<mark id="oztn4"></mark>
0
在數據中心服務市場上，毫無疑問英特爾（Intel）是老大，IDC認為它的市場份額達到了恐怖的99%。但是在最新、最熱的細分市場——人工智能上，英特爾卻沒能拔得頭籌。在這個領域中，現在正如魚得水的是圖像芯片專家英偉達（NVIDIA），它的產品在深度學習神經網絡中大受歡迎，被廣泛用于像圖像識別、語音識別以及自然語言處理等人工智能任務。
在最新的IDF16開發者大會上，英特爾宣布了其最新專門用于人工智能處理的處理器——第三代Xeon Phi，代號“Knights Mill”，劍指該領域中最大廠商英偉達。
Xeon Phi處理器將于2017年推出，英特爾宣稱在Xeon Phi處理器中添加了許多“浮點”計算，這對于機器學習算法來說十分重要。目前英特爾Xeon處理器已在數據中心被廣泛部署，并且也被用于幾乎所有的深度學習計算任務。不過，部分用戶也部署了用于人工智能任務的輔助處理器。這些輔助處理器大多是來自英偉達的GPU（圖形處理單元）。英特爾表示，Xeon Phi處理器產品線比標準Xeon處理器有更多的處理器核心。
英特爾提到，Xeon Phi處理器可以運行大部分數據分析軟件，同時無需用到可能導致分析速度放緩的外部處理器。這是Xeon Phi相對于其他產品的關鍵優勢。英特爾高管還表示，相對基于GPU的方案，Xeon Phi可以搭配更多內存。
英特爾希望這個芯片能在快速發展（但仍屬小眾）的機器學習市場獲得一席之地，英特爾表示：所有服務器中只有7%的被用來處理有關機器學習的算法，另外只有0.1%是在運行深度神經網絡（機器學習的一個分支，模擬神經元和大腦的突觸來處理非結構化數據）。特別是時下最熱門的深度學習，通過最新發布的Xeon Phi處理器，英特爾希望能在這個市場中后來者居上。
目前在深度學習領域中，GPU發揮了相當重要的作用。英偉達的GPUs之所以大行其道是因為它們能進行“并行計算”——該技術可以同時進行多重運算。這使得其在運行深度學習神經網絡時比通用處理器要快得多。以前需要大量的CPU以及超級計算機進行的運算工作，現在只需要少數GPU組合就可以完成。這大大加速了深度學習領域的發展，為神經網絡進一步發展提供了計算基礎。熟悉深度學習的人都知道，深度學習是需要訓練的，所謂的訓練就是在成千上萬個變量中尋找最佳值的計算。這需要通過不斷的嘗試實現收斂，而最終獲得的數值并非是人工確定的數字，而是一種常態的公式。通過這種像素級的學習，不斷總結規律，計算機就可以實現像像人一樣思考。
英特爾執行副總裁以及數據中心組總經理Diane Bryant在采訪中提到：如果這種計算需求迅速擴大的話，GPUs解決方案將會遇到問題?！?span style="color: rgb(255, 0, 0);">GPUs解決方案沒法擴張——這個市場目前仍然處于初級階段，所以目前使用GPUs就能完成任務，但是在未來GPU沒辦法進一步擴展。”
此外，英特爾還找來百度來替自己背書。百度宣布將會使用Xeon Phi芯片來運行它的自然語言處理服務“Deep Speech”。此前百度一直都是使用英偉達的GPUs來加速自己的深度學習模型，就在上月現任英偉達CEO黃仁勛（Jen-Hsun Huang）選擇在斯坦福大學與深度學習專家舉行一個小規模的交流會，在會上發布號稱當下性能最強悍的GPU顯卡——TITAN X，并把第一塊TITAN X顯卡送給了現任百度美國研究員首席科學家Andrew Ng（吳恩達）。如今百度選擇在IDF16上宣布將Xeon Phi芯片來運行它的自然語言處理服務“Deep Speech”，對于百度未來是否還將繼續使用英偉達的技術，百度一名發言人拒絕透露有關信息。
這表明在這場有關AI（人工智能）未來的戰爭中，英特爾表現得越來越激進。在最近發布的一些基準測試中，英特爾宣稱Xeon Phi處理器比英偉達的GPUs快2.3倍。
不過英偉達在最新的博客中提到英特爾使用的是過時的軟件和硬件，得出的結果并不具有說服力。英偉達聲稱如果英特爾使用最新的技術的話，英偉達將會在機器學學習模型訓練上比英特爾快30%。英偉達另外提到，如果根據最新數據用4個Pascal 架構組成的TITAN X GPU，其運行速度是4個Xeon Phi 處理器的 5 倍多。
“可以理解，剛進入這個領域的新人可能沒有意識到這個領域中軟硬件正在發生的進步。”英偉達在其最新官方博客中提到。
針對英偉達的激烈反擊，英特爾最新的回復是：“完全可以理解英偉達擔心英特爾在這一領域的動作，英特爾所有的表現數據都是基于當下的公開可用的解決方案而來，我們對數據有信心。”無論基準結果如何，英特爾稱光靠GPU是無法完成所有的加速任務的。 此外作為英特爾進軍人工智能的一部分，英特爾上周宣布以4.08億美元收購AI初創公司Nervana。想要了解后續相關信息，請持續關注我們的報道。
PS : 本文由雷鋒網編譯，未經許可拒絕轉載！
via Forbes Nvidia Blog等
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
