习芯片霸主地位的关键点是什么?
来看看大神 Tim Dettmers 笔下的芯片三国杀。
以下内容来自 Tim Dettmers 的一篇文章,AI 科技大本营编译(翻译 | 林椿眄)
AMD,Nervana 加入深度学习芯片竞争,便宜专一又强大,英伟达的霸主地位到底还能保持多久?随着 NVIDA Titan V 显卡的发布,我们现在进入了深度学习的过渡阶段。
目前深度学习芯片市场的竞争已经进入白热化,AMD 和 Intel Nervana 公司都有望在新一年挑战 NVIDA 的霸主地位。而对于消费者来说,我无法向他们推荐哪一款硬件最理想。最谨慎的选择是待目前硬件的过渡期过后再做出选择。这可能需要 3 个月,也可能需要 9 个月。
那么为什么我们才刚刚迈入深度学习硬件的过渡期呢?NVIDA 公司豪言已出,要在行业竞争出现之前,就实现其在深度学习硬件市场的垄断地位,并通过圈住大量的财富来捍卫之后 1 至 2 年的领先地位。新一代 Titan V 显卡的售价为 3000 美元,对于以张量为计算核心的深度学习领域来说,它将很好地满足深度学习的性能要求。
但是,由于 Titan V 显卡在性价比方面很糟糕,对客户的购买吸引力并不大。然而,目前市场上缺少替代品,对于深度学习领域的研究者来说,昂贵的 Titan V 就成了唯一的选择。
行业间的竞争非常激烈。我们所拥有的 AMD 硬件现在已经超过 NVIDA 硬件的性能了,并计划将硬件组装起来生产出一些实际可用的深度学习软件。随着这一步的实现,AMD 硬件的性价比将全面超越 NVIDA 显卡,而 AMD 硬件也将成为新的行业领先者。
但是,NVIDA 公司有钱啊,强大的资金优势,足以与 AMD 抗衡。所以,竞争得加剧,将使得我们未来可以看到更多高性价比的 NVIDA 显卡。
值得注意的是,竞争只有在 AMD 公司能够进一步成功地推进深度学习软件开发才能实现。如果 AMD 公司失败了,那么 NVIDA 公司将继续保持目前在硬件领域的领先地位, 而 NVIDA 显卡也将继续保持高价。
以神经网络处理器为核心硬件的 Intel Nervana 公司是深度学习硬件市场的另一竞争者。Intel Nervana 公司的硬件有其独特性,对 CUDA 开发人员有着巨大的吸引力。当我想要为深度学习优化编写 CUDA 的内核时,以神经网络处理器为核心的 Intel Nervana 硬件能够解决我遇到的问题。这是第一个真正意义上的深度学习芯片。
一般来说,单就芯片性能的排名,将是 Nervana>AMD>NVIDA。
NVIDA 公司硬件必须同时服务于游戏 / 深度学习 / 高性能计算等多个领域的需求,AMD 公司硬件只需要为游戏 / 深度学习服务,而 Nervana 的硬件可以专注于为深度学习服务。这也是 Nervana 的巨大优势所在。对于深度学习硬件来说,设计的构架越集中,深度学习的芯片就越少。
然而,真正的赢家并不是纯粹靠性能表现来决定的,甚至也不能简单地靠成本来衡量。这是由成本 / 性能 + 社区 + 深度学习框架共同决定的。
让我们来详细地看看 Nervana,AMD 以及 NVIDA 公司的目前各自的情况。
Nervana:神经网络处理器来源: http://blog.csdn.net/dQCFKyQDXYm3F8rB0/article/details/78906291