當前的深度學習應用，正收到複雜性增長、資源需求多樣化、以及現有硬件架構的限制。不過近日，英偉達研究人員發表了一篇技術文章，概述了該公司對多芯片模塊（MCM）的探索。具體說來是，該團隊講述了“可組合封裝”（COPA）GPU 的各項優勢，尤其是能夠適應各種類型的深度學習工作負載。
資料圖（via Nvidia 官網）
得益於固有的功能和優化，圖形處理單元（GPU）已成為大量深度學習（DL）研究項目的首選。但由於傳統融合 GPU 解決方案正迅速變得不太實用，研究人員才想到到 COPA-GPU 的理念。
這些融合 GPU 解決方案依賴於由傳統芯片組成的架構，輔以高帶寬內存（HBM）、張量核心（NVIDIA）/ 矩陣核心（Matrix Cores）、光線追蹤（RT）等專用硬件的結合。
此類硬件或在某些任務下非常合適，但在面對其它情況時卻效率低下。與當前將所有特定執行組件和緩存組合到一個包中的單片 GPU 設計不同，COPA-GPU 架構具有混合 / 匹配多個硬件塊的能力。
如此一來，它就能夠更好地適應當今高性能計算（HPC）只能夠呈現的動態工作負載、以及深度學習（DL）環境。
（來自：ACM.org | PDF）
這種整合更多功能和適應多種類型工作負載的能力，可帶來更高水平的 GPU 重用。更重要的是，對於數據科學家們來說，這使得他們更有能力利用現有資源，來突破潛在的界限。
儘管經常混為一談，但人工智能（AI）、機器學習（ML）和深度學習的概念，卻有着明顯的區別。DL 可視作 AI 和 ML 的子集，主要通過各種過濾器來預測和分類信息，來模擬人腦的信息處理方式。
作為諸多自動化 AI 功能背後的技術支撐，深度學習可助力其實現各項功能 —— 涵蓋從自動駕駛、到監控金融系統的欺詐活動等領域。
另一方面，MCM 概念已於過去幾年被炒得火熱（其實可追溯到 70~80 年代的 IBM 氣泡內存 / 3081 大型機），且 AMD 等廠商早已將小芯片 / 芯片堆疊技術作為其下一代產品的重要演變。