Deep-Learning-Hardware

Spezielle Chipsätze beschleunigen Künstliche Intelligenz

Immer mehr Unternehmen produzieren spezielle KI-Chips. Sie sollen die Hauptprozessoren entlasten und Deep Learning auch auf Kleingeräte wie das Smartphone bringen.

KI-Chips beschleunigen Deep Learning

KI-Chips beschleunigen Deep Learning

Künstliche Intelligenz in der Praxis heißt heute in erster Linie: Neuronale Netze und Deep Learning. Beides ist zu verblüffenden Leistungen fähig. Vor allem bildanalysierende und -erzeugende Neuronetze sind um einige Größenordnungen besser als jede andere Möglichkeit. Ein sehr eindrückliches Beispiel zeigt die Website „This Person does not exist“: Sie erzeugt Fotos von Menschen, deren Gesichtszüge vollständig künstlich über ein Neuronetz entwickelt werden.

Solche Anwendungen, aber auch prosaische Business-Lösungen für Machine Learning stellen recht hohe Anforderungen an die Rechenleistung. Oft werden neuronale Netze mit Grafikchips simuliert., denn die Rechenoperationen dafür sind eng verwandt mit denen für die Darstellung von Grafiken. So gehören Dutzende bis hunderte von typischen Grafikkarten aus dem Hause NVIDIA zu jedem KI-Projekt dazu.

Doch inzwischen hat die KI eine neue Grenze erreicht: Vor allem Datenanalysen, aber auch Forschungsprojekte erfordern viel kostenträchtige Rechenleistung. Darüber hinaus begrenzt der Hardware-Aufwand das Einsatzgebiet von KI-Lösungen. Deshalb ist der Gedanke naheliegend, spezielle KI-Prozessoren zu entwickeln, die besonders kostengünstig sind oder geringe Baugrößen haben.

Technische Varianten von KI-Chips

Technische Möglichkeiten gibt es viele, angefangen mit der Integration von KI-Funktionen in einen herkömmlichen Hauptprozessor (CPU). Eine Alternative ist die stärkere Spezialisierung von Grafikprozessoren (GPUs) auf Neuronetze. Doch daneben etablieren sich andere Chipsätze, die in Standardcomputern normalerweise nicht genutzt werden. Dies sind beispielsweise FPGAs (Field Programmable Gate Arrays), deren programmierbare Schaltungsstrukturen die Simulation von Neuronetzen erlauben. Sie gelten als kosteneffizient, da sie einerseits schnell hergestellt, andererseits rekonfigurierbar sind.

Eine andere Möglichkeit sind ASICs (Application-Specific Integrated Circuits), die eine anwendungsspezifische, aber fest verdrahtete Schaltungsstruktur anbieten. Auch hier können neuronale Netze „eingebrannt“ werden, sie sind im Unterschied zu FPGAs aber immer nur für einen Zweck geeignet. Beide Chipsätze-Varianten haben den Vorteil geringen Stromverbrauchs. Zudem ist es möglich, einfache Rechenoperationen mit sehr hoher Geschwindigkeit zu verarbeiten.

Eine alternative Möglichkeit sind SoCs (System on Chip). Dabei wird auf einem einzelnen Chip nicht nur eine KI-Komponente integriert, sondern ein gesamtes Computersystem. Die SoCs eignen sich besonders für Anwendungen im Rahmen des IoT als sogenanntes Edge-Device, dass IoT-Geräten bestimmte Rechenleistungen anbietet. Sie können beispielsweise als „Zweitcomputer“ in die IoT-Hardware integriert werden, sodass die Rechenleistung der Hauptprozessoren für andere Zwecke erhalten bleibt.

Gefragter Job: Prozessordesigner

Vermutlich wird jede Art von KI-Chipsatz in der Praxis in unterschiedlichen Bereichen eingesetzt werden. So eignen sich FPGAs für Prototyping und Forschung, ASICs dagegen eher für Massenproduktion von KI-gestützten Geräten. SOCs sind sinnvoll für KI im Internet der Dinge und die immer leistungsfähiger werdenden GPUs werden wohl in erster Linie großen Cloud-Rechenzentren eingesetzt.

Der Gesamtmarkt für diese Hardware wird von KI-Spezialisten wie Tractica auf deutlich mehr als 72 Milliarden US-Dollar im Jahr man sich 25 eingeschätzt. Wichtigste Beschleuniger des Gesamtmarkts sind dabei KI auf Mobilgeräten und Edge-Devices. Letztere sollen alleine für 55 Milliarden US-Dollar Umsatz verantwortlich sein.

Eindeutiger Marktführer bleiben aber auch weiterhin NVIDIA und Intel. Sie sind Spezialisten im Prozessordesign und verfügen über das entsprechende Know-how. Denn ein großes Hindernis für Startups oder kleinere Unternehmen in diesem Bereich ist der Mangel an Fachwissen. Genauer gesagt: Die Nachfrage nach Expertise nimmt zu, die Anzahl der Informatiker mit KI-Abschlüssen ist allerdings nicht gestiegen.

Bildquelle: archy13 / Getty Images

©2020Alle Rechte bei MEDIENHAUS Verlag GmbH

Unsere Website verwendet Cookies, um Ihnen den bestmöglichen Service zu bieten. Durch die weitere Nutzung der Seite stimmen Sie der Verwendung zu. Weitere Infos finden Sie in unserer Datenschutzerklärung.

ok