英特爾明年推專用AI芯片，提前卡位搶攻人工智能

　　英特爾近日宣布明年將全力布局AI，還要推出多個(gè)專用AI處理器晶片，包括代號(hào)為“Lake Crest”的AI晶片，以及搭配Xeon處理器代號(hào)為“Knights Crest”的AI晶片，都將專攻深度學(xué)習(xí)應(yīng)用。至于Xeon Phi晶片也將會(huì)推出新產(chǎn)品。

　　一直以來(lái)，GPU的高度平行運(yùn)算能力在AI應(yīng)用獲得很大關(guān)注，不過(guò)，在平行運(yùn)算略占下風(fēng)的CPU廠商近年來(lái)也開(kāi)始提高CPU的運(yùn)算能力，例如處理器大廠英特爾在新一代CPU處理器內(nèi)，就陸續(xù)特別增加晶片核心數(shù)量，最近英特爾更宣布明年將全力布局AI，甚至還要推出多個(gè)專用的AI處理器晶片。

　　英特爾明年將推出多個(gè)專用AI晶片

　　有了之前布局行動(dòng)晶片太晚而苦于追趕的慘痛經(jīng)驗(yàn)，英特爾這次選擇提早切入AI市場(chǎng)展開(kāi)布局。英特爾近日更在美國(guó)舊金山舉行的Intel AI Day活動(dòng)上，首度正式提出他們了對(duì)于未來(lái)AI發(fā)展的藍(lán)圖和架構(gòu)。英特爾執(zhí)行長(zhǎng)Brian Krzanich在會(huì)中表示，未來(lái)將全力發(fā)展AI，并且預(yù)告明年即將推出的新一代處理器也都將全面支援AI應(yīng)用，希望能提供企業(yè)發(fā)展AI應(yīng)用時(shí)能使用GPU之外的另一新選擇。

　　英特爾計(jì)畫(huà)明年上半年先推出代號(hào)為“Lake Crest”的AI晶片，來(lái)提供客戶測(cè)試用在優(yōu)化深度學(xué)習(xí)運(yùn)算模型上。接下來(lái)，更將搭配Xeon處理器推出另一款代號(hào)為“Knights Crest”的AI晶片，透過(guò)結(jié)合AI應(yīng)用加速機(jī)制，專攻類(lèi)神經(jīng)網(wǎng)路應(yīng)用。Lake Crest和Knights Crest兩者用的技術(shù)都是來(lái)自英特爾今年8月剛并購(gòu)的一家深度學(xué)習(xí)引擎新創(chuàng)Nervana Systems，未來(lái)也將透過(guò)結(jié)合Xeon與Nervana的AI技術(shù)，讓企業(yè)也可以采用英特爾AI晶片的伺服器來(lái)加快深度學(xué)習(xí)應(yīng)用開(kāi)發(fā)。

　　至于英特爾為超級(jí)電腦和HPC伺服器打造的超多核心協(xié)同處理器Xeon Phi，明年也將推出新產(chǎn)品。英特爾表示，明年推出代號(hào)名為“Knight Mill”的Xeon Phi處理器晶片，可以使用多核心處理器執(zhí)行平行運(yùn)算，并擁有大量記憶體，能利用記憶體內(nèi)運(yùn)算以訓(xùn)練各種機(jī)器學(xué)習(xí)模型。英特爾還為Knight Mill加入新的晶片設(shè)計(jì)方式，能符合需要非常多層的神經(jīng)網(wǎng)路架構(gòu)以達(dá)到訓(xùn)練的深度學(xué)習(xí)應(yīng)用來(lái)使用。英特爾甚至宣稱，在執(zhí)行深度學(xué)習(xí)運(yùn)算工作時(shí)，Knight Mill比現(xiàn)有代號(hào)為“Knight Landing”的Xeon Phi處理器速度，還要快4倍。

　　為了加強(qiáng)AI市場(chǎng)布局腳步，英特爾最近也動(dòng)作頻頻，接連買(mǎi)下AI新創(chuàng)業(yè)者Nervana與電腦視覺(jué)新創(chuàng)Movidius，來(lái)加速發(fā)展AI專用硬體，最近更與Google聯(lián)手強(qiáng)化企業(yè)云端應(yīng)用，未來(lái)雙方也將在AI應(yīng)用項(xiàng)目上有更多的合作，例如Google將強(qiáng)化TensorFlow在英特爾處理器上的執(zhí)行效能。TensorFlow是Google去年開(kāi)源釋出的最新機(jī)器學(xué)習(xí)技術(shù)，內(nèi)建支援深度學(xué)習(xí)的能力。 Google將讓TensorFlow可以用于所有英特爾CPU核心以改善平行運(yùn)算、整合高效能函式庫(kù)如Math Kernel library (MKL)到TensorFlow，并且優(yōu)化不同網(wǎng)路拓墣的記憶體配置與資料層的運(yùn)作。