大数据和机器学习AI芯片：GPU vs FPGA 云和本地部署的艰难选择

例如，当与ZDNet的贡献者和分析师Tony Baer讨论GPU数据库时，Baer认为他们没有未来。这是因为，根据Baer的说法，GPU的经济性使得只有云提供商能够大规模地积累和使用它，因此，GPU数据库供应商最终都会成为基于云的数据库提供者。

目前，一项此类收购，即巴西的Blazegraph收购，已经发生。虽然这确实有意义，但这不是唯一可行的方案。如果我们谈论收购，那么非云数据库供应商可能会购买GPU数据库，而这些供应商希望将这些功能带到他们的产品中。

一些GPU数据库供应商也有可能进入他们自己的行列。与现有企业相比，GPU数据库似乎不太成熟，但10年前许多NoSQL解决方案也是如此。 GPU数据库在日常运营和分析上有选择优势，但问题是替换现有系统支出的成本是否超出了性能的提升需求。

另一方面，Swarm64和rENIAC是FPGA产品，它们承诺尽可能保持您现有的基础架构不受影响，特别是在Swarm64的情况下。虽然它们的成熟度仍然是一个悬而未决的问题，但“简单地”将硬件添加到现有数据库并从中获得更好的性能的想法听起来很好。

就GPU与FPGA问题而言，GPU似乎拥有更广泛和更成熟的生态系统，但FPGA提供了卓越的灵活性。还有人建议FPGA可以提供更好的性能/功耗比，并且未来的GPU可能无法跟上低精度数据类型，因为它们必须重新设计以支持这一点。

哪一个最适合您 - GPU或FPGA？云还是本地部署？

就选择GPU或FPGA供应商而言，与选择云或本地部署这个问题交织在一起。 GPU，Azure，Google Cloud都提供GPU，所有这些GPU都使用Nvidia作为其支持GPU的实例。另一方面，FPGA在AWS（由Xilinx提供支持的EC2 F1）和Azure（由英特尔提供支持的Project Brainwave）上提供，但不在Google Cloud上提供。

AWS似乎没有为F1提供ML特定的设施。 Microsoft允许用户部署经过培训的ML模型，但是关于如何在FPGA驱动的实例上训练此类模型的信息并不多。就其本身而言，谷歌正在重视其定制TPU芯片。

就GPU与FPGA问题而言，GPU似乎拥有更广泛和更成熟的生态系统，但FPGA提供了卓越的灵活性。也有人认为，FPGA可以提供更好的性能/功耗比，并且未来的GPU可能无法跟上低精度数据类型，因为它们必须进行重新设计以支持这一点。

关于百万美元的构建费用问题 - 如果你用云或建立自己的基础设施 - 答案可能取决于：

如果基础设施足够使用，投资购买和安装自己的基础设施是有意义的，但偶尔使用云似乎更合适。但对于大多数情况，这种基础构建可能更适合混合部署。

另外，需要特别说明的是：如果你有一个Hadoop集群，那么为它添加GPU或FPGA功能可能更有意义，因为Hadoop已经升级，能够支持这两个选项。

当然，我们在构建这个生态系统时，还没有涵盖所有可能的选项 ----- 这些都不是唯一的云部署方式，也不是唯一的可选AI芯片。这是一个有许多新兴参与者的新生领域，我们可以参照选择的有很多。

（编辑：好传媒门户网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!