IBM公司在21世紀早期引進了Watson，從而進入了人工智能現在的周期，并且從那時候開始在不斷加大力度。最近，IBM發(fā)布了PowerAI，IBM的軟件工具包解決方案與OpenPower系統配合使用，針對那些不想完全從頭開始開發(fā)自己的AI解決方案，但是仍然希望定制滿足自己特定深度學習需求的企業(yè)。如今，IBM Research公布了一項新突破，這將只會進一步加強PowerAI和其它的AI產品，這是一個在過去六個月中我所看到的突破性的分布式深度學習軟件。

擺脫單點瓶頸

所有一直關注人工智能的人都知道，深度學習在近幾年才真正發(fā)展起來。它為商業(yè)領域和消費者的百個應用程序提供支持，并且在持續(xù)增加。然而，阻礙深度學習進一步激增的最大問題之一是可擴展性問題�，F在大多數AI服務器只是一個單一的系統，而不是多個系統的組合。最流行的開源深度學習軟件框架在多個服務器上表現不佳，造成了一個耗時的瓶頸。換句話說，盡管許多數據科學家已經可以訪問4到8個GPU服務器，他們不能利用它擴展到單個節(jié)點之外，到目前為止，這個軟件并不是為此而設計的。

輸入IBM DDL庫：這個庫使用IBM Research的獨特集群方式構建，連接到領先的開源AI框架（如：TensorFlow， Caffee， Torch， 和Chainer）。通過DDL，這些框架能擴展到數十臺IBM服務器，利用數百個GPU—一種舊的晝夜不同的處理模型。為了描繪一張照片，當IBM最初試圖用 ImageNet－22K 數據集來訓練一個模型時，使用ResNet－101模型，在一臺Power “Minsky” 服務器上，加上4臺英偉達P100 GPU加速器，花費16天。16天的訓練意味著大大延遲了洞察力，以及嚴重阻礙生產力。

IBM稱DDL為“深度學習的噴氣式引擎”—一個吸引人的名字，確實不太離譜。IBM表示，使用DDL技術，能夠在64臺Power “Minsky”服務器上，一共256個英偉達的P100GPU，將相同的流程縮減到7個小時。讓我重申一下：16天縮減到7個小時。如果這些結果精確的話，那么為什么IBM認為它可以真正的改變游戲規(guī)則？在7個小時內，IBM的新的圖像識別準確度33．8％的記錄，超過了微軟在業(yè)界創(chuàng)立的10天精確度29．9％的記錄。為了完成這一切，IBM表示，DDL可以高效擴展，上升到256個GPU，Caffe深度學習框架的效率提升到95％。

測試版已經上線

開發(fā)者不用非要等到嘗試這項新技術。IBM research正在為IBM系統提供一個DDL測試版，IBM系統現在已經發(fā)布了新版本IBM PowerAI （TensorFlow 和 Caffe，  Torch 和 Chainer 即將推出）的第四個版本。我認為這將是IBM電源系統的一個重要的補充，他被稱作“瑞士軍刀加速器”—標準PCI Express、CAPI和NVLink標準，都被封裝在一個平臺上。

關于DDL，另外一個需要特別注意的是，它將不僅可以在本地使用，還可以在云端使用—通過云端服務商Nimbix提供。今天的異構環(huán)境，靈活性是顯而易見的。開發(fā)者能夠在Nimbix者在IBM Power系統服務器上，使用測試版本。

總結

很有意思的事情是，這項新技術是來自于IBM，而不是其它如谷歌或者Facebook，這樣更大更響亮的AI組件支持者。看起來，IBM能夠繼續(xù)攜“第一”到桌面上，IBM不僅是企業(yè)領的主要參與者，還在深度學習領域也是。DDL和OpenPOWER是秘密資源—我相信未來將給IBM所需要的結果—大大縮短訓練時間，提高精確度和效率。我認為消除了瓶頸，DDL有潛力去實現打開深度學習的門閘。這對IBM、PowerAI和OpenPOWER是真正改變游戲規(guī)則。