GPU 应用：从计算机图形学到人工智能

过去的十年中，深度学习（DeepLearning，DL）在各种人工智能研究领域取得了显着的成功。深度学习的最新成功是由于大量数据的可用性增加以及 GPU 的出现，显着增加了用于训练计算机的数据的广度和深度，并减少了所需的时间用于训练深度学习算法。

“大数据”一词最早出现在 1997 年 10 月由 Michael Cox 和 David Ellsworth 撰写的计算机科学文献中，该文章发表在 IEEE 第八届可视化会议论文集中，“ 针对核心外可视化的应用程序控制的需求分页 ” 。

该论文写道：“可视化给计算机系统带来了一个有趣的挑战：数据集通常很大，这给主内存，本地磁盘甚至远程磁盘的容量增加了负担。我们称此为大数据问题 。当数据集不能容纳在主存储器（核心）中，或者甚至不能容纳在本地磁盘中时，最常见的解决方案是获取更多资源。”该术语在学术界之外也曾使用过。

虽然深度学习算法的开发及其实际应用在 1980 年代和 1990 年代稳步发展，但它们受到计算机能力不足的限制。信息爆炸（根据牛津英语词典的说法，该术语在 1941 年首次使用）已经变成了大型数字数据爆炸。但是，可用数据的数量只是使深度学习成功的两个催化剂之一。另一个是 GPU。

到 2000 年代末，许多研究人员已经证明了 GPU 在深度学习（特别是对于人工神经网络训练）中的实用性。由新的编程语言（如 NVIDIA 的 CUDA）支持的通用 GPU 已应用于各种深度学习任务。此类应用程序中最明显的是上述 2012 年 ImageNet 挑战赛的冠军。

大数据同时也促进了计算机图形学的发展。到 1990 年代，实时 3D 图形在街机，计算机和游戏机游戏中变得越来越普遍，导致对硬件加速 3D 图形的需求增加。Sony 在 1994 年推出家用视频游戏机 PS1 时，首先将 GPU 一词称为 “几何处理单元”。

视频游戏渲染需要快速并行执行许多操作。图形卡具有较高的并行度和较高的内存带宽，但相对于传统 CPU 而言，其时钟速度较低且分支能力较低。碰巧，在人工神经网络上运行的深度学习算法需要类似的特性-并行性，高内存带宽，无分支。

在人工智能领域，搭建一套适合深度学习的环境需要高昂的成本，如何避免 AI 成为企业或者开发者成本的中心？运用青椒云 GPU 云电脑可以轻松获取强大的 GPU 计算能力。青椒云云电脑搭载多款高性能 GPU, 支持根据自身需求灵活搭配选择, 减少空间占用和机器运维费用，大幅度缩短训练环境部署时间。