很少有组织像Facebook Inc.那样大规模使用人工智能。社交网络的深度学习模型每天执行200万亿次预测，通过从头开始设计用于运行神经网络的专用硬件，可以实现一定水平的输出。

在今天在加利福尼亚州圣何塞举行的开放计算峰会上，Facebook开源了构成其基础架构的三个核心构建块。它们包括设计用于培训深度学习模型的唯一功能强大的服务器，以及一对类似的专用内部设计芯片。

AI项目的培训阶段通常是整个开发工作流程中最耗费硬件的方面。在算法可以处理实时数据之前，工程师必须向其提供大量的培训信息，以帮助其学习寻找的模式以及方式。以Facebook为例，该公司的程序员利用超过35亿张公共图片的存储库来完善其模型。

它今天开源的AI培训服务器有助于加快这一过程。该机器被称为锡安(Zion)，由八个中央处理单元提供动力，每个中央处理单元具有大量的所谓 DDR 内存，并且可以彼此共享此内存以协调处理。

管理员可以为Zion配备多达八个额外的芯片，这些芯片针对他们在给定项目中正在训练的特定AI类型进行了优化。这些加速器基于OAM，这是Facebook今天开源的 另一项技术。这是一种硬件标准，半导体制造商可以实施此标准，以将不同种类的芯片封装在一个通用的标准化模块中。

锡安(Zion)对OAM的使用使服务器具有高度的通用性。该服务器可以配备各种加速器，包括图形卡，现场可编程门阵列，甚至是完全定制的处理器，只要它们都属于同一标准化模块即可。

Facebook工程师Kevin Lee，Vijay Rao和William Christie Arnold写道：“ Zion分离了系统的内存，计算和网络密集型组件，从而使每个组件均可独立扩展。” “随着我们的AI培训工作负载的大小和复杂性不断增加，Zion平台可以随之扩展。”

Facebook与锡安(Zion)一同推出的两款芯片Kings Canyon和Mount Shasta的设计也反映了对可伸缩性的需求。它们是专用集成电路，社交网络巨头在硬件级别针对各自的目标工作负载进行了优化。

Kings Canyon旨在执行推理，这是已经受过训练的AI进行数据处理的术语。Facebook在专用的“加速器机架”中使用它，每个加速器机架都可以容纳多个芯片，并通过网络连接到公司数据中心的服务器。

另一种定制芯片Mount Shasta已针对视频转码进行了优化。在Facebook的数据中心中，处理器处理生成用户上传到社交网络的剪辑的低分辨率版本的任务。这样，互联网连接速度缓慢或不可靠的成员就可以更轻松地访问视频内容。

Facebook的工程师写道：“平均而言，我们期望视频加速器的效率比当前服务器高出很多倍。”