Нейросети это обычная математика, поэтому любой процессор с ними «дружит». Другой вопрос, что архитектура видеокарты (чем занимается nVidia) хорошо походит для распараллеливания математических задач (теоретически, должно быть на порядки лучше, чем на серверных процессорах. Практически — не знаю, не спец), поэтому для обучения нейросетей обычно используют видеокарты, но это никак не мешает использовать и обычные процессоры.

Но зачем это вообще надо, вот в чём вопрос. Львиная доля софта для нейронок под nvidia заточена

для тренировки сетей, по крайней мере на текущий момент, применение GPU в среднем предпочтительнее чем универсальных процессоров. Стоит учитывать однако, что в идеале, тренировка сети делается один раз и в одном месте, а вот inference/scoring, ну то есть, применение модели над данными может происходить часто и массово. Например, системы наблюдения за автомобильным движением. Это могут быть сотни тысяч устройств по стране, работающие 24×7, т. е. непрерывно. Тут уже важно и энергопотребление и цена и габариты системы в целом. Но и здесь, все идет к тому чтобы применять специализированные процессоры, т.к. специализированный процессор, как правило, всегда будет более эффективен на своей специальной задаче чем универсальный. Судя по новостям, работают в этом направлении и у нас, недавно здесь проходила новость о разработке отечественного нейропроцессора.

Если вас интересуют нейросети, то обратите внимание на вот это.

Микропроцессор IVA

Специализированные процессоры IVA — это разработка IVA Technologies, которая базируется на результатах собственных исследований нейропроцессоров. Решение IVA обладает следующими ключевыми преимуществами:

гибконастраиваемое IP-ядро ускорителя тензорных вычислений;

поддержка Convolutional, FC, LSTM сетей, 3D-Convolution;

фреймворк для оптимизации сетей.

В сравнении с существующими конкурентными решениями процессоры IVA Technologies демонстрируют значительно более высокую производительность (GFLOPS) при минимально потребляемой мощности:

10 000 вычислительных элементов;

20 TOPS;

типы данных: integer и reduced float;

оптимизация вычислений для разреженных матриц (Fine grain Sparsity);

мощность: 100 W.

Микропроцессоры IVA будут представлены в двух вариантах исполнения: FPGAs и ASICs. Также в разработке находится возможность интеграции IP-ядра в качестве сопроцессора на SoC для мобильных устройств.

План развития продукта:

Q3 18 — демо FPGA для сверточных сетей (ResNet, GoogleNet, Mobile net);

Q4 18 — поддержка 3D-Convolution;

Q4 18 — демо FPGA для рекурентных сетей (Deep Speech, Natural Language Translation);

2019 — тестовый образец микросхемы IVA.