本稿は 「The Conversation」との提携により掲載されています。
GoogleとFacebookは、自社製品で使われている人工知能のロジックを支えるコンピューティング・ハードウェアの設計を、オープンソースとして公開しています。これらの知的アルゴリズムは、 Googleの検索機能およびレコメンド機能、 Facebookのデジタルアシスタント「M」 、そしてもちろん両社によるターゲティング広告の利用を支えています。
コードネーム「 Big Sur」と呼ばれるFacebookの特注コンピューターサーバーには、グラフィックス処理装置（GPU）、すなわち最新の3Dグラフィックスのゲームを動かすためにPCで使われるグラフィックスカードが大量に搭載されています。同じくGoogleの TensorFlow AIを動かすハードウェアにも使われています。では、なぜ人工知能の計算は、主流のコンピュータープロセッサーではなく、グラフィックス・プロセッサーで構築されているのでしょうか。
当初、GPUは、負荷の高いグラフィックス計算処理を肩代わりするため、コンピューターの中央処理装置（CPU）と並行して動作するコプロセッサーとして設計されていました。3Dグラフィックス・シーンのレンダリングは、いわゆる embarassingly parallel task（極めて並列化しやすいタスク）です。画像のある領域と別の領域の間に接続や相互依存がないため、この作業は、並列、すなわち同時に処理できる個別のタスクに容易に分割でき、そのため作業をはるかに速く完了できます。
このような並列性こそが、GPUメーカーにそのハードウェアを根本的に異なる用途へ活用させるきっかけとなりました。大規模な並列タスクでのみ最大の計算スループットを発揮するように最適化することで、GPUはグラフィックス処理に限らず、あらゆる並列化されたコードを実行できる特化型プロセッサーへと転用できるようになります。一方、CPUは、多くの汎用ソフトウェアが依然としてシングルスレッドであるため、シングルスレッド（非並列）のタスクを高速に処理するよう最適化されています。
1、2、4、8個の処理コアを持つCPUとは対照的に、現代のGPUは数千個のコアを備えています。例えば、Facebookのサーバーで使われている NVIDIA Tesla M40 は、いわゆる CUDA コアを3,072個備えています。しかし、この超並列性には代償が伴います。その恩恵を受けるには、ソフトウェアを特別に記述しなければならず、GPUはプログラミングが困難です。
GPUがAIに向いている理由とは？
GPUが最も選ばれるスーパーコンピューティング・ハードウェアとして台頭してきた理由の一つは、最も負荷の高い計算問題のいくつかが、たまたま並列実行に適していることです。
その代表例が、AIの最先端の進展の一つであるとなっている ディープラーニングです。この強力なアプローチを支えるニューラルネットワークの概念（高度に相互接続されたノードからなる大規模な網目構造）は、1990年代に失敗と見なされて見捨てられたものと同じです。しかし現在では、その技術によりはるかに大規模で深いニューラルネットワークを構築できるため、このアプローチは劇的に向上した結果を達成しています。これらのニューラルネットワークは、GoogleやFacebook、その他多くのアプリが今日利用している音声認識ソフトウェア、言語翻訳、意味検索機能を支えています。
ニューラルネットワークが「学習」できるように訓練することは、脳内でニューロン同士の接続を確立し、その接続を強化することと似た仕組みで機能します。計算面では、この学習プロセスは並列化できるため、GPUハードウェアを使って高速化できます。この機械学習には学習元となる事例が必要で、これも並列処理による高速化に容易に適しています。オープンソースの機械学習ツール（ Torch code library など）やGPUを多数搭載したサーバーを使えば、ニューラルネットワークの訓練はCPUベースのシステムと比べてGPU上で何倍も速く実現できます。
GPUはコンピューティングの未来なのでしょうか？
長年にわたり、私たちは、コンピューターの処理能力がおよそ2年ごとに倍増すると主張する ムーアの法則 のバージョンに慣れ親しんできました。この進歩は主に微細化によって達成されてきました。微細化は発熱を減らし、それによってCPUをより高速に動かせるようになります。しかし、この「無償の恩恵」の時代は、半導体がケイ素の理論的・元素的限界に近づくまで微細化されたことで終わりを迎えました。現在、速度向上に残された唯一の現実的な道は、より大きな並列性であり、それは 過去10年にわたる多コアCPUの台頭 によって示されています。一方、GPUには先行の優位があります。
AIのほかにも、GPUは流体力学や空気力学のシミュレーション、物理エンジン、脳のシミュレーションなど、ほんの一部の例を挙げるだけでも、さまざまな用途に使われています。世界で最も強力なコンピューターの一部、例えばOak Ridge National LaboratoryのTitanスーパーコンピューターは、現在 世界で2番目に速いスーパーコンピューターであり、Nvidiaの GPUアクセラレーターで構築されています。一方、競合にはIntelの Phi 並列コプロセッサーであり、Tianhe-2を動かしています。その 世界最速のスーパーコンピューターです。ただし、すべての問題が容易に並列化できるわけではなく、こうした環境でのプログラミングは困難です。
おそらく、少なくともAIにとって、コンピューティングの未来は、さらに根本的に異なるニューロモルフィック・コンピューターにあるのかもしれません。IBMの True North チップがその一つであり、もう一つは10億ユーロ規模の Human Brain Projectによって開発中です。このモデルでは、多数のプロセッサーのネットワークでニューラルネットワークをシミュレートするのではなく、チップ自体が ニューラルネットワークそのもの であり、チップ上の個々のシリコントランジスターが回路を形成し、電気信号を介して処理と通信を行います。これは生物の脳のニューロンと大きく異ならないものです。
支持者は、これらのシステムによって、ニューラルネットワークを最終的に人間の脳の規模と複雑さにまで拡大でき、AIを人間の知能に匹敵する段階へと導けると主張しています。一方、特に脳科学者を含むその他の人々はより慎重です。人間の脳には、ニューロンの数や密度の高さだけではない、はるかに多くのものがあるのかもしれません。
いずれにせよ、私たちが今後脳について学ぶことは、おそらく、脳の働きを模倣するように設計された、まさにそのスーパーコンピューターを通じて行われることになるでしょう。
本記事の掲載は、世界経済フォーラムによる見解の支持を意味するものではありません。
アジェンダの最新情報を追うには、 週刊ニュースレターを購読してください。
著者：Thomas Nowotnyは、サセックス大学の情報学教授です。
画像：ノートパソコンを抱えた男性に、バイナリーコードが投影されているイラスト写真。REUTERS/Kacper Pempel.
