Intel Xeon Cascade Lake vs. NVIDIA Turing: un análisis en IA

Intel Xeon Cascade Lake vs. NVIDIA Turing: un análisis en IA
5 (100%) 5 votos

Parece que el nuevo lema para Silicon Valley en los últimos años ha sido "Los datos son el nuevo petróleo", y por una buena razón. La cantidad de empresas que emplean tecnologías de inteligencia artificial basadas en el aprendizaje automático ha explotado, e incluso unos años después de que todo esto haya comenzado en serio, esas cifras continúan creciendo. Esta forma de IA ya no es solo una tesis académica o un curioso proyecto de investigación, sino que el aprendizaje automático se ha convertido en una parte importante del mercado empresarial, y el impacto en el hardware empresarial, tanto en compras como en desarrollo, sería difícil de exagerar. Esta es la era de la IA.

A primera vista, las opciones de hardware para este tipo de aplicaciones parecen simples: CPU Intel Xeon para almacenar y preprocesar datos, GPU NVIDIA para (casi) todo AI. Y, de hecho, este ha sido el caso en los últimos años. Sin embargo, los competidores de NVIDIA no han estado de brazos cruzados todo el tiempo, y eso se aplica especialmente a Intel, cuya participación en el mercado empresarial amenaza todo esto. Con todo, desde procesadores de inferencia de baja potencia dedicados hasta Xeons optimizados para un propósito, Intel está apuntando a todos los niveles del mercado de IA. El resultado neto es que entre todos estos competidores, estamos viendo que la IA se aborda desde muchas direcciones diferentes, y la batalla de hardware para la era de la IA es increíblemente interesante en nuestra humilde opinión.

Recomendamos:  Intel Performance Maximizer es una herramienta automática de overclocking de CPU

Hoy echamos un vistazo a lo que tal vez sea el corazón del hardware de Intel en el espacio de inteligencia artificial, los procesadores Xeon escalables de segunda generación de Intel, mejor conocidos como "Cascade Lake". Introducidos un poco a principios de este año, estos nuevos procesadores todavía se basan en la misma arquitectura central de Skylake que los productos de primera generación, pero incorporan una serie de nuevas instrucciones para acelerar el rendimiento de la IA.

Y en lo que respecta a las nuevas tecnologías, este es sin duda el aspecto más interesante de Cascade Lake. Si bien podríamos hablar sobre la mejora general del rendimiento de la CPU del tres al seis por ciento, los 56 núcleos del procesador más caro de Intel y los "puntos de referencia de récord mundial", estas pequeñas mejoras son casi irrelevantes para el futuro a corto y mediano plazo del Mundo de TI. Basta con mirar la primera diapositiva de la rueda de prensa y analista de Intel.

Intel Xeon Cascade Lake vs. NVIDIA Turing: un análisis en IA 1

Internet de las cosas, ingeniería de datos e IA. Ahí es donde estará una gran parte del crecimiento, la innovación y el futuro de TI. Y aquí es donde Intel quiere estar.

En este momento, NVIDIA tiene un monopolio virtual en la parte "más sexy" de este mercado, que es el aprendizaje profundo y el software "HPC masivamente paralelo". Gracias a una confluencia de factores en el lado del hardware y el software, la mayoría de este software se ejecuta en GPU y clústeres de NVIDIA. Entonces, para el público en general, parece que NVIDIA posee el "mercado de IA", una imagen que no es inexacta, pero tampoco completa. Hay mucho más en el mercado de IA que solo la inferencia de redes neuronales, y en particular, todo lo que tiene que pasar para alimentar el modelo de IA con datos recibe muy poca atención. Como resultado, son las redes neuronales y los robots Terminator los que obtienen todos los titulares, a pesar de que son solo una parte de la imagen. En realidad, el procesamiento web para aplicaciones de IA es mucho más parecido a la imagen a continuación.

Recomendamos:  Fortuna Rune activada en Loot Lake y gatillos de humo en el volcán

Intel Xeon Cascade Lake vs. NVIDIA Turing: un análisis en IA 2

En resumen, la ejecución real del código de aprendizaje automático es solo una parte muy pequeña de las herramientas de software necesarias para construir una aplicación de inteligencia artificial.

Antes de que pueda comenzar, debe ingerir datos, descomprimirlos, filtrarlos, reordenarlos, asignarlos y barajarlos. Una vez que todo está ordenado y barajado, debe agregar los datos. Como los algoritmos de ML necesitan grandes cantidades de datos para producir buenas predicciones, eso puede requerir mucho tiempo de memoria. ¿Por qué? Profundicemos un poco más.

Dejános tus Comentarios: