220亿晶体管，IBM机器学习专用处理器NorthPole，能效25倍提升

PHPz

发布时间：2023-10-23 15:13:01

1059人浏览过

来源于机器之心

转载

ibm 再度发力。

随着 AI 系统的飞速发展，其能源需求也在不断增加。训练新系统需要大量的数据集和处理器时间，因此能耗极高。在某些情况下，执行一些训练好的系统，智能手机就能轻松胜任。但是，执行的次数太多，能耗也会增加。

幸运的是，有很多方法可以降低后者的能耗。IBM 和英特尔已经试验过模仿实际神经元行为设计的处理器。IBM 还测试了在相变存储器中执行神经网络计算，以避免重复访问 RAM。

现在，IBM 又推出了另一种方法。该公司的新型 NorthPole 处理器综合了上述方法的一些理念，并将其与一种非常精简的计算运行方法相结合，从而创造出一种能高效执行基于推理的神经网络的高能效芯片。在图像分类或音频转录等方面，该芯片的效率是 GPU 的 35 倍。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

220亿晶体管，IBM机器学习专用处理器NorthPole，能效25倍提升

官方博客：https://research.ibm.com/blog/northpole-ibm-ai-chip

NorthPole 的不同之处

NorthPole 与传统的 AI 处理器不同

首先，NorthPole 对训练神经网络的需求没有任何帮助，它纯粹是为执行而设计的。

其次，它不是通用的 AI 处理器，而是专门为以推理为重点的神经网络设计的。所以，如果你想用它推理、找出图像或音频片段的内容等，那么它就对了。但如果你需要运行一个大型语言模型，这款芯片看起来就没有什么太大用处了。

最后，虽然 NorthPole 借鉴了神经形态计算芯片的一些理念，但它并不是神经形态硬件，因为它的处理单元执行的是计算，而不是模拟实际神经元使用的脉冲通信。

NorthPole 和之前的 TrueNorth 一样，由一个大型计算单元阵列（16×16）组成，每个单元都包含本地内存和代码执行能力。因此，神经网络中各种连接的所有权重都可以准确地存储在需要的地方。

他还有一个特点是广泛的片上网络，至少有四种不同的网络。其中一些网络将已完成计算的信息传送到下一个需要它们的计算单元。其他网络则用于重新配置整个计算单元阵列，在上一层计算仍在进行时，提供执行一层神经网络所需的神经权重和代码。最后，优化相邻计算单元之间的通信。这对于在图像中寻找物体边缘等情况非常有用。如果在输入图像时将相邻像素分配给相邻的计算单元，它们就能更轻松地合作识别出跨越相邻像素的特征。

除此之外，NorthPole 的计算资源也不同寻常。每个单元都经过优化，可执行精度较低的计算，精度从 2 bit 到 8 bit 不等。为了保证这些执行单元的使用，它们不能根据变量值执行条件分支。也就是说，使用者的代码不能包含 if 语句。这种简单的执行方式使每个计算单元都能进行大规模并行执行。在 2 bit 精度下，每个单元可并行执行 8000 多次计算。

配套软件

由于这些独特设计，NorthPole 团队需要开发自己的训练软件，以计算出每一层成功运行所需的最低精度水平。在芯片上执行神经网络也是一个相对不寻常的过程。

一旦神经网络的权重和连接被置于芯片上的缓冲区，执行时只需要一个外部控制器上传它要运行的数据，并告诉它开始运行。其他一切运行都无需中央处理器参与，这也限制了系统级功耗。

220亿晶体管，IBM机器学习专用处理器NorthPole，能效25倍提升

一点PPT

一句话生成专业PPT，AI自动排版配图

下载

NorthPole 测试芯片采用 12 纳米工艺制造，远远落后于前沿技术。尽管如此，他们还是成功地在 220 亿晶体管上安装了 256 个计算单元，每个单元拥有 768 KB 的内存。当该系统与采用类似工艺制造的英伟达 V100 Tensor Core GPU 相比时，可以发现 NorthPole 在相同功耗下的计算能力是后者的 25 倍。

在相同的条件下，NorthPole 的性能比最先进的 GPU 高出约五倍。对该系统的测试表明，它还能高效执行一系列广泛使用的神经网络任务。

如何快速掌握复杂的电路仿真设计利用豆包AI进行理论与实践步骤指导

如何零基础学会利用AI进行内容创作利用DeepSeek制定全套学习成长计划

Symphony— OpenAI 开源的 Agent 编排系统

如何解决代码中难以排查的性能瓶颈利用ChatGPT提供针对性优化建议

如何零基础入门AI提示词工程利用DeepSeek官方教程实现技能进阶

相关专题

if什么意思

if的意思是“如果”的条件。它是一个用于引导条件语句的关键词，用于根据特定条件的真假情况来执行不同的代码块。本专题提供if什么意思的相关文章，供大家免费阅读。

847

2023.08.22

http与https有哪些区别

http与https的区别：1、协议安全性；2、连接方式；3、证书管理；4、连接状态；5、端口号；6、资源消耗；7、兼容性。本专题为大家提供相关的文章、下载、课程内容，供大家免费下载体验。

2915

2024.08.16

TypeScript类型系统进阶与大型前端项目实践

本专题围绕 TypeScript 在大型前端项目中的应用展开，深入讲解类型系统设计与工程化开发方法。内容包括泛型与高级类型、类型推断机制、声明文件编写、模块化结构设计以及代码规范管理。通过真实项目案例分析，帮助开发者构建类型安全、结构清晰、易维护的前端工程体系，提高团队协作效率与代码质量。

2026.03.13

Python异步编程与Asyncio高并发应用实践

本专题围绕 Python 异步编程模型展开，深入讲解 Asyncio 框架的核心原理与应用实践。内容包括事件循环机制、协程任务调度、异步 IO 处理以及并发任务管理策略。通过构建高并发网络请求与异步数据处理案例，帮助开发者掌握 Python 在高并发场景中的高效开发方法，并提升系统资源利用率与整体运行性能。

2026.03.12

C# ASP.NET Core微服务架构与API网关实践

本专题围绕 C# 在现代后端架构中的微服务实践展开，系统讲解基于 ASP.NET Core 构建可扩展服务体系的核心方法。内容涵盖服务拆分策略、RESTful API 设计、服务间通信、API 网关统一入口管理以及服务治理机制。通过真实项目案例，帮助开发者掌握构建高可用微服务系统的关键技术，提高系统的可扩展性与维护效率。

177

2026.03.11

Go高并发任务调度与Goroutine池化实践

本专题围绕 Go 语言在高并发任务处理场景中的实践展开，系统讲解 Goroutine 调度模型、Channel 通信机制以及并发控制策略。内容包括任务队列设计、Goroutine 池化管理、资源限制控制以及并发任务的性能优化方法。通过实际案例演示，帮助开发者构建稳定高效的 Go 并发任务处理系统，提高系统在高负载环境下的处理能力与稳定性。

2026.03.10

Kotlin Android模块化架构与组件化开发实践

本专题围绕 Kotlin 在 Android 应用开发中的架构实践展开，重点讲解模块化设计与组件化开发的实现思路。内容包括项目模块拆分策略、公共组件封装、依赖管理优化、路由通信机制以及大型项目的工程化管理方法。通过真实项目案例分析，帮助开发者构建结构清晰、易扩展且维护成本低的 Android 应用架构体系，提升团队协作效率与项目迭代速度。

2026.03.09

JavaScript浏览器渲染机制与前端性能优化实践

本专题围绕 JavaScript 在浏览器中的执行与渲染机制展开，系统讲解 DOM 构建、CSSOM 解析、重排与重绘原理，以及关键渲染路径优化方法。内容涵盖事件循环机制、异步任务调度、资源加载优化、代码拆分与懒加载等性能优化策略。通过真实前端项目案例，帮助开发者理解浏览器底层工作原理，并掌握提升网页加载速度与交互体验的实用技巧。

102

2026.03.06

Rust内存安全机制与所有权模型深度实践

本专题围绕 Rust 语言核心特性展开，深入讲解所有权机制、借用规则、生命周期管理以及智能指针等关键概念。通过系统级开发案例，分析内存安全保障原理与零成本抽象优势，并结合并发场景讲解 Send 与 Sync 特性实现机制。帮助开发者真正理解 Rust 的设计哲学，掌握在高性能与安全性并重场景中的工程实践能力。

227

2026.03.05

热门下载

网站特效

网站源码

网站素材

前端模板