天天看點

玩元宇宙需要多少算力?英特爾:現在的再增加一千倍

選自 the Verge

機器之心編譯

機器之心編輯部

是時候給元宇宙潑一波冷水了。

在元宇宙(metaverse)這條賽道上,英特爾并未缺席。

英特爾本周首次就元宇宙發表聲明稱未來将有一個與實體世界平行存在的虛拟世界,但同時也提出了一個關鍵的問題:幾乎沒有足夠的處理能力來實作元宇宙。

英特爾進階副總裁兼加速計算系統和圖形部門負責人 Raja Koduri 稱:「元宇宙可能是繼網際網路和移動端之後下一個主要的計算平台。」但 Koduri 很快就給元宇宙即将到來的想法潑了一盆冷水,他表示:「我們今天的計算、存儲和網絡基礎設施根本不足以實作這一願景。」

至關重要的是,Koduri 甚至不認為我們已具備接近實作的條件。他說:「實作元宇宙所需的算力将是現在全部算力的 1000 倍。」

玩元宇宙需要多少算力?英特爾:現在的再增加一千倍

Raja M. Koduri 是英特爾加速計算系統和圖形 (AXG) 集團的進階副總裁兼總經理。

許多元宇宙炒作都是圍繞人們具體所做的事情建立的,無論是虛拟現實會議還是數字音樂會,當然還有基于區塊鍊和 NFT 的內建。還有在虛拟和增強現實耳機方面也有很多令人興奮的進展,包括 Meta 的 Quest 等。

但元宇宙的實際建構塊不僅僅是軟體和虛拟空間,或者是耳機等可穿戴工具。元宇宙的未來将依托龐大的計算機和伺服器叢集來運作巨大的共享虛拟世界。而英特爾在這一點上擁有最多的現實經驗,他們認為今天的計算機不夠強大,無法實作元宇宙,甚至還差得很遠。

Meta 的旗艦 VR 空間 Horizon Worlds 最多可容納 20 名參與者。對于最基本的 Roblox 風格的動畫世界,最先進的 VR 技術仍然需要數千美元的 PC 遊戲硬體,而且還存在很多缺陷。

正如 Koduri 所指出的那樣,目前的技術甚至無法僅将兩個人置于真正詳細的虛拟環境中。想象一下實作這一點需要什麼?

逼真的服裝、頭發和膚色...... 所有的一切都需要實時渲染,并且要基于捕捉真實世界 3D 對象、手勢、音頻等;

以超高帶寬和極低延遲進行資料傳輸;

整個環境的持久模型,其中可能包含真實和模拟元素......

這僅适用于兩個人的虛拟環境,根本無法擴充到數億使用者,而 Ready Player One、Snow Crash 或 Matrix 風格的元宇宙概念則需要更多的計算基礎設施。

當然這對英特爾來說也未嘗不是件好事,因為這需要大量更先進的計算機和伺服器。作為為消費類裝置和資料中心等制造 CPU 和 GPU 的公司,如果元宇宙需要将計算能力提高 1000 倍,那麼英特爾等企業也會從中獲益。

玩元宇宙需要多少算力?英特爾:現在的再增加一千倍

英特爾的目标是在未來實作 10 倍半導體密度,再将晶片面積擴大 30-50%,同時尋找超越經典半導體的方法。

但問題是,即使是英特爾也不認為僅靠硬體就能讓我們達到 1000 倍的算力。正如 Koduri 在接受 Quartz 采訪時解釋的那樣:「我們認為标準的摩爾定律曲線隻能讓我們在未來五年内實作約 8 倍或 10 倍的增長。」

相反,Koduri 樂觀地預測算法和軟體的改進将彌補差距,例如機器學習驅動的神經網絡,或是英特爾已經用于其 Deep Link 技術的人工智能增強型計算技術等。不過,英特爾指望算法或人工智能在其現有硬體路線圖的基礎上,将計算能力提高一百倍(或更多),這仍是個巨大的問題。

Koduri 在 Quartz 的采訪中還指出,改進軟體和算法不僅是縮小實作差距所必需的,還對減少能源消耗至關重要。

「軟體将填補硬體留下的任何空白」,這種說法似乎是在袖手旁觀。但現實是許多大型科技公司都認為 AI 和機器學習将解決他們的計算問題,從改善智能手機相機到提供更新的遊戲視覺效果,方方面面都将依賴于人工智能。

然而,在硬體改進就隻能實作 10 倍提升的情況下,依靠軟體和算法來實作 100 倍的計算提升仍是一項艱巨的任務。真正實作元宇宙還有很長的路要走。

https://www.theverge.com/2021/12/15/22836401/intel-metaverse-computing-capability-cpu-gpu-algorithms

蘇黎世聯邦理工DS3Lab:建構以資料為中心的機器學習系統

蘇黎世聯邦理工學院(ETH Zurich) DS3Lab實驗室由助理教授張策以及16名博士生和博士後組成,主要緻力于兩大研究方向,Ease.ML項目:研究如何設計、管理、加速以資料為中心的機器學習開發、運作和運維流程,ZipML項目:面向新的軟硬體環境設計實作高效可擴充的機器學習系統。

12月15日-12月22日,來自蘇黎世聯邦理工學院DS3Lab實驗室的11位嘉賓将帶來6期分享:建構以資料為中心的機器學習系統,詳情如下:

繼續閱讀