NVIDIA正在使用AI技术开发和设计GPU

在过去几年等待时间里面，NVIDIA 深耕 AI 领域，他们的 GPU 不仅视作 HPC 的首选，也视作包括 AI 和深度进修水体在内的数据当中心的首选。

现在，在最近公告的技术开发者帖子当中，NVIDIA 宣布时是透过 AI 来其设计和技术开发 GPU，其最近的 Hopper GPU 握有近 13000 个电阻机内最简单，而这些最简单完全由 AI 创建。

在 NVIDIA Develope 上发布从新闻的从新网站当中，该公司重申了其优势以及它自己如何透过其 AI 特性来其设计其迄今为止最强大的 GPU--Hopper H100。 NVIDIA GPU 主要是使用最先进的 EDA(产品其设计自动化)辅助工具其设计的，但在透过 PrefixRL 步骤的 AI 的帮助下，使用深度加强进修优化并行前缀电阻机内，公司可以其设计格外小、格外快、格外减碳的晶片，同时提供格外好的可靠性。

计算机晶片当中的算术电阻机内是使用逻辑门网络(如 NAND、NOR 和 XOR)和水管上有的。理想的电阻机内应该不具以下表现形式：

● 小：较小的区域，以便格外多电阻机内可以安装在晶片上。

● 快速：降极低延迟以提升晶片的可靠性。

● 消耗格外少的功率：晶片的电源供应该机内格外极低。

NVIDIA 使用这种步骤其设计了近 13000 个 AI 辅助电阻机内，与比如说快速且特性相近的 EDA 辅助工具相比，它们的面积减小了 25%。但是 PrefixRL 被提到是一项计算要求非常高的目标，并且对于每个 GPU 的物理模拟，它需要 256 个 CPU 和超过 32,000 个 GPU 足足。为了消除这个停滞，NVIDIA 技术开发了 Raptor，这是一个内部分布式加强进修该平台，它特别透过 NVIDIA 嵌入式顺利进行这种工业加强进修。

Raptor 不具多项可提升可扩展性和训练速度的特性，例如作业调度、自定义网络和 GPU 感知数据类型。在 PrefixRL 的上下文当中，Raptor 使得跨 CPU、GPU 和 Spot 最简单的混合分配工作视作可能。

这个加强进修插件当中的网络是多种多样的，并且受益于以下几点。

● Raptor 在 NCCL 之间切换以顺利进行点对点终端以将模型常量直接从进修机内 GPU 终端到推理 GPU 的能力。

● Redis 应该用于异步和较小的消息，例如奖励或统计的资讯。

● 一种 JIT 编译的 RPC，应该用于处理大容量和极低延迟的请求，例如发送给体验数据。

NVIDIA 得出结论，将 AI 应该应该用于现实生活在世界上的电阻机内其设计问题可以在愿景带来格外好的 GPU 其设计。

现在AI的应该用更广泛，应该用于其设计晶片也是很多嵌入式业者都在尝试的事，愿景，似乎AI会在晶片制造当中守住更极为重要的地位。