英伟达的gpu已经占据了大量深度学习神经网络解决方案的市场，比如图像识别技术——这是人工智能在过去5年里取得的最大突破之一。但英特尔一直试图通过收购诸如神经紧张、Mobileye和Movidius等公司来定位自己。而当英特尔在2016年以3.5亿美元收购了神经系统公司时，该公司的首席执行官Naveen Rao也获得了该公司的支持。
Naveen Rao拥有计算机架构师和神经学家的背景，他现在是英特尔人工智能产品集团的副总裁兼总经理。他在本周的一次活动上发表了讲话。英特尔宣布，其Xeon处理器在2017年创造了10亿美元的收入，用于人工智能应用。Rao认为，到2022年，人工智能芯片的总市场将达到80-100亿美元。
为了实现这一目标，英特尔可能不得不从头开始打造人工智能芯片，并击败英伟达和其他创业公司。本周，我在加州圣克拉拉的英特尔以数据为中心的创新峰会上与拉奥讨论了竞争。
有一些有趣的数字。Xeon的价值数十亿美元与1300亿美元相比，这很有趣。这是一个开始。
Naveen Rao：在创业世界里，这是一个巨大的市场。突然间，你就成了一家价值200亿美元的公司。这是市场的开始。人工智能才刚刚开始。现在是第二局的第一名。我们还有很长的路要走。
VentureBeat：你的策略似乎是在掩盖这样一种观点，即人工智能芯片需要被设计成人工智能芯片，而不是cpu或gpu。
Naveen Rao：我会给你一个来自我们竞争对手的好例子。他们几乎做到了这一点。他们把他们的GPU，钉在一个张量核上，这完全是人工智能的东西。你可以这样想，他们的生态系统是GPU，所以他们把另一件事放在了模具上。与我们所做的相反，我们的生态系统是整个计算机。这是CPU。我们将这些能力建立在这种加速器中。这对他们的策略有好处，但并没有利用GPU。为了解决这个问题，它几乎是在从头开始建造一些东西。
我认为，这方面已经有了证据。但也就是说，我们在进化CPU。这是一个进化的弧线，因为它支持许多不同的应用。它支持我们在CPU数据中心中所喜爱的规模。我们想要小心我们怎么做。我们必须确保我们能够在所有重要的工作负载上保持领导地位，然后添加对未来工作负载很重要的新功能。我们理解未来工作负荷的方式是建立加速器，这实际上是矛的尖端，弄清楚哪些能力是有意义的回到宿主的。
VentureBeat：英伟达会不会回来说，“你们只是在做一些事情来做更好的图像识别”，你是否仍然觉得我们正在为现有的东西添加额外的东西?在那之后会发生什么?
Naveen Rao：接下来要做的是了解如何在计算中有效地将数据移动到AI的工作负载中。这就是波峰线一直以来的样子。我们如何有效地做到这一点并达到最大的性能?你可以在今天的GPU上看到它。利用率非常低，因为他们没有采用整体的方法。
再一次，这对他们来说是一个很好的策略，因为他们把他们的平台发挥到了极致。这是正确的做法。同样地，我们已经看到了——推断是在数据中心中扩展循环次数的非常快的路径。考虑到Xeon在数据中心中的位置，我们很自然地添加了这些功能。工作负载组合随着时间的推移而变化。这在五年前是不存在的。就像我们说的，现在是10亿美元。在更大的数据中心市场的背景下，这个市场规模约为2000亿美元，这是微不足道的。但它的扩张速度非常快。
VentureBeat：在情况如此紧张的情况下，你会得到更多的人工智能设计吗?
Naveen Rao:没错。
VentureBeat：当你这样做的时候，与向CPU添加东西相比，有什么完全不同的呢?
Naveen Rao：你管理数据的方式通常不会自动管理缓存。这是一个方面。对特定数据类型的承诺，不需要支持100种不同的工作负载。你支持那些对AI很重要的人。您可以更精确地了解您的数据类型。这影响了你连接所有东西的电线。您可以优化芯片上的互连，甚至基于此，这会给您带来性能提升。
分配工作负载的能力，是不需要是通用的。你不会做很多不同种类的并行分布式计算。你要做一组特定的集合。您可以为这些集合构建构念。它可以让你在你的技术中更有针对性，并能得到一些工作。如果你试着从一开始就把海洋煮沸，你就永远不会这么做。
VentureBeat：对于推理和训练，是否会有不同的解决方案，更专业化?
Naveen Rao我想我们会看到，你可以称它们为专门的解决方案，但实际上它们是按不同的方向调整的。我们已经看到的是，TCO，每瓦特的性能，对于推理来说是极其重要的。你做了大规模的工作。它与你的应用程序绑定在一起。绑定到堆栈和非常好的TCO是很重要的。
对于培训来说，TCO不那么重要。人们对事情没有被完全占据的情况是可以接受的，因为当工程师打电话并想要完成一份培训工作时，他们希望尽快完成。最大的性能更大。从技术的角度来看，你可以从技术的角度来看待这个问题，好吧，我的训练解决方案的力量在哪里?内存接口是it的重要组成部分，并计算。
在我的推理解决方案中，我不需要内存。它不是内存密集型的。我可以把它关掉。我使用不同的记忆技术。如果你正在构建一个横向扩展推理技术，你就不会使用HBM。太耗电了。它有更好的性能，但是你不需要它，所以让我们使用低功率的东西，每瓦性能更好。您的缓存可能不同。在芯片上实际使用的东西是不同的。
再一次，你调整了所有这些参数。它们的工作原理类似于一个产品系列，但它们实际上是不同的旋钮，它们扭曲了不同的方法来优化特定的任务。
VentureBeat：对于自动驾驶汽车来说，你有多种不同的解决方案，无论是在汽车里还是在云端，都能与汽车交流。我和Vinod Dham谈过他的新创业公司AlphaICs。他说，强大的人工智能和基于代理的人工智能可能更有必要解决自动驾驶问题。这是多么严肃的事情，成为每个人都要去的方向?
Naveen Rao：让我给你更多的上下文答案。如果我们观察一个大脑，我们观察它的部分，就有能力处理视觉环境，来分割它。这些都是植物。这是人行道。这是一个光。这是一个方面。这就是我们今天要做的。我们所称的人工智能是在处理复杂的数据，并将其简化为具有潜在可操作性的东西。当我制造一辆自动驾驶汽车时，我将在道路所在的地方，行人所在的地方，并将其输入到一些更声明性的编码中。“如果孩子在我面前，踩刹车。”
人工智能的下一个层次是不断学习和依附于环境。作为一个神经学家，这是我研究过的。如果我想要完成一个动作，拿起我的手，把它移动到这个空间的这个点，我必须弄清楚需要发送什么样的运动指令，并准确地预测出什么是感官的结果。当它达到那个位置时，我的眼睛会是什么样子，感觉就像我手臂上的传感器?如果出现不匹配，就会发生错误。如何修复这种不匹配?我从我的错误中吸取了教训。
它是一个不断进化的行动循环，环境，后果，和学习。这就是我们想要达到的目标。我相信，要想让机器人在世界上获得完全的自主权，这是一辆自动驾驶汽车，我们可能确实需要解决其中的一些问题。我们还没到那一步。
京公网安备 11010502049343号