与AI相关的深度学习和机器学习技术已经变成大数据圈常见的讨论话题。这一趋势对于数据管理者们来说是值得关注的，原因有很多，其中最重要的是这些新技术对现代数据基础设施的潜在影响。

讨论话题的焦点越来越集中于图形处理器（GPU）。GPU已经成为了AI领域公认的热点话题。GPU深度学习已经酝酿了一段时间，不过发展步伐还在加快。

深度学习是AI机器学习领域的一个分支，基于超大数据集构成的多层神经网络递归执行。GPU深度学习是硬件基础设施和高级软件特别有效的组合，目标应用范围从推荐引擎到无人驾驶都覆盖。

现今GPU有非常高的内存带宽，处理大数据比较容易——想想复杂的矩阵乘法。因此，GPU很适合用于对并行处理有需求的深度学习。在深度学习模型创建时的训练阶段尤其有价值。

与CPU相比GPU仍然相对少见。所以GPU芯片成本更高，具备基于GPU开发能力的技术人员成本也更高。另外，随着图数据库、Apache Spark以及最近Apache Hadoop 3.0 Yarn实施包的出现，GPU也可以扩展应用于AI深度学习之外的领域。

直到有了GPU

如果数据经理们还记得全用途32位CPU出现之前的世界，就可以回想起当时的浮点协处理器和阵列处理器，以及它们在某些应用中的特殊用途。

新一代开发人员说他们的应用需要迁移到数学强相关的GPU基础架构，经理们该如何思考呢？答案是：会涉及到很多移动部件。

首先，如果任务限制在运行于单台服务器上的少量GPU时没问题。Bernard Fraenkel认为，如果超过单台服务器，深度学习任务就会出问题。这不仅仅是芯片的问题。

Fraenkel是硅谷软件集团实践经理（该公司是美国旧金山一家技术咨询实务公司）。他说：“如果你达到了那个点（配置需求），你就需要使用一台以上的服务器，不过你可能很难保证两台计算机之间可以接受的带宽。我们很难预见到服务器之间的通信开销。”

服务器交互问题浮现

服务器之间的问题涉及云供应商、服务器厂商和芯片制造商，大家要在主板和服务器层面研究问题。通过各方面提升，GPU深度学习的实现会与运行之上的系统依赖关系更紧密，这种情况要迁移到其它系统就更难了。这就是问题。

此外，云供应商和其它厂商还在努力优化上层运行的软件，这也给重新托管（迁移）你内部部署或在其它云部署的深度学习应用带来了障碍。当然，如果需要额外计算能力，迁移就需要更多额外的预算。

Fraenkel强调，重要的是要理解，这个领域发展变化非常快速。所以即使GPU深度学习不是他们的当务之急，数据经理们应该特别注意。

Fraenkel说：“我们仍然处在人工智能应用的早期阶段。算法和硬件（诸如芯片、服务器和数据中心）仍然在快速发展变革。”。

此外，CIO们尤其需要学习构建这些应用的所有层次。

Fraenkel说：“他们现在应该做评估，对所有移动部件选择做到有理有据。这些能力不是一下子就能学会的。”

这类基础设施的剧烈变化是有优先次序的，也有许多与新鲜事物有关。

最近几年，大数据分析技术的发展影响了基础设施的变革——列数据库和分布式文件系统也变得随手可得了——但是芯片级别的变化还都比较轻微。

特别是深度学习，看起来似乎与别的不同——Fraenkel认为它的变更在芯片级及以上级别。另外，随着可用于专门方向的大量新人工智能芯片出现，GPU、机器学习和深度学习可能是未来大数据分析的几个转折点。

到目前为止，许多经理人仍然是以观众心态看待基于深度学习的GPU活动，而不是参与者心态。不过，从某种程度上来讲，积极的兴趣可能是很好的衡量标准，因为GPU深度学习变革非常快，影响重大深远。