如果你想知道人工智能服務(wù)器和人工智能工作站有何不同，你不是唯一一個(gè)。假設(shè)嚴(yán)格的人工智能用例具有最小的圖形工作量，那么明顯的差異可以是最小到零。從技術(shù)上講，你可以用一個(gè)作為另一個(gè)。然而，根據(jù)要求每個(gè)人執(zhí)行的工作量，每個(gè)人的結(jié)果將完全不同。因此，清楚地了解人工智能服務(wù)器和人工智能工作站之間的差異非常重要。

暫時(shí)撇開人工智能不談，服務(wù)器通常都是聯(lián)網(wǎng)的，可以作為一種共享資源來運(yùn)行跨網(wǎng)絡(luò)訪問的服務(wù)。工作站通常用于執(zhí)行特定用戶、應(yīng)用程序或用例的請(qǐng)求。

工作站可以作為服務(wù)器，還是服務(wù)器可以作為工作站？答案是“是的”，但忽略工作站或服務(wù)器的設(shè)計(jì)目的通常沒有意義。例如，工作站和服務(wù)器都可以支持多線程工作負(fù)載，但如果服務(wù)器可以支持比工作站多 20 倍的線程（其他所有線程都相同），那么服務(wù)器將更適合為處理器同時(shí)處理創(chuàng)建多個(gè)線程的應(yīng)用程序。

服務(wù)器經(jīng)過優(yōu)化，可以作為客戶端的網(wǎng)絡(luò)資源進(jìn)行擴(kuò)展。工作站通常沒有針對(duì)大規(guī)模、共享、并行和網(wǎng)絡(luò)能力進(jìn)行優(yōu)化。

具體區(qū)別：人工智能的服務(wù)器和工作站

服務(wù)器通常運(yùn)行專為服務(wù)器用例設(shè)計(jì)的操作系統(tǒng)，而工作站運(yùn)行專為工作站用例設(shè)計(jì)的操作系統(tǒng)。例如，考慮將 Microsoft Windows 10 用于桌面和個(gè)人使用，而 Microsoft Windows Server 在專用服務(wù)器上運(yùn)行，用于共享網(wǎng)絡(luò)服務(wù)。

AI 服務(wù)器和工作站的原理相同。用于機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和人工智能開發(fā)的大多數(shù)人工智能工作站都是基于 Linux 的。人工智能服務(wù)器也是如此。由于工作站和服務(wù)器的預(yù)期用途不同，服務(wù)器可以配備處理器集群、更大的 CPU 和 GPU 內(nèi)存資源、更多的處理核心以及更大的多線程和網(wǎng)絡(luò)能力。

請(qǐng)注意，由于對(duì)作為共享資源的服務(wù)器的極端需求，通常對(duì)存儲(chǔ)容量、閃存性能和網(wǎng)絡(luò)基礎(chǔ)設(shè)施的需求更大。

圖形處理器：一個(gè)必不可少的組成部分

GPU 已成為現(xiàn)代人工智能工作站和人工智能服務(wù)器中的一個(gè)基本元素。與 CPU 不同， GPU 能夠增加應(yīng)用程序內(nèi)的數(shù)據(jù)吞吐量和并發(fā)計(jì)算數(shù)量。

GPU 最初設(shè)計(jì)用于加速圖形渲染。由于 GPU 可以同時(shí)處理許多數(shù)據(jù)，因此它們?cè)跈C(jī)器學(xué)習(xí)、視頻編輯、自動(dòng)駕駛等方面有了新的現(xiàn)代用途。

雖然人工智能工作負(fù)載可以在 CPU 上運(yùn)行，但使用 GPU 產(chǎn)生結(jié)果的時(shí)間可能要快 10 到 100 倍。例如，自然語言處理、推薦引擎和圖像分類中深度學(xué)習(xí)的復(fù)雜性，從 GPU 加速中受益匪淺。

機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型的初始訓(xùn)練需要性能。當(dāng)實(shí)時(shí)響應(yīng)（如會(huì)話人工智能）在推理模式下運(yùn)行時(shí)，性能也是必需的。

企業(yè)使用

重要的是，人工智能服務(wù)器和工作站在企業(yè)內(nèi)以及與云的無縫協(xié)作。每一個(gè)都在企業(yè)組織中占有一席之地。

AI 服務(wù)器

對(duì)于人工智能服務(wù)器，在支持 GPU 的服務(wù)器和服務(wù)器集群上更有效地訓(xùn)練大型模型。它們還可以使用支持 GPU 的云實(shí)例進(jìn)行有效訓(xùn)練，特別是對(duì)于需要極高分辨率的海量數(shù)據(jù)集和模型。人工智能服務(wù)器的任務(wù)通常是作為各種人工智能應(yīng)用的專用人工智能推斷平臺(tái)運(yùn)行。

人工智能工作站

個(gè)人數(shù)據(jù)科學(xué)家、數(shù)據(jù)工程師和人工智能研究人員通常在構(gòu)建和維護(hù)人工智能應(yīng)用程序的過程中使用個(gè)人人工智能或數(shù)據(jù)科學(xué)工作站。這往往包括數(shù)據(jù)準(zhǔn)備、模型設(shè)計(jì)和初步模型訓(xùn)練。 GPU 加速工作站使使用大型數(shù)據(jù)集的適當(dāng)子集構(gòu)建完整的模型原型成為可能。這通常在幾個(gè)小時(shí)到一兩天內(nèi)完成。

經(jīng)過認(rèn)證的硬件兼容性以及跨人工智能工具的無縫兼容性非常重要。 NVIDIA 認(rèn)證的工作站和服務(wù)器 跨認(rèn)證平臺(tái)提供經(jīng)測(cè)試的企業(yè)無縫性和魯棒性。

關(guān)于作者

André Franklin 是 NVIDIA 數(shù)據(jù)科學(xué)營銷團(tuán)隊(duì)的一員，專注于 NVIDIA 支持的工作站和服務(wù)器的基礎(chǔ)設(shè)施解決方案。他在多個(gè)企業(yè)解決方案方面擁有豐富的經(jīng)驗(yàn)，包括 NetApp 、 Hewlett-Packard enterprise 和具有預(yù)測(cè)分析功能的靈活存儲(chǔ)陣列。安德烈居住在加利福尼亞州北部，以駕駛無線電控制的模型飛機(jī)、滑冰和拍攝大自然遠(yuǎn)足而聞名。

審核編輯：郭婷