關鍵詞：英特爾芯片人工智能AI

由于英特爾試圖與Nvidia共同分享正處于快速增長的服務器AI芯片市場，英特爾渴望其產品能夠涵蓋幾乎所有可能的類別。

Nervana Systems是英特爾2016年收購的AI芯片創業公司，我最近有機會拜訪其位于圣地亞哥的辦事處。Nervana Systems被收購以后，完成了大部分與AI相關的芯片和軟件研發工作。在本次會面上，我見到了英特爾人工智能軟件和研究副總裁Arjun Bansal和英特爾AI研究組高級總監Casimir Wierzynski。

用于處理數據中心內部深入學習工作負荷的芯片市場可分為兩組：

強大的計算系統所使用的芯片，可以訓練人工智能模型來做一些事情，比如理解語音命令，檢測照片中的物體，或者幫助一輛汽車在城市街道上行駛。

運行經過培訓的AI模型與新數據和新內容的芯片，例如移動應用程序的請求，以幫助處理語音命令或提供個性化的新聞飼料內容。這種活動被稱為“推理”，其計算要求遠低于培訓要求，可以由服務器和最終用戶硬件（如電話、個人電腦和汽車）來處理。

雖然競爭開始有所增加，很大比例的AI培訓工作是由Nvidia的Tesla服務器GPU系列來處理。但是，在以前，這項工作通常是由英特爾的Xeon服務器CPU來完成的。然而，越來越多的推理工作正在由Nvidia GPU來完成，可編程芯片（FPGA）則采用英特爾和Xilinx的產品，定制設計的芯片（ASIC）則采用，如Alphabet / Google的Tensor Processing Units（TPU – 它們也可用于培訓）和Amazon.com的新AWS Propferentia芯片。

鑒于Nvidia的服務器AI芯片的工作完全圍繞GPU進行，其特點是針對人工智能工作負載進行專門的處理（它們是眾所周知的AST），英特爾計劃支持一系列廣泛的芯片。其當前和計劃的服務器AI產品包括：

NNP-L1000和NNP-I，一對Nervana ASIC，分別用于訓練和推理。兩者都承諾在今年晚些時候投入生產。Facebook一直是英特爾AI ASIC的開發合作伙伴。

可用于推理的FPGA。微軟和百度使用英特爾的FPGA進行人工智能工作。

服務器GPU陣容。該公司的第一臺服務器GPU預計將在2020年推出。

DL Boost，一組旨在提高Xeon CPU推理性能的技術。英特爾最近發布的Cascade Lake Xeon CPU 引入了DL Boost的第一個版本。

當被問及NNP-L1000相對于Nvidia的Tesla GPU等產品的競爭優勢時，Bansal地指出該芯片是從頭開始設計的，用于訓練AI /深度學習模型，因此不需要關注與圖形相關的功能。他介紹道：“我們不必在與圖形相關的計算上花費任何芯片面積。”

他還指出，由于NNP-L1000獨特的處理架構（它依賴于稱為bfloat16的多種編碼格式），該芯片可以使用16位乘法器電路來提供與GPU所需的32位乘法器相當的性能。這導致更小且功率更高的乘法器，并且（因為乘法器需要一半的數據）使芯片的有效存儲器帶寬加倍。

類似地，Bansal認為，在推理領域，NNP-I相對于FPGA“從功率性能角度來看”將具有很強的競爭力，并為機器翻譯，語音識別和推薦系統等工作負載提供強大的性能。與此同時，他指出，由于能夠重新配置以處理新任務，一些客戶仍然會更喜歡FPGA。

當被問及英特爾如何看待服務器CPU被用于推斷時，因為對加速器的需求有所增長，他建議公司仍將使用空閑CPU容量進行推理工作。他指出：“人們有時會有很多休眠（服務器）容量”

軟件的重要性除了大量的芯片研發投資外，Nvidia在AI培訓芯片市場的主導地位與其構建的開發者生態系統有很大關系。該生態系統以公司的CUDA編程模型和相關的CUDA深度神經網絡（cuDNN）軟件庫為基礎，該軟件庫支持最流行的深度學習軟件框架（以及一些不太流行的軟件框架）。

雖然它已經創建了針對其CPU優化的深度學習軟件庫，英特爾想要削減Nvidia龐大的開發者意識共享的策略，并不是圍繞著創建一個直接針對Cuda和Cuda的競爭對手，而是在推動采用一種名為nGraph的解決方案。nGraph是一個編譯器 – 一個將編程語言中的代碼轉換為可由處理器執行的機器代碼的程序 – 旨在與各種處理器類型的各種深度學習框架（Xeon CPU，Nervana ASIC和甚至是Nvidia GPU），用于培訓和推理工作。

英特爾認為，由于許多AI軟件框架已針對特定類型的處理器（在許多情況下是Nvidia的GPU）進行了優化，所以，將依賴于一種類型的處理器的AI模型移植到另一種類型的處理器上來說，這通常太困難了，而且要讓一個模型在不同的框架上運行也太難了。英特爾稱，nGraph消除了這些挑戰。

在公司僅依賴于一種處理架構的情況下，手動優化的AI軟件庫可能是有效的，但當公司使用三種或四種架構時，它們有可能失效。Bansal斷言。“擁有三四個架構的優勢肯定大于只擁有一種架構。”

當然，英特爾面臨的挑戰是讓企業和云巨頭相信，在很多企業完全依賴Nvidia的GPU進行AI培訓的時候，他們應該使用多個架構。如果一家公司選擇僅僅依靠Nvidia的GPU進行培訓，它可能會堅持使用Nvidia廣泛支持的軟件工具。另一方面，如果人工智能培訓芯片市場開始崩潰，那么英特爾對nGraph的銷售推動力將變得更加強大。

另外，Wierzynski指出，英特爾還投資于解決人工智能隱私問題的軟件解決方案，例如用于處理加密AI數據的開源解決方案。他為解決方案提供了一個用例：醫院可以將加密數據發送給遠程工作的放射科醫師，無需共享患者信息，放射科醫師可以將他或她的答案的加密版本發送回醫院。

Nvidia不太可能很快放棄目前在AI培訓處理器市場上的領先優勢，特別是考慮到它也在該領域投入巨資。雖然服務器推理處理器市場競爭更加激烈，但英特爾可能會成為與Nvidia和Xilinx一樣強大的玩家。

英特爾確實擁有獨特的芯片和軟件戰略來增加其AI加速器的銷售額，并且顯然將其資金投入其中。盡管他們的確切性能和耗電量還有很多需要分享的地方，但這家公司的神經網絡ASIC正從地面上建立起來，以處理AI的工作，這一事實可以幫助他們取得成功。