在过去几年时间里，NVIDIA 深耕 AI 领域，他们的 GPU 不仅成为 HPC 的首选，也成为包括 AI
和深度学习生态系统在内的数据中心的首选。在最新公布的开发者博文中，NVIDIA
宣布正利用 AI 来设计和开发 GPU，其最新的 Hopper GPU 拥有将近 13000 个电路实例，而这些实例完全由 AI
创建。
在 NVIDIA Develope 上发布的新博客中，该公司重申了其优势以及它自己如何利用其 AI 功能来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(电子设计自动化)工具设计的，但在利用 PrefixRL 方法的 AI
的帮助下，使用深度强化学习优化并行前缀电路，公司可以设计更小、更快、更节能的芯片，同时提供更好的性能。
计算机芯片中的算术电路是使用逻辑门网络(如 NAND、NOR 和 XOR)和电线构成的。理想的电路应具有以下特点：
● 小：较小的区域，以便更多电路可以安装在芯片上。
● 快速：降低延迟以提高芯片的性能。
● 消耗更少的功率：芯片的功耗更低。
NVIDIA 使用这种方法设计了近 13000 个 AI 辅助电路，与同样快速且功能相同的 EDA 工具相比，它们的面积减少了 25%。但是
PrefixRL 被提到是一项计算要求非常高的任务，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
小时。为了消除这个瓶颈，NVIDIA 开发了 Raptor，这是一个内部分布式强化学习平台，它特别利用 NVIDIA 硬件进行这种工业强化学习。
Raptor 具有多项可提高可扩展性和训练速度的功能，例如作业调度、自定义网络和 GPU 感知数据结构。在 PrefixRL 的上下文中，Raptor
使得跨 CPU、GPU 和 被称为「瑞士钟表业教父」的LVMH旗下宇舶表董事局主席JeanClaudeBiver曾经说过这样一句话「看时间是手表最不重要的功能」，这也是他对于「为什么戴手表」的一种回应。手表的本意是指戴在手腕上、用以计时、显示时间的实用工具。而今随着计时工具的普遍化，其作用不在注重计时功能，这种大大超出其本身功能价值的小物件，更多的是一种饰物，象征着体现出配饰者的品味。在西方政治哲学中，评价一个社会的进步，是要看它是否抛弃了功能主义而实现了精神主义。可见，那些问「为什么要戴手表」的人还停留在功能主义上。而戴手表的人到底在追求怎样的精神主义，我jio得主要有以下几个原因。 Spot 实例的混合分配工作成为可能。
这个强化学习应用程序中的网络是多种多样的，并且受益于以下几点。
● Raptor 在 NCCL 之间切换以进行点对点传输以将模型参数直接从学习器 GPU 传输到推理 GPU 的能力。
● Redis 用于异步和较小的消息，例如奖励或统计信息。
● 一种 JIT 编译的 RPC，用于处理大容量和低延迟的请求，例如上传体验数据。
NVIDIA 得出结论，将 AI 应用于现实世界的电路设计问题可以在未来带来更好的 GPU
设计。完整的论文在此处，您也可以在此处访问开发人员博客以获取更多信息。
由于所有的机芯都是用人手上链进行测试，不得不取下自动机芯的摆陀，因为机芯在旋动表冠时会被高速啮合的齿轮上链机构损坏。大多数通过测试的机械表都会成为自动表。每个机芯都被装上了一个cosc 标准面盘、秒针（大秒针或小秒针）和上链表冠。一台电子照相机 每24 小时会纪录下秒针所在的位置（能精确到1/10 秒）并与精确到毫秒的参照原子钟进行比较，照相机会拍摄两次以检验机芯是否停止运转，接下来机芯将被重新上链到合适的位置并置于适当的温度进入下一个24 小时的周期。这个过程将连续执行16 个周期。在起初的11 个周期里，机芯在23 摄氏度的温度下五个方位各至少要进行48 小时的测试。仪器读 数会指示出机芯的准确度和精确度。
原创文章，作者：leping，如若转载，请注明出处：https://www.zhjiashun.com/zjsb-109611.html
