El procesador de inteligencia artificial de Google deja la exclusividad y se abre a cualquier fabricante

La última frase matizaría "crear chips con mayor rendimiento en Deep Learning del que ofrecen las GPUs."

Por otra parte, existe otra razón por la cual Google ha optado por hacer sus propios chips. Para Deep Learning basta con bytes de 8 bits para ejecutar correctamente sus procesos pero las tarjetas Nvidia de consumo general (1080 y similares) trabajan a 32. Lo lógico sería poder trabajar con 8 bits pero Nvidia no permite su ejecución a no ser que adquieras una tarjeta profesional. Es decir, que Nvidia, sabiendo que hay un público que le compra tarjetas a toneladas (Google/Amazon/Facebook...) les capa la posibilidad de adquirir tarjetas "baratas" y les hace pasar por caja por algo similar pero sin capar.

A ver no seas malo,
entre el sw y el hw hay muchas interacciones. Muchas veces el hw avanza pq el sw lo demanda, como éste es el caso. Otras hay sw q no es válido para nada hasta q no llega una generación de hw q le da suficiente capacidad (Codecs Video 4k, 8k).
Obviamente tu puedes meter tensorflow en una raspberry si quieres, otra cosa es si le empiezas a meter capas a la red neuronal y la alimentas con sets de datos grandes, llega un momento, q sí q necesitas ese hardware específico.
Por no hablar de tiempos de respuesta, q la dnn te responda en 20ms o menos a un input es complicado.
Yo creo que sin nvidia, los chips de mobile-eye q usó tesla, tpu y un par de tecnologías más, no estaríamos donde estamos ahora.

Las implementaciones de IA son asimetricas. Para entrenar la red neuronal necesitas capacidades ingentes de porceso. Ahí entran los servicios cloud de amazon con sus Nvidia V100 o google ahora ofreciendo sus TPU.
Para usar la red ya entrenada no necesitas tanta potencia, cualquier sistema con una aceleradora gráfica (una gtx, o una nvidia jetson) puede "reconocer" objetos teniendo esa red descargada en offline.
Para mucha gente interesada en la ia, pagar un sistema para entrenar redes es imposible, pero si tu pagas solo por el uso q haces de esas máquinas hace factible para pequeñas organizaciones entrenar redes a un nivel francamente bueno.

Te aplaudo mil veces. Sencillo y bien explicado. Añado como ejemplo práctico para que se entienda lo que pasó con la IA de ajedrez de Google: se dice que aprendió jugando contra sí misma durante 4 horas. Pero esas 4 horas fueron en la red de ordenadores de alto rendimiento (no sé como describir esto) de la propia Google. Cuando lo pusieron a jugar contra Stockfish, lo hicieron en un PC más o menos normal, pero con todos los datos adquiridos de las mega-computadoras de Google

Entonces la propuesta , es simular entrenar IA , para luego portarla a sistemas propios. ?

Exacto, porque todo depende de la red neuronal y de la cantidad de datos para el entrenamiento, y normalmente cuantos más datos mejor. En un ordenador normal un entrenamiento 'importante' puede llevarse varios días o incluso semanas. Es a ese nicho de usuarios a los que van dirigidos este servicio de Google y el equivalente de Amazon.

El esquema es:
-Se entrena una red neuronal en un mainframe (da igual q sea en tus instalaciones o en el cloud de alguien)
-Una vez entrenada la red se lleva a un sistema de producción para usarla (coche p.e.)
-Opcionalmente el sistema de poduccion recaba nueva información para reentrenar y la manda al mainframe.

No se puede entrenar la red en un sistema de producción pq ni tienen capacidad para ello,ni es deseable q la tengan.

Este no es un servicio que Google o Amazon ofrezcan gratis a cambio de tus datos. Hay un contrato de por medio que estipula qué pueden y qué no pueden hacer con esos datos.

Yo no usaría estas plataformas con datos de los servicios de inteligencia, pero, a falta de ver el contrato, si que se cumpliría la Ley de Protección de Datos y cualquier empresa lo puede utilizar con confianza.

Tienes razón, pero...
No sé hasta q punto google puede garantizar que cumnple la LOPD española p.e. En todo caso tendrías q tener un contrato de cesión de datos con ellos e informar a las personas a las cuales les tomas los datos q vas a alojarlos en google .... Muy complicado.

Lo q sí q te aseguro es q empresarialmente si usas datos de otras empresas, NO estás autorizado a sacar esos datos de tus instalaciones a tercernos y menos si es a unas instalaciones en un 3º pais con legislaciones tan distintas.

Lo digo pq hemos evaluado usar aws para entrenar redes y es un poco follón...

Para entrenar redes neuronales hacen falta muchos datos y de calidad (muchas imagenes p.e.) los q poseen esos datos no suelen estar abiertos a cederlos a la ligera.

Eh, no, los datos en AWS, GCE o Azure NO son vistos por Amazon, Google o Microsoft.

No los ve, pero de facto están en sus instalaciones. Sujetos a sus procesos de backup, controles de acceso de sus instalaciones y a las regulaciones y legislaciones de EEUU.

Eso viola la mayoría de los contratos de privacidad y es difícil q cumpla legislaciones locales como LOPD LSSI ...

Eh, no, de hecho cumplen las actuales leyes de proteccion de datos europeas y la nueva GDPR.

Puedes indicarme dónde encontrar esta info al respecto de lopd lssi y gdpr?

Ya hace tiempo que se usa Tensorflow (la plataforma de Google) para desarrollar algoritmos y productos, en multitud de empresas y a nivel académico, dado que es un sistema abierto (a diferencia de Watson).

Lo que pasa es que antes el entrenamiento de las redes neuronales lo había que hacer utilizando procesadores o GPUs. Ahora Google ofrece un hardware específico que acelera este proceso a una fracción del coste original.

Un símil podría ser el proceso de obtener una raíz cuadrada de un número. Todo el mundo sabe hacerlo, pero si sólo tienes un ábaco, es un proceso muy lento y engorroso. Además, no podrías operar con números muy grandes. Ahora Google ofrece el poder usar una calculadora para esto. Se podrán hacer desarrollos de una forma más eficiente y con números mucho más grandes.

Pq yo, usuario de ir por casa, no puedo acceder a los servicios de watson. Pero sí que puedo descargarme el sw de google (TensorFlow) y ahora usar su hardware para hacer mis cositas en IA.
Eso permite popularizar el acceso a esta nueva tecnología. Ahora cualquier empresa q haga sw o hw puede decidir integrar Machine learning en sus productos a un coste realmente bajo.