当智能计算遇见气象变化，我们可以通过基于蒸发蒸腾量的ET0(Reference evapotranspiration)进行精准的气象分析预测。
当智能计算遇见农业，我们可以了解未来15天内，土壤中的水是怎么蒸发的，将栅格点分辨率需求从0.0083×0.0083经纬度（平均面积约为1平方公里）提升到0.001×0.001经纬度，让田地在合适的时间得到灌溉，助力农业的精准灌溉。
当智能计算遇见自然灾害，我们可以知道当土壤和植被蒸腾量降低,代表森林大火的风险增高，某一地区一定时间内蒸腾量异常,会出现极端降雨或干旱。
以上案例，都是一家英国AI芯片公司Graphcore与安捷中科全资子公司安捷数科基于IPU的合作用例，为不同行业规模型应用提供了性能强大的算力基石。
IPU与GPU面向密集型计算，同而不同
随着数据时代的发展，我们运行的应用数据规模越来越大，所需算力的场景领域渐趋精细化。这样的市场需要更具针对性和成本效益的AI算力，也就有了继支持密集型计算的GPU之后，Graphcore专用于AI和机器学习应用的IPU（Intelligence Processing Unit，智能处理器）出现，体现智能计算产业的强化进阶。
虽然IPU与GPU都是为密集型计算而生，但又同而不同。Graphcore大中华区总裁兼全球首席营收官卢涛解释称，云端AI计算最大的主流，一部分在CPU上，一部分在GPU，还有一部分在IPU。这三类处理器相当于三个圆，各自中间都有交集的部分，但又都有彼此擅长的领域。
从芯片架构上来看，IPU与GPU有三个大的差异点。第一，计算内核更多，IPU拥有1400多个处理器内核，每个内核可以运行6个线程。
第二，存储架构不同，数据读取速度更快。GPU是层次化内存架构，读取数据流程是片内缓存，然后是片外显存或HBM。而IPU采用的是片内存储，分布式架构，如GC200拥有900MB处理器内存储。
第三通信调度优化。在跨芯片多核通信调度时，GPU内的SM核最后是多核多线程呈现给开发者，程序员要关注通信怎么做到数据同步。Graphcore则采用一套BSP（Bulk Synchronous Parallel）软硬件结合算法，让一个芯片一千多个核，甚至多个芯片跨IPU连接。
就像一万个人在排队，先把队伍整理好了再往前走，到下一个点把队伍整理好再往前走，这样当大规模并行处理时，就不需要把系统的复杂性显示给程序员和开发者。
至于在不同AI应用领域的领先。2021年11月份，Graphcore参加了MLPerf 1.1，并针对机器学习进行了一系列基准测试，每年四次，两次推理，两次训练，MLPerf 1.1是训练1.1。其中，在GPU占据优势的模型ResNet-50上测试显示，Graphcore的IPU-POD16在计算机视觉模型ResNet-50方面表现优于NVIDIA的DGX A100。在DGX A100上训练ResNet-50需要29.1分钟，而IPU-POD16仅耗时28.3分钟。
单一主机服务器做自然语言训练方面，也就是BERT，最快的是IPU-POD64系统。CPU和AI处理相解耦，基本在系统里就实现了针对目标应用的优化，比如BERT是一台两个CPU的服务器对应64个IPU，CPU和IPU的比例是1：32，计算机视觉领域基本上比例可以做到1：8。而其他提交者，如英伟达GPU系统里是2个CPU对应8个GPU，1：4的固定配比，英特尔系统里，CPU和AI加速引擎是1：2的固定配比，而Graphcore可以针对不同场景灵活优化。
在功耗上，同样的算力，IPU的功耗比GPU更低，某种意义来看是在实现节能减排。回头看看Graphcore和一些合作伙伴做的事，比如Graphcore与升哲科技发布了基于IPU的合作，也是主要基于IPU进行城市相关可持续发展的应用。
此外，金融保险方面，牛津-英仕曼在用IPU进行股票预测；Tractable在利用智能计算进行保险理赔方面的辅助工作；电信方面，Graphcore和韩国电信合作发布了IPU云；医疗、生命科学方面，Graphcore和斯坦福大学医学院采用IPU对以“医疗+隐私计算”为核心的方向进行了研究和探索。
Graphcore拟未的2021年回顾篇
Graphcore中文名为拟未——类脑模拟，未来科技，起的名字格局是很大了。拟未是一家跨国企业，企业规模700人。中国团队是Graphcore过去一年团队成长中很大的一部分，2020年年底，中国团队有20人，现在达到了80人。全球布局方面，Graphcore在亚洲的办公室分布在北京、上海、深圳、台湾，以及韩国、日本、新加坡。在欧洲，除英国、挪威以外，在法国和印度也有办公室，波兰新开设了一个软件研发中心。
偏个题，小编有参观拟未在北京的办公场地，桌椅都是从国外运来的，简单舒适，桌子可以上下调节高度，设有游戏休闲区，还有吊椅，慕了……
言归正题。在2021年，Graphcore的IPU-POD系列有了产品扩展，当前IPU出货量规模达到万级以上。IPU-POD128、IPU-POD256已上市发售，用户可以直接商用部署的平台。并且拟未面向超算规模的AI集群或计算系统发布了两款新品——IPU-POD128和IPU-POD256。
当前Graphcore拥有的硬件产品系列可满足处于不同发展阶段企业的算力需求，比如IPU-POD16，产品定位为“EXPLORE”，新型机器学习、AI用户需要从较小的系统开始，IPU-POD16就是支持企业的初期探索型平台。当企业逐渐到做一些生产型任务，从探索转向“BUILD”建设型，构建自身的生产系统，再是“GROW”扩展系统，适配更高算力，IPU从16到64、到128、到256，针对不同业务，CPU和IPU的配比都非常灵活。
Graphcore的IPU提供高效AI计算，软件Poplar具备易用性，软硬件相结合加速系统中多种AI模型处理进程。中间的Poplar SDK（软件开发工具包），粉色部分是Poplar的协议栈。浅粉色部分是Poplar和机器学习框架中间层的软件，如XLA、图编译器、PopART等。
框架层有新增，PyTorch Lightning、百度飞桨、Hugging Face是2021年发布的。2020年，百度正式宣布Graphcore加入百度飞桨硬件生态圈。2021年，百度飞桨在Graphcore IPU上实现了训练与推理全面支持。
前端是针对开发者，如Jupyter NoteBook，程序员像使用记事本一样使用这个开发平台。周围是一些AI应用、开发者生态，包括开发工具、可视化工具，可以帮助用户对应用进行可视化优化，右下角是系统级的软件，从硬件的管理到IPU虚拟化到系统级别集群、任务的调度。
新的一年，Graphcore会一些AI应用领域进一步深入，比如AI辅助科研，自动驾驶等领域将是其在AI应用或垂直领域中的重要方向，自动驾驶行业相关的盆友可以关注一下，时刻保持行业竞争力嘛。
写在最后
印象深刻的是，卢涛在谈及如何做好计算型芯片，在行业保有竞争力时的回答——预判+冒一点风险+一点运气。一家芯片公司生态至关重要。AI计算与传统CPU市场有所不同，在过去的5-10年间，CPU业务十分明确且处于主导地位，而AI领域内，生态构建需要时间积累，但AI应用是动态化的，有很多创新技术研究，新的技术领域，Graphcore会基于当前应用合作和未来技术发展作出趋势预判，提前投入研究，要对未来勇于判断。由此看来，拟未是一家大胆创新的芯片初创公司，全球而言创始人团队在芯片领域曾成功开发出11款微处理器，国内卢涛在芯片领域拥有20多年的经验，此前曾任芯片制造商Cavium总经理并作为零号员工领导Cavium在中国的业务，强大的技术团队支撑未来AI计算的趋势判断，当其AI生态逐步构建，GPU，可能真的要小心了。
