也许并不是每个人都同意这个说法，因为今天发布的ML Perf 0.7评级的结果可能会略有不同，例如，NVIDIA在谈论市场在售的解决方案中最快的超级计算机-当然是基于A100。Google使用的是还未发布的TPU v4。
当谈到机器智能系统时，通常意味着要么使用已经训练过的神经网络，要么训练新的网络。后者需要更多数量级的计算能力，并使用功能强大的多核系统。MLPerf测试套件通常用于评估性能。至于MLPerf 0.7参与者的完整列表以及详细的结果，可以在MLPerf项目网站上找到。
Google长期以来一直在开发自己的用于机器学习的加速器：早在2017年，我们描述了首批能够快速进行256×256矩阵乘法的TPU模型。再近一段时间，第三版的TPU的在“训练”神经网络领域创造了许多新记录。打破纪录的系统的基础是Cloud TPU Pod模块，每个模块都包含1000多个Google TPU芯片并开发了100多个Pflops。
Google在这一领域的主要竞争对手就是NVIDIA了，NVIDIA也非常重视AI加速器的开发。甚至基于V100的解决方案都可以轻松地与Google TPU v3进行竞争，而最新的基于Ampere架构的A100在MLPerf Training中展示了更高的性能水平。
但是，谷歌不会放弃，谷歌研究部门已经发布了MLPerf Training 0.7的最新测试结果，该测试是基于尚未发布的TPU v4张量协处理器。不可能在所有测试中都打败A100，但事实证明这是相当值得的，在某些情况下，NVIDIA的速度更快，但在其他情况下，Google的开发则处于领先的地位。
NVIDIA反过来报告了最新DGX A100的16条记录，并单独指出其产品是可以供货的(并运行任何ML Perf测试或实际负载)，而竞争对手的结果通常是不完整的或无法通过硬件获得的，只是实验性质的，而无法实际获得。
Google新的TPU测试平台包含的AI协处理器数量是上一代的四倍，数量达到了4096。
为了进行测试，我们在TensorFlow，JAX，PyTorch，XLA和Lingvo中使用了AI模型的实现。在不到30秒的时间内，“训练”了八个模型中的四个，这是非常令人振奋的结果。为了进行比较，在2015年，在当时的现代硬件上，类似的学习过程花费了三个多星期。总的来说，TPU v4有望比TPU v3快2.7倍，但Google协处理器第4次迭代的正式发布将使其成为现实。
有关测试MLPerf 0.7的更多信息，请查看官方的Google Cloud博客。你还可以在此处找到有关基于TPU系统的详细信息，但是此信息仍然仅限于该芯片的第三版。迄今为止，已知第四代TPU在矩阵乘法运算中的速度是第三代的两倍以上，拥有更快的存储子系统并具有改进的互连系统。
