Stále více systémů začíná integrovat funkce strojového učení a v poslední době i pokročilejší hluboké neuronové sítě. Umělá inteligence dokáže vyřešit spoustu problémů jednoduše a mnohem efektivněji, obzvláště pokud jde o zpracování velkého množství dat a vzorů.
Google si pro umělou inteligenci vyvinul i vlastní procesor, chce být nejchytřejší
Klasické univerzální procesory nejsou v tomto směru příliš efektivní a i když jsou na tom grafické čipy výrazně lépe a vznikají pro ně i specializované knihovny, nastává nová éra specializovaných čipů právě pro umělou inteligenci, které jsou z pohledu výkonu a spotřeby ještě mnohem efektivnější.
Wave Computing jde na to jako Google
Startup Wave Computing vyvíjí vlastní hardwarový čip DPU (DataFlow Processing Unit) a zároveň i kompletní počítač, který bude moci být součástí datacenter.
Masivně paralelní a zároveň programovatelná dataflow architektura, je dle tvrzení nejefektivnější na světě a to i ve srovnání se specializovanými FPGA čipy. 
Podobnost tak lze nalézt spíše se stále poměrně tajemným TPU od Googlu, který je určen pro akceleraci knihovny TensorFlow (taktéž od Googlu), která je k dispozici jako opensource.
Wave Computing se ale nesnaží o prosazení nějaké další vlastní knihovny, v tom by asi proti Googlu neměl sebemenší šanci, ale naopak podporuje jak zmíněný framework TensorFlow, tak i CNTK (Computational Network Toolkit) od Microsoftu.
Z pohledu hardwaru jde tak o konkurenci TPU od Googlu, ale znáte pořekadlo – „Nepřítel mého nepřítele je můj přítel“? Tak přesně v tomto případě to sedí právě pro DPU a TPU. A kdo je nepřítel? Nvidia, AMD, Intel a další.
Podporuje klasické i rychlé 3D paměti
Tvůrci by již brzy měli představit bližší detaily o architektuře, ale nyní je k dispozici jen pár dalších informací. Jednotlivé čipy jsou kompatibilní jak s běžnými paměťmi DDR, tak i druhou generací rychlých 3D pamětí HMC (Hybrid Memory Cube), které vyvíjí společnost Micron.
Spojit půjde desítky tisíc uzlů a vytvořit tak vysoký výkon v datacentru i pro nejnáročnější použití. Efektivity spotřeby a výkonu bude přitom dle tvrzení nejlepší na světě (Zdroj: Wave Computing)
Vysoká propustnost dat mezi jednotlivými čipy (HMC 2.0 nabízí až 480 GB/s) je právě klíčovou vlastností pro efektivní zpracování velkého množství dat, který je nutné pro analýzu a učení hlubokých neuronových sítí.
Hybridní složené paměti HMC 2.0 poskytují propustnost až 480 GB/s (Zdroj: Micron)
Jak je vidět na obrázku základní architektury spojení několika DPU, jednotlivé čipy mají k dispozici samostatné paměti DDR a v rámci společné sběrnice pak využívají paměti HMC. Už v roce 2013 se tvůrci pochlubili funkčním prototypem, který v rámci 28nm výroby pracoval na frekvenci přes 10 GHz.
Wave Computing oznámilo, že bude možné spojit až desítky tisíc výpočetních uzlů s DPU, takže půjde vytvořit skutečně obří datacentra s obrovskými možnostmi a výkonem v oblasti umělé inteligence. Podobným směrem jde ale i Google s TPU, který například spojením nespecifikovaného množství dokázal vytvořit systém AlphaGo, který porazil i toho nejlepšího lidského hráče Go na světě.
Padesátka patentů a možná akvizice
Hotové počítače postavené na čipech DPU by měly být dostupné během roku 2017, vybraní vývojáři ale dostanou přístup k hardwarové platformě už koncem tohoto roku.
Wave Computing má ve vedení zkušené experty. Šéfem je Derek Meyer, který dříve působil ve společnostech jako Sun Microsystems, Phillips, MIPS Technologies, ARC a dalších, technický ředitel Chric Nicol pak dříve založil a působil v australské pobočce Bell Labs Research.
Startup už se pyšní padesátkou patentů a prvními investory za zády. I když je hardwarový startup poměrně nákladnou záležitostí, Wave Computing má velmi slušnou naději do budoucna.
OpenAI chce lidstvo ochránit před zlou umělou inteligencí
Podle odhadů trhu se totiž umělá inteligence dostane do budoucna takřka do všech segmentů služeb a produktů jak v soukromé, tak i komerční sféře. Wave Computing se tak může stát novým Intelem nebo také být v budoucnu odkoupen právě některým z velkých hráčů jako je Intel, Nvidia, AMD nebo případně i Googlem, Microsoftem či dokonce Applem.
Nvidia: strojové učení není segment, je to budoucnost všeho
V oblasti umělé inteligence se totiž ukazuje, že velké technologické společnosti začínají držet všechny kritické částí celé skládačky a dávno už se nejedná výhradně například o softwarové společnosti. Pro lepší konkurenceschopnost se snaží vytvářet vlastní optimalizované servery, celá datacentra a teď už i vlastní čipy.
Apple na tuto strategii v rámci mobilních zařízení přešel už poměrně dávno (Apple A4) a vzhledem k tomu, že se snaží udržet většinu umělé inteligence v samotném zařízení a nikoli v cloudu jako třeba Google, lze čekat i nějaké specializované akcelerační obvody ať už v rámci nových generací čipů Apple AX nebo jako samostatné čipy na hlavní desce budoucích iPhonů nebo iPadů.
Apple má tisíc inženýrů, kteří se soustředí na vývoj úsporných čipů
