英特尔谈如何与Nvidia争夺AI芯片市场

由于英特尔试图与Nvidia共同分享正处于快速增长的服务器AI芯片市场，英特尔渴望其产品能够涵盖几乎所有可能的类别。

Nervana Systems是英特尔2016年收购的AI芯片创业公司，我最近有机会拜访其位于圣地亚哥的办事处。Nervana Systems被收购以后，完成了大部分与AI相关的芯片和软件研发工作。在本次会面上，我见到了英特尔人工智能软件和研究副总裁Arjun Bansal和英特尔AI研究组高级总监Casimir Wierzynski。

服务器AI芯片市场的市场地位

用于处理数据中心内部深入学习工作负荷的芯片市场可分为两组：

强大的计算系统所使用的芯片，可以训练人工智能模型来做一些事情，比如理解语音命令，检测照片中的物体，或者帮助一辆汽车在城市街道上行驶。

运行经过培训的AI模型与新数据和新内容的芯片，例如移动应用程序的请求，以帮助处理语音命令或提供个性化的新闻饲料内容。这种活动被称为“推理”，其计算要求远低于培训要求，可以由服务器和最终用户硬件（如电话、个人电脑和汽车）来处理。

虽然竞争开始有所增加，很大比例的AI培训工作是由Nvidia的Tesla服务器GPU系列来处理。但是，在以前，这项工作通常是由英特尔的Xeon服务器CPU来完成的。然而，越来越多的推理工作正在由Nvidia GPU来完成，可编程芯片（FPGA）则采用英特尔和Xilinx的产品，定制设计的芯片（ASIC）则采用，如Alphabet / Google的Tensor Processing Units（TPU - 它们也可用于培训）和Amazon.com的新AWS Propferentia芯片。

英特尔的服务器AI芯片战略

鉴于Nvidia的服务器AI芯片的工作完全围绕GPU进行，其特点是针对人工智能工作负载进行专门的处理（它们是众所周知的AST），英特尔计划支持一系列广泛的芯片。其当前和计划的服务器AI产品包括：

NNP-L1000和NNP-I，一对Nervana ASIC，分别用于训练和推理。两者都承诺在今年晚些时候投入生产。Facebook一直是英特尔AI ASIC的开发合作伙伴。

可用于推理的FPGA。微软和百度使用英特尔的FPGA进行人工智能工作。

服务器GPU阵容。该公司的第一台服务器GPU预计将在2020年推出。

DL Boost，一组旨在提高Xeon CPU推理性能的技术。英特尔最近发布的Cascade Lake Xeon CPU 引入了DL Boost的第一个版本。

当被问及NNP-L1000相对于Nvidia的Tesla GPU等产品的竞争优势时，Bansal地指出该芯片是从头开始设计的，用于训练AI /深度学习模型，因此不需要关注与图形相关的功能。他介绍道：“我们不必在与图形相关的计算上花费任何芯片面积。”

他还指出，由于NNP-L1000独特的处理架构（它依赖于称为bfloat16的多种编码格式），该芯片可以使用16位乘法器电路来提供与GPU所需的32位乘法器相当的性能。这导致更小且功率更高的乘法器，并且（因为乘法器需要一半的数据）使芯片的有效存储器带宽加倍。

类似地，Bansal认为，在推理领域，NNP-I相对于FPGA“从功率性能角度来看”将具有很强的竞争力，并为机器翻译，语音识别和推荐系统等工作负载提供强大的性能。与此同时，他指出，由于能够重新配置以处理新任务，一些客户仍然会更喜欢FPGA。

当被问及英特尔如何看待服务器CPU被用于推断时，因为对加速器的需求有所增长，他建议公司仍将使用空闲CPU容量进行推理工作。他指出：“人们有时会有很多休眠（服务器）容量”

软件的重要性

除了大量的芯片研发投资外，Nvidia在AI培训芯片市场的主导地位与其构建的开发者生态系统有很大关系。该生态系统以公司的CUDA编程模型和相关的CUDA深度神经网络（cuDNN）软件库为基础，该软件库支持最流行的深度学习软件框架（以及一些不太流行的软件框架）。

虽然它已经创建了针对其CPU优化的深度学习软件库，英特尔想要削减Nvidia庞大的开发者意识共享的策略，并不是围绕着创建一个直接针对Cuda和Cuda的竞争对手，而是在推动采用一种名为nGraph的解决方案。nGraph是一个编译器 - 一个将编程语言中的代码转换为可由处理器执行的机器代码的程序 - 旨在与各种处理器类型的各种深度学习框架（Xeon CPU，Nervana ASIC和甚至是Nvidia GPU），用于培训和推理工作。

英特尔认为，由于许多AI软件框架已针对特定类型的处理器（在许多情况下是Nvidia的GPU）进行了优化，所以，将依赖于一种类型的处理器的AI模型移植到另一种类型的处理器上来说，这通常太困难了，而且要让一个模型在不同的框架上运行也太难了。英特尔称，nGraph消除了这些挑战。

在公司仅依赖于一种处理架构的情况下，手动优化的AI软件库可能是有效的，但当公司使用三种或四种架构时，它们有可能失效。Bansal断言。“拥有三四个架构的优势肯定大于只拥有一种架构。”

当然，英特尔面临的挑战是让企业和云巨头相信，在很多企业完全依赖Nvidia的GPU进行AI培训的时候，他们应该使用多个架构。如果一家公司选择仅仅依靠Nvidia的GPU进行培训，它可能会坚持使用Nvidia广泛支持的软件工具。另一方面，如果人工智能培训芯片市场开始崩溃，那么英特尔对nGraph的销售推动力将变得更加强大。

另外，Wierzynski指出，英特尔还投资于解决人工智能隐私问题的软件解决方案，例如用于处理加密AI数据的开源解决方案。他为解决方案提供了一个用例：医院可以将加密数据发送给远程工作的放射科医师，无需共享患者信息，放射科医师可以将他或她的答案的加密版本发送回医院。

大局

Nvidia不太可能很快放弃目前在AI培训处理器市场上的领先优势，特别是考虑到它也在该领域投入巨资。虽然服务器推理处理器市场竞争更加激烈，但英特尔可能会成为与Nvidia和Xilinx一样强大的玩家。

英特尔确实拥有独特的芯片和软件战略来增加其AI加速器的销售额，并且显然将其资金投入其中。尽管他们的确切性能和耗电量还有很多需要分享的地方，但这家公司的神经网络ASIC正从地面上建立起来，以处理AI的工作，这一事实可以帮助他们取得成功。

本文来自半导体行业观察微信号，本文作为转载分享。