Graphcore宣布学术计划支持加速人工智能研究创新

英国布里斯托，1月26日——Graphcore今日正式启动学术计划，这标志着其长期支持高校与科研机构探索人工智能新方法、新应用的承诺迈出了实质性一步。简而言之，这项计划为全球希望在研究或教学中使用Graphcore系统的人——包括项目负责人、教授、硕士、博士及博士后——免费提供了获取强大计算资源的入口。

参与该计划的团队，将免费获得一台配备8块C2 PCIe卡（即16个Colossus MK1 GC2 IPU）的Dell DSS8440服务器。此外，Graphcore内部的研究员与工程师会定期跟进、提供技术支持，甚至在经费申请方面也可能给予协助。

Graphcore将优先考虑以下方向的项目：稀疏训练、有条件的稀疏计算、随机学习优化、面向深度学习与计算图网络的高效新型模型、小型计算图网络、并行计算的新方向、本地并行性，以及多模型训练。当然，如果您在IPU创新应用上拥有其他独特思路，Graphcore也表示会一并纳入考量范围。

Graphcore联盟与战略伙伴总监Victoria Rege在宣布计划时直言：“我们的目标就是帮助创新者在机器智能领域突破下一个天花板。通过在创新前沿为研究人员和项目负责人提供实实在在的支持，我们才能共同加速AI发展，真正兑现人工智能为人类带来的各项福祉。”

事实上，在这项计划正式启动之前，已有不少研究者利用IPU实现了一系列突破性应用。与传统GPU、CPU系统相比，这些应用在计算负载上的加速效果十分显著。

例如，加州大学伯克利分校的研究人员与谷歌大脑团队合作，发表了一篇关于优化深度神经网络训练中性能与效率的报告。伯克利的Pieter Abbeel教授表示：“我们与Graphcore合作，研究利用本地更新进行深度网络并行训练。结果表明，IPU这种截然不同的处理器架构，能够帮助我们开发出全新的分布式计算方法，并训练更大规模的模型。研究还显示，Graphcore的技术不仅在吞吐量、时延等指标上提供了更亮眼的数据，更从根本上开辟了一条新路径，以应对那些可能阻碍AI发展的计算挑战。”相关论文：《具有本地更新的深度神经网络的并行训练》

伦敦帝国理工学院的计算机视觉教授Andrew Davison团队，则一直借助IPU解决计算机视觉中解释周遭世界的难题。他们展示了如何在IPU上利用高斯置信传播处理“捆绑调整”这一经典计算机视觉问题。Davison说：“我的团队是最早基于Graphcore IPU开展研究并发表成果的小组之一。这项技术无论在数量上还是质量上都能带来实实在在的收益。在我们计算机视觉的工作中，IPU的性能明显优于传统芯片架构，也让我们对这一领域的计算潜力有了全新认识。”相关论文：《图形处理器上的捆绑调整》

布里斯托大学的研究人员更进一步，直接使用Graphcore IPU开发管理CERN大型强子对撞机实验数据的新技术。物理学教授Jonas Rademacker表示：“我们测试了Graphcore IPU对粒子物理学中几个关键计算问题的适用性——这些问题对我们正在CERN进行的LHCb实验至关重要。所展示的功能与性能提升，充分体现了IPU独特架构的多面性。此外，Graphcore一直以来的支持，对我们当前探索IPU处理粒子物理中海量且快速增长数据能力的研究，起到了关键作用。”相关论文：《Graphcore IPU在粒子物理学的应用潜力的研究》

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：Graphcore宣布学术计划支持加速人工智能研究创新要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题