Es scheint, dass das neue Motto von Silicon Valley in den letzten Jahren lautete: “Daten sind das neue Öl”, und das aus gutem Grund. Die Zahl der Unternehmen, die KI-Technologien für maschinelles Lernen einsetzen, ist in die Höhe geschossen, und selbst einige Jahre, nachdem alles ernsthaft begonnen hat, wächst die Zahl weiter. Diese Form der KI ist nicht mehr nur eine akademische Arbeit oder ein merkwürdiges Forschungsprojekt, sondern maschinelles Lernen ist zu einem wichtigen Bestandteil des Unternehmensmarktes geworden, und es ist schwierig, die Auswirkungen auf die Unternehmenshardware sowohl beim Einkauf als auch im Unternehmen zu überschätzen die Entwicklung. Dies ist das Zeitalter der KI.
Auf den ersten Blick scheint die Hardwareauswahl für diese Art von Anwendung einfach zu sein: Intel Xeon-CPU für Datenvorverarbeitung und -speicherung, NVIDIA-GPU für (fast) alle KI. Tatsächlich ist dies seit mehreren Jahren weitgehend der Fall. Die Konkurrenten von NVIDIA waren jedoch nicht die ganze Zeit untätig, und dies gilt insbesondere für Intel, dessen Anteil am Unternehmensmarkt letztendlich all dies bedroht. Von dedizierten Inferenzprozessoren mit geringem Stromverbrauch bis hin zu zweckoptimierten Xeons betrachtet Intel alle Ebenen des KI-Marktes. Das Nettoergebnis ist, dass die KI unter all diesen Konkurrenten aus verschiedenen Richtungen angegangen wird und der bescheidene Kampf um die KI-Ära meiner Meinung nach unglaublich interessant ist.
Werfen wir heute einen Blick auf das Herzstück der Intel-Hardware für künstliche Intelligenz, Intels skalierbare Xeon-Prozessoren der zweiten Generation, besser bekannt als „Cascade Lake“. Diese neuen Prozessoren wurden Anfang dieses Jahres eingeführt und basieren immer noch auf derselben Skylake-Kernarchitektur wie Produkte der ersten Generation, enthalten jedoch mehrere neue Anweisungen zur Beschleunigung der KI-Leistung.
Und wenn es um neue Technologien geht, ist dies ohne Zweifel der interessanteste Aspekt von Cascade Lake. Obwohl wir über die allgemeine Verbesserung der CPU-Leistung um 3-6%, die 56 teuersten Intel-Prozessorkerne aller Zeiten und die “Weltrekord-Benchmarks” sprechen könnten, sind diese kleinen Verbesserungen für die nahe und mittelfristige Zukunft in der IT-Welt. Siehe die erste Folie von Intel Press & Analyst Briefing.
Internet der Dinge, Datentechnologie und KI. Ein Großteil des IT-Wachstums, der Innovation und der Zukunft wird hier sein. Und hier will Intel sein.
NVIDIA hat derzeit ein virtuelles Monopol auf den “sexiesten” Teil dieses Marktes, dh Deep Learning und “massiv parallele” HPC-Software. Aufgrund des Zusammenflusses von Faktoren auf der Hardware- und Softwareseite läuft der größte Teil dieser Software auf GPUs und NVIDIA-Clustern. Für die breite Öffentlichkeit scheint NVIDIA den “KI-Markt” zu haben, ein Bild, das nicht ungenau, aber auch nicht vollständig ist. Der KI-Markt bietet viel mehr als nur die Inferenz neuronaler Netze. Insbesondere wird alles vernachlässigt, was zur Bereitstellung von Daten für das KI-Modell erforderlich ist. Neuronale Netze und Abschlussroboter sind daher die Schlagzeilen, auch wenn sie nur ein Teil des Bildes sind. In Wirklichkeit ähnelt die Webverarbeitung für KI-Anwendungen eher der folgenden Abbildung.
Kurz gesagt, die tatsächliche Ausführung von Code für maschinelles Lernen ist nur ein sehr kleiner Teil der Softwaretools, die zum Erstellen und Verwenden von KI erforderlich sind.
Bevor Sie beginnen, müssen Sie Daten erfassen, dekomprimieren, filtern, neu anordnen, zuordnen und mischen. Sobald alles sortiert und gemischt ist, müssen Sie die Daten hinzufügen. Da ML-Algorithmen große Datenmengen benötigen, um gute Vorhersagen zu treffen, kann dies viel Speicherplatz beanspruchen. Warum? Gehen wir etwas tiefer.
