AI芯片初创企业探索落地路径

5) 缺乏标准化和统一性

团队经常无法将一项工作与利用率指标关联起来。没有标准的可视化工具来查看特定时间点的工作分配、利用率和容量。这使得识别效率低下的工作变得十分困难，而且难以确定浪费的工作量。机器学习已经达到了成熟的阶段，为了成长，必须对人工智能基础架构进行战略化发展。

(6) 无法控制优化策略

有些团队能识别低效率并计划好优化的基础架构策略，却缺乏执行这些策略上的工具。IT / DevOps团队需要控制人工智能工作负载，以优化资源管理。如果没有办法确定工作的优先级、配置计算模板以及监视工作负载的分配和利用率，就无法做出重大改进。

减少“计算债务”的策略

这一问题没有明确的解决方法，但是有一些方法可以提高资源管理的效率。

(1) 投资最先进的具有GPU加速技术的人工智能基础设施

GPU加速技术已经取得了一些成就。硬件和软件深度学习加速解决方案已经出现，可提供前所未有的计算性能。研究最新的GPU加速解决方案，采用真正的现代人工智能基础架构。

(2) 采用混合的云基础架构

结合公共云、私有云和本地资源可在运行人工智能工作负载方面更加敏捷和灵活。由于人工智能工作负载之间的负载类型差异很大，因此公司搭建了混合云基础架构后，能够更灵活地分配资源和自定义大小。可以使用公共云降低资本支出，并提供高计算需求期间所需的可伸缩性。

如果一些公司有着严格的安全性要求，则必须添加私有云，随着时间的推移可降低运营支出。混合云可实现必要的控制和灵活性，以改善资源预算。

(3) 利用估算工具估算GPU / CPU内存消耗

根据Microsoft Research对Microsoft的4960个失败的深度学习任务的研究，8.8%的失败是由GPU内存耗尽导致的，这是所有深度学习故障中最主要的问题。当前已经开发出许多估算工具用以预估GPU内存消耗以减少这些故障。此外，如果能够收集利用率数据，则可以使用此历史数据更好地预测每个季度的GPU / CPU和内存需求。
 

Python的发布计划将从18 个月缩减到 12 个月。

在 3.9 版本发布之前，Python原本的发布计划是间隔18个月一版的，而现在，它进入了为期12个月的发布时间表[PEP 602]。从前新版本每18个月才亮相一次，现在一年一换。这也意味着Python：

• 不再一次性上线大量新功能。
• 变化更循序渐进，但由于新功能的发布，修复将会更快完成。
• 发布日期更规律，新Python将在每年10月面世。

所以从本质上讲，本文主要关注12个月周期内较小的增量变化，而不是每18个月发生的较大变化。与此同时，预计开发速度将保持不变。

二、新功能

1. 类型提示

早在2008年，Python 3就引入了函数注释——类型提示的前身。它虽然不是特别强大，但是一个重要开端。

（编辑：济源站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!