IBM一直在努力促使計算機(jī)變得更智能化、更人性化。本周該公司宣布，已經(jīng)開發(fā)出一種技術(shù)，可以大幅縮短處理海量數(shù)據(jù)并得出有用結(jié)論的時間。

IBM使用的“深度學(xué)習(xí)”技術(shù)是人工智能（AI）的一個分支，可模仿人腦的工作原理。它也是微軟、Facebook、亞馬遜和谷歌的重大關(guān)注焦點(diǎn)。

IBM的目標(biāo)是將深度學(xué)習(xí)系統(tǒng)消化數(shù)據(jù)所需要的時間從數(shù)天縮短到數(shù)小時。IBM研究所的IBM研究員和系統(tǒng)加速及記憶主管希拉里·亨特（Hillery Hunter）說，這些改進(jìn)可以幫助放射學(xué)家更快、更準(zhǔn)確地找到病變部位，并讀取大量醫(yī)學(xué)圖像。

到目前為止，深度學(xué)習(xí)主要是在單一服務(wù)器上運(yùn)行的，因?yàn)樵诓煌嬎銠C(jī)之間移動大量數(shù)據(jù)的過程太過復(fù)雜。而且，如何在許多不同服務(wù)器和處理器之間保持?jǐn)?shù)據(jù)同步也是一個問題。

IBM在周二的公告中說，已經(jīng)開發(fā)出了能夠?qū)⑦@些任務(wù)分配到64臺服務(wù)器的軟件，這些服務(wù)器總共有256個處理器，可在速度方面取得巨大飛躍。凡是擁有IBM Power系統(tǒng)服務(wù)器的用戶，以及其他想要測試的技術(shù)人員，均可獲得這項(xiàng)技術(shù)。

IBM使用了64個自主開發(fā)的Power 8服務(wù)器，每一個都將通用的英特爾微處理器和英偉達(dá)圖形處理器連接起來，并使用快速的NVLink連接，以促進(jìn)兩種芯片之間的數(shù)據(jù)流傳輸。

在此之上，IBM采用了技術(shù)人員所說的集群技術(shù)來管理所有這些移動部件。集群技術(shù)可在給定服務(wù)器的多個處理器和其他63個服務(wù)器中的處理器之間充當(dāng)通信警察。

如果流量管理不正確，一些處理器就會閑置，處于“吃不飽”的狀態(tài)。每個處理器都有自己的數(shù)據(jù)集，同時還需要來自其他處理器的數(shù)據(jù)，以獲得更大的圖像。亨特解釋說，如果處理器不同步，它們就學(xué)不到任何東西。

亨特告訴《財富》雜志:“我們的想法是改變你訓(xùn)練深度學(xué)習(xí)模式的速度，并真正提高你的工作效率。”

亨特說，將深度學(xué)習(xí)從一個帶有8個處理器的服務(wù)器擴(kuò)展到64個服務(wù)器，每個服務(wù)器有8個處理器，可以將性能提高50-60倍。

Pund-IT公司創(chuàng)始人查爾斯·金（Charles King）對IBM的項(xiàng)目印象深刻，他說后者已經(jīng)找到了一種“擴(kuò)大”系統(tǒng)的方法，額外增加的處理器能提高性能。

例如，在理論上，將處理器擴(kuò)容100%應(yīng)該獲得100%的性能提升。但實(shí)際上，由于復(fù)雜的管理和連接問題，這種效益永遠(yuǎn)不會發(fā)生。

但I(xiàn)BM稱，其系統(tǒng)通過由加州大學(xué)伯克利分校創(chuàng)建的“咖啡因”深度學(xué)習(xí)框架，在256個處理器之間實(shí)現(xiàn)了95%的擴(kuò)展效率。之前的記錄是由Facebook人工智能研究公司創(chuàng)造的，擴(kuò)展效率達(dá)到了89%。

“IBM最新95%的擴(kuò)展效率似乎太好了，不可能是真的，”帕特里克·莫海德（Patrick Moorhead）說，他是德克薩斯州奧斯丁市一家研究公司的總裁和創(chuàng)始人。

IBM表示，在圖像識別方面，IBM系統(tǒng)再次使用了“咖啡因”框架，在7個小時內(nèi)識別了750萬張圖片，準(zhǔn)確率達(dá)到了33.8%。微軟之前的記錄是29.8%，而達(dá)到這一準(zhǔn)確率花了10天時間。

用外行人的話來說，IBM聲稱已經(jīng)開發(fā)出了比現(xiàn)有深度學(xué)習(xí)技術(shù)更快、更精確的技術(shù)。當(dāng)然，它還需要使用IBM的Power系統(tǒng)硬件和集群軟件。

除了“咖啡因”框架，IBM還表示，流行的谷歌TensorFlow框架同樣可以在這種新技術(shù)上運(yùn)行。莫海德說，值得注意的是，IBM在運(yùn)用自己在高性能計算方面的專業(yè)知識，同時，也采納諸如Tensorflow和“咖啡因”之類的外部資源，這種做法有助于該項(xiàng)技術(shù)更廣泛地適用于一系列深度學(xué)習(xí)應(yīng)用。（斯眉）