認(rèn)知計(jì)算是IBM提出的概念，認(rèn)為“認(rèn)知計(jì)算”是通過與人的自然語言交流及不斷地學(xué)習(xí)，從而幫助人們做到更多的系統(tǒng)，是從硬件架構(gòu)到算法策略、從程序設(shè)計(jì)到行業(yè)專長(zhǎng)等多個(gè)學(xué)術(shù)領(lǐng)域的結(jié)合，能夠使人們更好地從海量復(fù)雜的數(shù)據(jù)中獲得更多洞察，從而做出更為精準(zhǔn)的決策。IBM清晰地把認(rèn)知計(jì)算定義為——具備規(guī)?；瘜W(xué)習(xí)、根據(jù)目標(biāo)推理以及與人類自然互動(dòng)能力的系統(tǒng)。

　　認(rèn)知計(jì)算和大數(shù)據(jù)分析有何區(qū)別?

大數(shù)據(jù)分析屬于認(rèn)知計(jì)算的一個(gè)維度。與大數(shù)據(jù)相比，認(rèn)知計(jì)算的范圍更廣、技術(shù)也更為先進(jìn)。

認(rèn)知計(jì)算和大數(shù)據(jù)分析有類似的技術(shù)，比如大量的數(shù)據(jù)、機(jī)器學(xué)習(xí)(MachineLearning)、行業(yè)模型等，大數(shù)據(jù)分析更多強(qiáng)調(diào)的是獲得洞察，通過這些洞察進(jìn)行預(yù)測(cè)。此外，傳統(tǒng)的大數(shù)據(jù)分析會(huì)使用模型或者機(jī)器學(xué)習(xí)的方法，但更多的是靠專家提供。

對(duì)于認(rèn)知計(jì)算而言，洞察和預(yù)測(cè)只是其中的一種。但是，認(rèn)知計(jì)算更為強(qiáng)調(diào)人和機(jī)器之間自然的交互，這些維度都不是傳統(tǒng)的大數(shù)據(jù)分析所強(qiáng)調(diào)。

此外，認(rèn)知計(jì)算目前成長(zhǎng)很快的一個(gè)領(lǐng)域?yàn)樯疃葘W(xué)習(xí)(DeepLearning)，它的學(xué)習(xí)方法與傳統(tǒng)方法不同，更多的是基于大量的數(shù)據(jù)通過自學(xué)的方式得到這樣的模型，而不需要很多的人為干預(yù)，這個(gè)從學(xué)習(xí)方法來講和大數(shù)據(jù)分析有很多不同的地方。

CPU、GPU、ASIC等傳統(tǒng)計(jì)算資源的瓶頸

近十年來，人工智能又到了一個(gè)快速發(fā)展的階段。深度學(xué)習(xí)在其發(fā)展中起到了中流砥柱的作用，盡管擁有強(qiáng)大的模擬預(yù)測(cè)能力,深度學(xué)習(xí)還面臨著超大計(jì)算量的問題。在硬件層面上，GPU、ASIC、FPGA都是解決龐大計(jì)算量的方案。

在2006年的時(shí)候，人們還是用串行處理器處理機(jī)器學(xué)習(xí)的問題，當(dāng)時(shí)Mutch 和 Lowe開發(fā)了一個(gè)工具FHLib(feature hierarchy library)用來處理hierarchical 模型。對(duì)于CPU來說，它所要求的編程量是比較少的并且有可遷移性的好處，但是串行處理的特點(diǎn)變成了它在深度學(xué)習(xí)領(lǐng)域的缺點(diǎn)，而這個(gè)缺點(diǎn)是致命的。時(shí)至今日，據(jù)2006年已經(jīng)過去了十年，過去的十年集成電路的發(fā)展還是遵循著摩爾定律，CPU的性能得到了極大的提升，然而，這并沒有讓CPU再次走入深度學(xué)習(xí)研究者的視野。盡管在小數(shù)據(jù)集上CPU能有一定的計(jì)算能力表現(xiàn)，多核使得它能夠并行處理，然而這對(duì)深度學(xué)習(xí)來說還是遠(yuǎn)遠(yuǎn)不夠的。

GPU：雖然走進(jìn)了研究者的視線，相比于CPU，GPU的核心數(shù)大大提高了，這也讓它有更強(qiáng)大的并行處理能力，它還有更加強(qiáng)大的控制數(shù)據(jù)流和儲(chǔ)存數(shù)據(jù)的能力。在 Chikkerur進(jìn)行了CPU和GPU在處理目標(biāo)識(shí)別能力上的差別，最終GPU的處理速度是CPU的3-10倍。

ASIC：專用集成電路芯片(ASIC)由于其定制化的特點(diǎn)，是一種比GPU更高效的方法。但是其定制化也決定了它的可遷移性低，一旦專用于一個(gè)設(shè)計(jì)好的系統(tǒng)中，要遷移到其它的系統(tǒng)是不可能的。并且，其造價(jià)高昂，生產(chǎn)周期長(zhǎng)，使得它在目前的研究中是不被考慮的。

FPGA是計(jì)算的未來?

FPGA：FPGA在GPU和ASIC中取得了權(quán)衡，很好的兼顧了處理速度和控制能力。一方面，F(xiàn)PGA是可編程重構(gòu)的硬件，因此相比GPU有更強(qiáng)大的可調(diào)控能力;另一方面，與日增長(zhǎng)的門資源和內(nèi)存帶寬使得它有更大的設(shè)計(jì)空間。更方便的是，F(xiàn)PGA還省去了ASIC方案中所需要的流片過程。FPGA的一個(gè)缺點(diǎn)是其要求使用者能使用硬件描述語言對(duì)其進(jìn)行編程。但是，已經(jīng)有科技公司和研究機(jī)構(gòu)開發(fā)了更加容易使用的語言比如Impulse Accelerated Technologies Inc. 開發(fā)了C-to-FPGA編譯器使得FPGA更加貼合用戶的使用，耶魯?shù)腅-Lab則開發(fā)了Lua腳本語言。這些工具在一定程度上縮短了研究者的開發(fā)時(shí)限，使研究更加簡(jiǎn)單易行。

Linux On Power+GPU+FPGA=面向未來的認(rèn)知計(jì)算

創(chuàng)新的Linux on power結(jié)合FPGA、GPU的計(jì)算模式，這也許是面向未來的認(rèn)知計(jì)算最佳架構(gòu)。

IBM在2015年宣布了與FPGA芯片設(shè)計(jì)商Xilinx進(jìn)行“為期數(shù)年的戰(zhàn)略協(xié)作”。兩家公司將聯(lián)起手來，通過OpenPOWER Foundation致力于找到更好的方法處理機(jī)器學(xué)習(xí)、網(wǎng)絡(luò)功能虛擬化(NFV)、基因、高性能計(jì)算和大數(shù)據(jù)分析等應(yīng)用程序。

IBM的開發(fā)人員將針對(duì)OpenStack、Docker和Spark建立解決方案堆棧，結(jié)合了基于POWER的服務(wù)器，并具備Xilinx FPGA加速器。

此外，McCredie還宣布該公司將把POWER 8芯片同Nvidia Tesla K80 GPUs結(jié)合在一起，使用NVIDIA的高速NVLINK互聯(lián)。兩家OEM——Penguin Computing和E4 Engineering將會(huì)把基于OpenPOWER設(shè)計(jì)理念的系統(tǒng)推向市場(chǎng)。

據(jù)IBM內(nèi)部測(cè)試顯示，與基于英特爾E5-2699 V3處理器的服務(wù)器相比，新Power Systems LC服務(wù)器能夠以不到前者一半的成本運(yùn)行Twitter簡(jiǎn)訊分析、網(wǎng)頁(yè)視圖顯示等數(shù)據(jù)密集型工作負(fù)載，為客戶每一美元的成本支出提供領(lǐng)先于前者2.3倍的性能。憑借其高效率的設(shè)計(jì)，LC服務(wù)器在相同的機(jī)架空間里能夠比基于英特爾處理器的同等服務(wù)器多運(yùn)行94%的Spark社交媒體工作負(fù)載。

用于商業(yè)計(jì)算和高性能計(jì)算的2插座2U Power Systems S822LC配備最多20個(gè)核、1TB內(nèi)存和230GB/秒內(nèi)存帶寬。用于高性能計(jì)算的S822LC還配備NVIDIA特斯拉加速計(jì)算平臺(tái)的旗艦組件——兩個(gè)集成的NVIDIA Tesla K80 GPU加速器。與配置類似、基于x86架構(gòu)的E5-2699 V3服務(wù)器相比，兩款S822LC產(chǎn)品能夠提供領(lǐng)先于前者逾2倍的單核性能、高于前者40%的性價(jià)比以及在滿內(nèi)存配置情況下超過2倍的內(nèi)存帶寬。