观点作者 NodeOps Network 联合创始人兼首席执行官 Naman Kabra
图形处理器（GPU）已成为许多人工智能工作负载的默认硬件，尤其是在训练大型模型时。 这种想法无处不在。 虽然这种想法在某些情况下是合理的，但它也造成了一个盲点，阻碍了我们的发展。
GPU 久负盛名。 它们在并行处理海量数据方面有着惊人的能力，因此非常适合训练大型语言模型或运行高速人工智能推理。 这也是 OpenAI、谷歌和 Meta 等公司花费巨资建立 GPU 集群的原因。
虽然 GPU 可能是运行人工智能的首选，但我们不能忘记中央处理器（CPU），它们仍然非常强大。 忘记这一点可能会让我们失去时间、金钱和机会。
CPU 并没有过时。 更多的人需要认识到它们可以用于人工智能任务。 它们在全球数百万台机器中闲置，能够高效、经济地运行各种人工智能任务，只要我们给它们一个机会。
CPU 在人工智能领域的闪光点
不难看出我们是如何走到这一步的。 GPU 专为并行而生。 它们可以同时处理海量数据，非常适合图像识别或训练具有数十亿个参数的聊天机器人等任务。 CPU 无法胜任这些工作。
人工智能不仅仅是模型训练。 它不仅仅是高速矩阵数学。 如今，人工智能包括运行较小的模型、解释数据、管理逻辑链、做出决策、获取文件和回答问题等任务。 这些不仅仅是 "愚蠢的数学 "问题。 它们需要灵活的思维。 它们需要逻辑。 它们需要 CPU。
虽然 GPU 占据了所有的头条新闻，但 CPU 却在默默地处理着许多人工智能工作流程的主干，尤其是当你放大人工智能系统在现实世界中的实际运行情况时。
最近： 我们的 GPU 正在融化"–OpenAI 在吉卜力海啸后设置了限制器
CPU 在其设计用途方面令人印象深刻：灵活、基于逻辑的操作。 它们可以很好地同时处理一项或几项任务。 与 GPU 的大规模并行性相比，这听起来可能并不令人印象深刻，但许多人工智能任务并不需要这样的火力。
考虑一下自主代理，这些花哨的工具可以利用人工智能来完成搜索网页、编写代码或规划项目等任务。 当然，代理可能会调用一个在 GPU 上运行的大型语言模型，但与之相关的一切，包括逻辑、规划和决策，都可以在 CPU 上正常运行。
甚至推理（人工智能术语，即在训练模型后实际使用模型） 也可以在 CPU 上完成，尤其是模型较小、经过优化或在不需要超低延迟的情况下运行时。
CPU 可以很好地处理大量人工智能任务。 然而，我们如此关注 GPU 性能，却没有利用我们眼前已有的技术。
我们不需要为了满足人工智能日益增长的需求，而不断建造昂贵的、装满 GPU 的新数据中心。 我们只需要有效地利用现有的数据中心。
这就是事情变得有趣的地方。 因为现在我们有办法真正做到这一点。
去中心化计算网络如何改变游戏规则
DePINs 或分散式物理基础设施网络是一种可行的解决方案。 虽然说起来费劲，但想法很简单： 人们将自己闲置的计算能力（如闲置的 CPU）贡献出来，汇集到一个全球网络中，供其他人使用。
你可以在世界上任何地方的分散 CPU 网络上运行人工智能工作负载，而不是在某个集中式云提供商的 GPU 集群上租用时间。 这些平台创建了一种点对点计算层，可以安全地分发、执行和验证作业。
这种模式有几个明显的好处。 首先，成本更低。 当 CPU 可以很好地完成工作时，你不需要花高价租用稀缺的 GPU。 第二，自然扩展。
随着越来越多的人将自己的机器接入网络，可用的计算能力也会随之增长。 第三，它使计算更接近边缘。 任务可以在数据所在位置附近的机器上运行，从而减少延迟并提高私密性。
把它想象成计算领域的 Airbnb。 与其建造更多的酒店（数据中心），我们不如更好地利用人们已有的空房间（闲置的 CPU）。
通过转变思维，利用分散式网络将人工智能工作负载路由到正确的处理器类型，在需要时路由到 GPU，在可能时路由到 CPU，我们就能实现规模、效率和弹性。
底线
是时候停止把 CPU 当作人工智能领域的二等公民了。 是的，GPU 至关重要。 没有人否认这一点。 CPU 无处不在。 它们的使用率很低，但仍然完全能够为我们关心的许多人工智能任务提供动力。
与其在 GPU 短缺问题上投入更多资金，不如提出一个更明智的问题： 我们是否在使用已有的计算？
随着去中心化计算平台逐步将闲置的 CPU 连接到人工智能经济，我们有了一个巨大的机会来重新思考如何扩展人工智能基础设施。 真正的制约因素不仅仅是 GPU 的可用性。 而是思维方式的转变。 我们习惯于追逐高端硬件，却忽略了网络中闲置的未开发潜力。
观点作者：NodeOps Network 联合创始人兼首席执行官 Naman Kabra NodeOps Network 联合创始人兼首席执行官纳曼-卡布拉（Naman Kabra）。
本文仅提供一般信息，无意也不应被视为法律或投资建议。 本文所表达的观点、想法和意见仅代表作者本人，并不一定反映或代表 Cointelegraph 的观点和意见。
原创文章，作者：Block Chain，如若转载，请注明出处：https://www.uni86.net/rangwomen-chimi-gengpianyi.html
