热门问题
最新资源下载
谷歌为什么要开放 Cloud TPU 云服务，会产生怎样的影响?
将对业界产生什么影响，对英伟达意味着什么？
而对第三方厂商和开发者来说，TPU 的服务开放将带来哪些收益？
Jeff Dean连发十条Twitter，介绍最新发布的测试版Cloud TPU，目前在美国地区开放，每小时6.5美元。
据谷歌官网消息，今天凌晨，Google Brain 团队负责人Jeff Dean对外公开表示：“谷歌TPU深度学习加速器云服务将首次对第三方厂商和开发者全面开放，目前仅为测试版。”
此番谷歌开放TPU，理论上意味着普通开发者或第三方厂商，也可以使用“谷歌级别”的人工智能计算能力。
未来已来提问于 2018-03-20 09:35-
网易云有料 2018-03-20 09:391、从整个云计算竞争的角度来说，Google 虽然技术先进，但商业嗅觉没有亚马逊那么灵敏，动作相对缓慢（ 为什么 AWS 云计算服务是亚马逊先做出来，而不是 Google ？），所以 Google 在 IaaS 层比拼中不敌 AWS 和 Azure。Google 想要突破，就需要另辟蹊径，通过 PaaS 能力取胜，Kubernetes 的布局是一方面，人工智能（AI）、物联网（IoT）的能力是另一方面。Kubernetes 技术确实牛，有红帽、CoreOS、华为、网易等队友拾柴，已经成为标准，进入到 AWS、Azure 了。人工智能方面，Google 应该也希望 TensorFlow 像 Kubernetes 那样一统江湖（不过不同的库各有优劣，这种可能性是比较小的），我以为 TensorFlow 支持 CUDA 这一点大可放心。
2、TPU 和 TensorFlow，已经被 Google PR 得天下皆知，以 Google 的推广力度和号召力来看，这种云服务对开发者肯定是利好（不讨论价格），前景看好。不过 TPU 的优势是更高的效率和更低的能耗，劣势是专用性比较强 - 比如已公布的第一代 TPU 适用于推理而非机器学习模型训练，第二代 TPU 才可用于训练 - 目前 Google 想要让二者形成合力获得大量用户，还是要结合软件层提供更多大家能直接用的产品，比如业务复杂的大型用户，因为各种原因，需要用到的往往不只是 TensorFlow（补充：【我不再使用TensorFlow的5大原因】谷歌最受欢迎深度学习框架日渐式微？ ， TensorFlow有哪些令人难以接受的地方？ ），相对而言，还是 GPU 的通用性更强，并不能说，TPU 云服务一出，GPU 云服务就要退避三舍，反而是 TPU、GPU、CPU协作的概率会更大。事实上，Google 在为机器学习负载提供 TPU 云服务的同时，也提供了 GPU （包括 NVIDIA 的 Tesla V100）。当然，对于 Google 而言，有了 TPU 云服务，其智能计算云产品的丰富性，和友商相比确实是占了优势。而对于 NVIDIA 来说，优化自家产品线也更有动力、更有灵感了。
3、目前国内的人工智能云服务器，主要还是 GPU 云服务器和 FPGA 云服务器，固然有积累的因素，一定程度上也代表了国内市场需求。
1、从整个云计算竞争的角度来说，Google 虽然技术先进，但商业嗅觉没有亚马逊那么灵敏，动作相对缓慢（ 为什么 AWS 云计算服务是亚马逊先做出来，而不是 Google ？），所以 Google 在 IaaS 层比拼中不敌 AWS 和 Azure。Google 想要突破，就需要另辟蹊径，通过 PaaS 能力取胜，Kubernetes 的布局是一方面，人工智能（AI）、物联网（IoT）的能力是另一方面。Kubernetes 技术确实牛，有红帽、CoreOS、华为、网易等队友拾柴，已经成为标准，进入到 AWS、Azure 了。人工智能方面，Google 应该也希望 TensorFlow 像 Kubernetes 那样一统江湖（不过不同的库各有优劣，这种可能性是比较小的），我以为 TensorFlow 支持 CUDA 这一点大可放心。
2、TPU 和 TensorFlow，已经被 Google PR 得天下皆知，以 Google 的推广力度和号召力来看，这种云服务对开发者肯定是利好（不讨论价格），前景看好。不过 TPU 的优势是更高的效率和更低的能耗，劣势是专用性比较强 - 比如已公布的第一代 TPU 适用于推理而非机器学习模型训练，第二代 TPU 才可用于训练 - 目前 Google 想要让二者形成合力获得大量用户，还是要结合软件层提供更多大家能直接用的产品，比如业务复杂的大型用户，因为各种原因，需要用到的往往不只是 TensorFlow（补充：【我不再使用TensorFlow的5大原因】谷歌最受欢迎深度学习框架日渐式微？ ， TensorFlow有哪些令人难以接受的地方？ ），相对而言，还是 GPU 的通用性更强，并不能说，TPU 云服务一出，GPU 云服务就要退避三舍，反而是 TPU、GPU、CPU协作的概率会更大。事实上，Google 在为机器学习负载提供 TPU 云服务的同时，也提供了 GPU （包括 NVIDIA 的 Tesla V100）。当然，对于 Google 而言，有了 TPU 云服务，其智能计算云产品的丰富性，和友商相比确实是占了优势。而对于 NVIDIA 来说，优化自家产品线也更有动力、更有灵感了。
3、目前国内的人工智能云服务器，主要还是 GPU 云服务器和 FPGA 云服务器，固然有积累的因素，一定程度上也代表了国内市场需求。
推荐问答* 版权声明 ：社区问答内容由互联网用户编辑提交，本社区不拥有所有权，也不承担相关法律责任。如果您发现本社区中有涉嫌侵权、暴力、色情、反
动等言论，欢迎发送邮件至：
进行举报并提供初步证明，一经查实，本社区将立刻删除相关内容。