Igazából a Moore törvény a tranzisztorok számáról szól, nem a számítási kapacitásról. Az is egy lehetséges megoldás, hogy valami más jön a tranzisztor helyett. Plusz ott van az architektúra. Most pl. hatalmas számítási kapacitás kell a deep learning cuccokhoz. De azért, mert egy soros processzoron futtatunk egy masszívan párhuzamos dolgot. Erre lehetne építeni célhardvert, amiben van 5000 nagyon primitív mag, mondjuk egymásra pakolva, amihez lehet, hogy elég a mostani technológia is, me tranzisztor szám, csak máshogy kell őket összerakni. Ezen nyilván nem fut el a Windows, de deep learningnél meg messze felülmúlja a mostani rendszereket. Szóval lehet itt még sokminden.
Horváth Gyula Eddig is ennek az elvnek a mentén működött a technológiai fejlesztés. A magasabb profit reményében ment a verseny, és mindig váltás történt, ha már nem érte meg, vagy nem volt távolság a versenytárshoz képest, vagy ugrani kellett egyet messzebb. Önmagában a kicsinyítés nem lehet cél.
Akkor aztán legfeljebb gazdaságtalanul tartjuk fönn.
VálaszTörlésIgazából a Moore törvény a tranzisztorok számáról szól, nem a számítási kapacitásról. Az is egy lehetséges megoldás, hogy valami más jön a tranzisztor helyett. Plusz ott van az architektúra. Most pl. hatalmas számítási kapacitás kell a deep learning cuccokhoz. De azért, mert egy soros processzoron futtatunk egy masszívan párhuzamos dolgot. Erre lehetne építeni célhardvert, amiben van 5000 nagyon primitív mag, mondjuk egymásra pakolva, amihez lehet, hogy elég a mostani technológia is, me tranzisztor szám, csak máshogy kell őket összerakni. Ezen nyilván nem fut el a Windows, de deep learningnél meg messze felülmúlja a mostani rendszereket. Szóval lehet itt még sokminden.
VálaszTörlésHorváth Gyula Eddig is ennek az elvnek a mentén működött a technológiai fejlesztés. A magasabb profit reményében ment a verseny, és mindig váltás történt, ha már nem érte meg, vagy nem volt távolság a versenytárshoz képest, vagy ugrani kellett egyet messzebb. Önmagában a kicsinyítés nem lehet cél.
VálaszTörlés