VMIVME-4199 Искусственный интеллект (ии) обладает потенциалом выйти за рамки всех преобразовательных инноваций, которые произошли в прошлом веке, и принесет обществу больше пользы, чем мы можем себе представить в таких областях, как здравоохранение, производительность, образование. Для того чтобы управлять этими сложными работами по ии, количество вычислений, необходимых глобальному центру данных, должно быть увеличено в экспоненциальном масштабе. Однако такая потребность в вычислении бесконечности также открывает серьезную проблему: центрам обработки данных необходимо большое количество энергии для того, чтобы управлять этой революционной технологией ии.
Сегодня дата-центр потребляет огромное количество электроэнергии — миру требуется 460 тераватт-час (TWh) электроэнергии в год по всему миру, что эквивалентно потреблению электроэнергии во всей германии. В то время как рост ии, как ожидается, утроит этот показатель к 2030 году, это означает, что он превысит общий расход электроэнергии в индии, самой густонаселенной стране в мире.
Будущая модель ии будет становиться все большеVMIVME-4199 и умнее, и в то же время увеличивать спрос на электроэнергию, стимулируя спрос на большую вычислительную мощность, что делает ее частью доброкачественного цикла. И поиск путей снижения спроса на электроэнергию в этих больших центрах обработки данных имеет решающее значение для достижения социальных прорывов и выполнения обязательств по ии.
Иными словами, без электричества не может быть ии, а компании должны переосмыслить, как реагировать на каждый аспект проблемы энергоэффективности.
Переосмысление будущего ии-будущего, управляемого Arm платформой
Первоначально Arm был разработан для использования аккумуляторов и способствовал изменениям в мобильных телефонах. Таким образом, энергетическая ДНК, внедренная глубоко в Arm, может заставить индустрию переосмыслить, как создать чип, чтобы удовлетворить растущие потребности ии.
В типичных серверах Один только вычислительный чип может VMIVME-4199 потреблять более 50% бюджета на электроэнергию. Команда инженеров ищет способы уменьшить эту цифру, и каждое сокращение ватта имеет решающее значение.
Из-за этого крупнейшие в мире производители облачных облаков ии перешли на Arm технологии для снижения энергопотребления. Последний процессор Arm Neoverse (Arm neoverse), ориентированный на облачный центр обработки данных, является наиболее эффективным и экономичным процессором, по сравнению с другими продуктами в этой отрасли. Neoverse предоставляет возможность настраивать чипы для оптимизации своей жёсткой рабочей нагрузки, обеспечивая при этом ведущую производительность и энергетические эффекты. Экономия каждого ватта может быть использована для достижения большего количества вычислений. Именно поэтому облачная служба amazon.com (AWS), microsoft, Google и Oracle теперь используют технологии Neoverse для обработки своих универсальных вычислений и обучения на основе ии, основанных на процессорах. Платформа Neoverse становится стандартом в области облачных центров данных.
Согласно недавнему выпуску в промышленности:
AWS Graviton, базирующаяся на Arm архитектуре: по сравнению с другими производителями в той же отрасли, у Amazon Sagemaker улучшился интеллект на 25%, веб-приложения на 30%, база данных на 40% и эффективность на 60%.
Google Cloud Axion, основанный на Arm архитектуре: его производительность и энергетические результаты увеличились на 50% и 60% соответственно по сравнению с традиционными архитектурами, которые могут обеспечить поддержку таких услуг, как Ай-и тренировка, YouTube, Google earth и т.д.
Microsoft Azure Cobalt, основанный на Arm архитектуре: производительность на 40% выше, чем у других продуктов, и поддержка услуг, таких как Microsoft Teams, подключенная к ускорителю Maia, управляющая архитектурой AI end-end.
Oracle Cloud использует Ampere Altra Max, основанную на архитектуре Arm: По сравнению с традиционными однообразными моделями, каждый сервер повышает производительность в 2,5 раза, уменьшается потребление энергии в 2,8 раза, и используется для создания таких моделей аргументации, как краткое резюме, маркировка данных для обучения большой лингвистической модели, а также для количественного использования аргументов.
Skip to content
Skip to footer