英特尔探索专用AI芯片——面向异构计算世界

在 IT 产业中，“安迪-比尔”定律很好地概括了软件和硬件演进的规律。这个规律同样也在人工智能领域上演：回顾近几年的人工智能发展，算力的提升为深度学习算法的实现创造了基础条件，算法的大规模应用加快了算法本身的进化速度，加之互联网与移动互联网带来的大量数据，现在，算力又成了需要大幅提高的要素，尤其是深度学习计算提出的需求。

“未来几年，AI 模型的复杂性以及对大规模深度学习计算的需求将爆发式增长，我们也认识到，AI 不能只靠一块芯片来提供，而是要通过多种选择方案来实现，每一种方案都要针对具体用途来量身定制。我们看到人工智能正在步入一个异构的世界，在那里，合作伙伴之间的深度协作会产生更好的解决方案，并助力推动AI价值的全面实现。”7 月 3 日，英特尔公司副总裁、人工智能产品事业部总经理 Naveen Rao 在接受 DeepTech 采访时表示。

作为计算机架构师和神经科学家，Naveen Rao 可以说是英特尔公司中懂深度学习技术的领导者之一。他在 2014 年创建了深度学习领域中公认的领导厂商 Nervana。 2016 年，Nervana 被英特尔收购，此举被认为标志着英特尔豪赌人工智能将成为企业数据中心的关键。作为 Nervana 的首席执行官兼联合创始人，Rao 也随即加入英特尔。更早之前，Rao 曾担任高通公司的神经拟态机械装置研究员，着重研究人工系统中的神经计算和学习。

AI 并非单一的工作负载，而是一种广泛的、能够强化所有应用性能的强大能力，无论这些应用是运行在手机上，还是大规模数据中心内。然而，手机、数据中心以及两者间的所有设施都对性能和功耗有着不同的要求，因此，单一的 AI 硬件无法满足一切需求。

而在英特尔内部，Naveen Rao 正在带领一支团队开发支持深度学习技术广泛部署的软硬件产品组合。据了解，该团队打造的英特尔新款芯片 Nervana 神经网络处理器将是第一批专门为深度学习技术设计的处理器之一。

今年 1 月的 CES 上，Naveen Rao 宣布他们正在和 FaceBook 合作研发新款 AI 芯片—— Nervana 神经网络推理处理器（NNP-I），并将于下半年完成最后的开发工作。

而在不久前举行的百度 AI 开发者大会上，Naveen Rao 宣布，英特尔正与百度合作开发英特尔？ Nervana？ 神经网络训练处理器（NNP-T）。这一合作包括全新定制化加速器，以实现极速训练深度学习模型的目的。此次 NNP-T 是一类全新开发的高效深度学习系统硬件， 能够加速大规模的分散训练。

Naveen Rao 对 DeepTech 表示，和百度合作的这款产品实际上也是在三年前收购了 Nervana 之后，英特尔目前向市场上推出的第一款实际应用的深度学习处理器产品。

据介绍，在双方的合作中，英特尔主要贡献的是全新的面向神经网络处理的架构，百度所做的主要是提供实际使用和训练的反馈，包括他们在服务客户时得到的反馈。实际上，双方的合作内容不仅仅只局限于神经网络计算，除了计算本身，还要考虑到提供的解决方案的可服务性、有效性，包括后续的解决方案可以横向和纵向地加以拓展等等。

“百度比较看重的是整个业界面向未来的新动态和新趋势，换言之就是大规模分布式的神经网络的工作。同时英特尔在软件方面的建树，也使得整个生态系统相关方合作伙伴可以在我们的架构之上开展他们的工作”，他说。

近几年，英特尔在拥抱专用芯片上热情渐显，收购 Nervana，也是有意在专属 AI 芯片的领域中大展拳脚。在过去两年时间里，英特尔的转型愈发明显，从以 CPU 为主的产品，逐步发展到现在也有用于异构计算的 GPU 和加速器，甚至专用显卡等。随着 AI 计算不断朝着异构的方向发展，由英特尔所构建的完整产品线也将更灵活地满足异构计算的需求。

据 Naveen Rao 透露，这款神经网络处理器的性能表现内测整体效果非常不错，除了百度和 Facebook 以外，团队打造的神经网络处理器也已经有其他的业内公司表示感兴趣。

“市场中的需求已经非常强劲了，今年年底我们会发布面向推理和面向训练的处理器，也会公布芯片的测试信息”，他说。

尽管英特尔现在还没有向外界发布其在 AI 领域非常具体的产品路线图或者布局、规划，但从其和百度的合作中不难看出，英特尔正在通过和客户的合作来“试水”如何在这个方向上前进，与百度的密切合作能够确保英特尔紧跟客户对训练硬件的最新需求。

Naveen Rao 认为，目前 AI 芯片成为各大厂商争相发力的战场，实际也从侧面反映出强劲和高涨的 AI 计算需求，尤其是未来一到两年的时间，会看到市场中各种不同的解决方案涌现出来，这是创新的必然结果，但并不是每一个厂家最后都能活下来，决定成败有很多细小的因素，比如软件、生态系统方面，以及这些公司能在多大程度上为他们的 ODM 或者 OEM 厂商进行赋能。