英伟达探索COPA多芯片GPU模块架构以满足不断变化的数据需求,芯片,GPU模块架构-智能制造网

英伟达探索COPA多芯片GPU模块架构以满足不断变化的数据需求

导读：得益于固有的功能和优化，图形处理单元(GPU)已成为大量深度学习(DL)研究项目的首选。

　　当前的深度学习应用，正收到复杂性增长、资源需求多样化、以及现有硬件架构的限制。不过近日，英伟达研究人员发表了一篇技术文章，概述了该公司对多芯片模块(MCM)的探索。具体说来是，该团队讲述了“可组合封装”(COPA)GPU 的各项优势，尤其是能够适应各种类型的深度学习工作负载。

　　得益于固有的功能和优化，图形处理单元(GPU)已成为大量深度学习(DL)研究项目的首选。但由于传统融合 GPU 解决方案正迅速变得不太实用，研究人员才想到到 COPA-GPU 的理念。

　　这些融合 GPU 解决方案依赖于由传统芯片组成的架构，辅以高带宽内存(HBM)、张量核心(NVIDIA)/ 矩阵核心(Matrix Cores)、光线追踪(RT)等专用硬件的结合。

　　此类硬件或在某些任务下非常合适，但在面对其它情况时却效率低下。与当前将所有特定执行组件和缓存组合到一个包中的单片 GPU 设计不同，COPA-GPU 架构具有混合 / 匹配多个硬件块的能力。

　　如此一来，它就能够更好地适应当今高性能计算(HPC)只能够呈现的动态工作负载、以及深度学习(DL)环境。

　　这种整合更多功能和适应多种类型工作负载的能力，可带来更高水平的 GPU 重用。更重要的是，对于数据科学家们来说，这使得他们更有能力利用现有资源，来突破潜在的界限。

　　尽管经常混为一谈，但人工智能(AI)、机器学习(ML)和深度学习的概念，却有着明显的区别。DL 可视作 AI 和 ML 的子集，主要通过各种过滤器来预测和分类信息，来模拟人脑的信息处理方式。

　　作为诸多自动化 AI 功能背后的技术支撑，深度学习可助力其实现各项功能 —— 涵盖从自动驾驶、到监控金融系统的欺诈活动等领域。

　　另一方面，MCM 概念已于过去几年被炒得火热(其实可追溯到 70~80 年代的 IBM 气泡内存 / 3081 大型机)，且 AMD 等厂商早已将小芯片 / 芯片堆叠技术作为其下一代产品的重要演变。

　　(原标题：英伟达探索COPA多芯片GPU模块架构以满足不断变化的数据需求)