La potenza di calcolo per l’AI è inadeguata, Ibm ha la risposta

La capacità di calcolo per le applicazioni di intelligenza artificiale è inadeguata. A dirlo è Ibm, e sembrerebbe difficile crederlo pensando ai grandi data center del cloud, in continua espansione, e ai supercomputer (cioè i sistemi di High Performance Computing, Hpc) in dote ai più importanti centri di ricerca e università. La stessa Ibm ha cercato di democratizzare l’accesso all’intelligenza artificiale con soluzioni di Hpc distribuite attraverso l’iniziativa World Community Grid.

Ma oggi la maggior parte delle applicazioni di AI si basano ancora su Cpu generiche, per quanto potenti, e su Gpu create per il gaming. Per colmare questo vuoto i colossi dei semiconduttori, come Intel e la stessa Ibm, e grandi operatori di data center come Google stanno accelerando nella progettazione di chip specifici per l’intelligenza artificiale. “La potenza di calcolo si sta esaurendo”, spiega Ibm. “I modelli di AI stanno crescendo esponenzialmente, ma l’hardware che serve per allenare ed eseguire questi giganti su server nel cloud o su dispositivi edge, come gli smartphone e i sensori, non ha fatto progressi altrettanto rapidi”.

E così è nata la Artificial Intelligence Unit (Aiu), cioè il primo system-on-chip completo di Ibm pensato per eseguire e allenare modelli di deep learning, una declinazione del machine learning che riproduce i modelli di ragionamento umani, basati su diversi livelli di rappresentazione. Tecnicamente si tratta di un Asic (application-specific integrated circuit) progettato per applicazioni di deep learning e che può essere programmato per eseguire qualsiasi task di “ragionamento profondo” in modo più efficiente e rapido di quanto non farebbe una Cpu.

“Un’auto con motore a gasolio potrebbe funzionare anche a diesel, ma se l’obiettivo è ottimizzare la velocità e l’efficienza, allora serve il giusto carburante”, scrive Ibm. Fuor di metafora, l’azienda ha spiegato che la flessibilità e la precisione di calcolo delle Cpu sono un vantaggio quando si tratta di gestire applicazioni di altro tipo, ma diventano degli svantaggi nel training e nell’esecuzione di programmi di deep learning. Qui non serve un’eccessiva precisione, mentre è necessario gestire grandi quantità di operazioni di AI in parallelo. 

“Non stiamo calcolando traiettorie per l’atterraggio di un veicolo spaziale o determinando il numero di peli di un gatto”, spiega l’azienda. “Stiamo facendo previsioni e prendendo decisioni che non richiedono niente di simile a quella risoluzione granulare”. Dunque, con una tecnica sviluppata da Ibm già da qualche anno e chiamata calcolo approssimativo (approximate computing), è possibile passare da una piattaforma di calcolo a 32-bit ai formati bit che contengono un quarto dei dati e che, per il training e l’esecuzione di un algoritmo, possono eseguire molti meno calcoli numerici senza però sacrificare l’accuratezza. Inoltre possono spostare i dati sulla o dalla memoria in modo molto più rapido.

Ibm Artificial Intelligence Uniti (Aiu)

La Artificial Intelligence Unit include 32 nodi di calcolo e contiene 23 miliardi di transistor. Oltre che per attività di deep learning, è anche progettata per funzionare come una scheda grafica di facile utilizzo all’interno di qualsiasi computer o server dotato di interfaccia PCIe. Questa nuova piattaforma non nasce dal nulla: è una “versione mignon” dell’acceleratore di AI presente nel processore Telum di Ibm, quello impiegato nel supercomputer z12. Tutti questi prodotti sono stati sviluppati all’interno dell’AI Hardware Center, creato nel 2019 da Ibm con una missione: migliorare l’efficienza dell’hardware per l’AI di 2,5 volte ogni anno. Entro il 2029 sarà possibile allenare ed eseguire modelli di AI mille volte più velocemente di quanto non si potesse fare dieci anni prima.