以色列深度学习和人工智能 (AI) 专家 Deci本周宣布，它使用 CPU 实现了“突破性的深度学习性能”。传统上，GPU 一直是深度学习和 AI 处理的自然选择。然而，随着 Deci 声称对更便宜的纯 CPU 处理解决方案提供了 2 倍的改进，GPU 市场的压力似乎可以缓解。

DeciNets 是 Deci 创新的行业领先的图像分类模型，目前已针对英特尔 Cascade Lake CPU 进行了优化。他们使用了 Deci 专有的自动神经架构构建 (AutoNAC) 技术，并且在 CPU 上运行，它们比使用 Google 开发的 EfficientNets 快两倍以上并且更准确。

“作为深度学习从业者，我们的目标不仅是找到最准确的模型，而且是发现在生产中无缝工作的资源效率最高的模型——这种有效性和准确性的结合构成了深度学习的‘圣杯’，” Deci 的联合创始人兼首席执行官 Yonatan Geifman 说。“AutoNAC 创建了迄今为止最好的计算机视觉模型，现在，可以应用新类别的 DeciNets，并在 CPU 上有效地运行 AI 应用程序。”

DeciNets 解决的图像分类和识别是当今应用深度学习和 AI 系统的主要任务之一。此类任务是面向消费者的重要技术，例如 Google Photos、Facebook 和驾驶员辅助系统。然而，它对于工业、医疗、政府和其他应用也很重要。

假设 DeciNets 实际上可以“显着缩小 GPU 和 CPU 性能之间的差距”以运行卷积神经网络，并且具有更高的准确性，并且它们可以在更便宜、更节能的系统上运行。在这种情况下，我们可以看到数据中心行业的重大转变。这样一个重要的行业不再需要昂贵的多 GPU 打包服务器来进行 AI 处理，这可能会减轻 GPU 市场的压力。

值得注意的是，近一年来，Deci 一直与英特尔合作优化英特尔架构 (IA) CPU 上的深度学习推理。同时，它表示已经有多个客户在生产行业采用了其 AutoNAC 技术。

重要的是要记住，像 Deci 这样的公司自然对他们的新技术充满乐观，这在他们的新闻稿中体现出来。然而，虽然性能和效率声明可能是准确的，但成熟的行业具有巨大的惯性，延长了放弃经过验证的解决方案的时间。