英特尔的人工智能进击，以产业“马达”姿态应对下一轮芯片大战

分享至

（原标题：英特尔的人工智能进击，以产业“马达”姿态应对下一轮芯片大战）

摘要：在这场芯片大战中，英特尔几乎准备了所有可能存在的处理器架构来应对挑战，群雄逐鹿的精彩对决已经拉开帷幕。

人们都乐观地相信人工智能可能给世界带来的变革，但在这波技术浪潮中，能够扮演“马达”作用的企业还屈指可数。

今年3月24日，英特尔总部宣布将组建了一个人工智能部门，名为AIPG（Artificial Intelligence Products Group），由英特尔此前收购的人工智能公司 Nervana CEO Naveen Rao 统领。英特尔中国区总裁杨旭向钛媒体介绍，“人工智能事业部主要做三个方向：计算能力储备；建立深度产业合作；具体领域实现突破。这个事业部会涉及英特尔的许多产品部门，最关键的是统筹资源专注去做人工智能这件事。”

这是继去年11月成立自动驾驶事业部之后，英特尔再次为某个领域设立独立的事业部，其战略意义可见一斑。

通常来讲，人工智能分三层，最底层是芯片、计算、云等服务层，属于整个产业的基础设施；中间是核心技术层，比如深度学习、计算机视觉，提供某个领域的通用算法；最后是应用层，也就是我们看到的无人驾驶、机器人等各种具备人工智能形态的产品。

AI应用百花齐放的时代还没有到来，但说到底，它的繁荣并非一日之功，也绝不仅仅是AlphaGo下围棋赢过人类那么简单，人工智能不同于以往任何一场技术革命，它对芯片、算法、计算能力——这些像水和电一般的基础设施都提出了截然不同的要求。

数据洪流推动芯片革命

近20年来芯片工艺制程的进化，按照摩尔定律，每隔 18-24 个月每硅芯片性能便会提升一倍的规律，从90年代的台式计算机到现在的人手一部智能移动设备，单位面积计算力已经有了15000倍的增长。

如果你对「计算力」的概念模糊，可以从数据的角度来感受一下。

在上世纪电脑诞生初期，一台 PC的内存还以KB为单位，而现在智能手机随便拍一张照片就是几MB，拍一段高清视频能达到几个GB，数据的洪流正在以史无前例的速度向我们袭来，人工智能产业爆发的基础已然具备。

英特尔研究院院长宋继强预测称，“预计到2020年，一个互联网用户每天将产生1.5GB的数据，每台自动驾驶汽车每天将生成超过4,000 GB的数据，人工智能方面需要的计算力将增长12倍，而这12倍的计算力会给我们带来完全不一样的世界。”

但是需要注意的是，摩尔定律并非一条普适的自然科学性质定律，而是英特尔早期创始人戈登摩尔根据经验的一种观察预言，因为大体符合实际趋势，所以几十年来一直被用于预测半导体行业的未来。

进入到人工智能时代，越来越多人开始担心摩尔定律的极限，以及这种指数级的增长是否能够永远持续，甚至这个命题伴随着芯片产业的发展已经存在了很长时间，也许谁都无法给出明确的答案，但可以肯定是，技术的难题（包括半导体工艺的演进、物理学量子效应和光刻精度尚未突破）确实正在阻碍摩尔定律的速度。

底层基础技术究竟是什么？

在刚刚落幕的Emtech Digital人工智能峰上，一位名叫Gary Marcus的人工智能领域著名研究者、认知科学家给当下火热的人工智能行业破了一盆冷水，他认为“对机器来说识别并不等于理解，人工智能研究在很多领域正停滞不前”，此言并非毫无根据。

实现人工智能本质是模仿人类进行感知、决策的行为，电脑需要处理巨大量的数据，然而现阶段的人工智能发展遇到的一个主要瓶颈，就是人类现有的芯片计算技术（以CPU为主）和人工智能希望模仿的人脑计算方式（深度神经网络）存在着巨大差异。

CPU的工作过程类似工厂流水线作业，即按部就班去做一件事，每个流程都存在着很强的关联性，只有完成这个步骤才能进行下一步，我们通常听到的双核、四核、八核CPU都遵循这个逻辑，即便是英特尔推出256核CPU，也只是同时在处理256件事情而已。

人脑的计算方式比CPU高明很多，大脑有几百亿个神经元，这几百亿个神经元全部都是并发活动，如果把每个神经元比作一个计算单位，人脑相当于几百亿个计算单元在同步进行着不一样的事情，也就是利用我们后来经常听到的深度学习神经网络，这种方式与目前依靠CPU流水线作业的计算方式大相径庭，孰优孰劣一目了然。

众所周知，英特尔奉行的战略是专注通用计算芯片，但是在大规模并行计算领域先天不足，如果想要适应人工智能的计算方式，必须得进行相应的升级调整，即所谓的异构计算，说白了就是在传统CPU计算方式的基础上搭载其他计算单元。

上面所说的这种异构计算目前又被分为了几个主流的结构：CPU+GPU、CPU+FPGA、CPU+ASIC。于是英特尔也转而进军异构计算领域，在全球展开了大规模的并购动作，近两年来的三个并购对象分别为：Nervana、Movidius 和 Altera。

收购 Nervana，占领深度学习高地

Nervana CEO Naveen Rao

2016 年 8 月，英特尔花费 4 亿美元收购了 Nervana 这家初创公司，Nervana 由3名神经科学家于两年前创立，创始团队此前曾供职于高通神经网络部门，在高通任职期间，他们一直在研究的课题就是——如何才能让计算机的性能和效率模拟人脑。

Nervana 的创立的初衷也由此而来，公司最早的业务是依靠出售深度学习为基础的硬件产品，后来通过云计算服务提供深度学习软件，它被人工智能研发人员广泛用于开发及部署神经网络，由于 Nervana 从事的业务方向相对专注，再加上创始团队均为研发出身，创立不久的 Nervana 在业界有着举足轻重的地位。

和前几天斥资153亿美金收购自动驾驶领域公司 Mobileye 相比，4亿美金对于英特尔这个级别体量的公司来说似乎有些不值一提，即便是花钱买个保险，性价比也是极高的，况且 Nervana 通过两年多的发展已经建立了自己的在深度学习领域的技术壁垒。

对像英特尔这样的芯片制造商而言，Nervana 最诱人的地方在于——这家公司一直在努力将深度学习算法嵌入到计算芯片之中，而不是简单地打造能够在大量图形处理器上运行的软件，这个逻辑和英特尔发力人工智能芯片的思路不谋而合。

Nervana CEO Naveen Rao 在接受媒体采访时表示，“英特尔CPU是通用处理器，可以处理许多不同的工作，但它并没有专门针对人工智能进行优化。我们会在英特尔其他所有产品线中增加功能，使它们针对人工智能进行更多优化。”

收购 Nervana 可以加大英特尔在人工智能领域芯片和算法的建设能力，这是其产品本身之于英特尔的吸引力，另外一个层面，很大程度上是为了抵御来自英伟达 (Nvdia) 的威胁，如果 Nervana 被 Nvdia 收入囊中，如今完全会是另外一番局面。

Nvdia 的主战场在 GPU 领域，GPU 最关键的性能是并行计算能力，由于受到人工智能概念的影响，2016整个财年 Nvdia 美股的全年涨幅达到了惊人的224%，是当之无愧的明星公司。

今年，英特尔推出了经过 Nervana 优化的至强处理器 + Lake Crest组合方案，据称这款芯片在同样的能耗水平上，相对于目前的顶级GPU在运行神经网络任务时会有更强的性能，它帮助英特尔在异构计算领域中实现了卡位，毕竟“CPU+GPU”是目前最主流的计算结构，当初的AlphaGo就用了1920个CPU加上280个GPU的组合。

Altera、Movidius 组合双保险

GPU 用于深度学习的效率要高于CPU，但是其设计之初是为了图形计算并非人工智能计算，因此很多人开始思考能不能为人工智能设计一个专门的计算单元，于是有了 FPGA、ASIC 纷纷各领风骚的态势，以下分别来说。

FPGA 全称为可编辑门阵列（Field Programmable Gate Array)，其基本原理是在 FPGA 芯片内集成大量的数字电路基本门电路以及存储器，开发者通过烧入 FPGA 配置文件重新定义这些门电路以及存储器之间的连线，简单讲是一种可重构的芯片体系结构，再通俗一点就是可以像手机那样“刷机”。

根据需要，开发者可以把同一个 FPGA 配置成不同场景下使用的计算芯片，微控制器 MCU、音频编解码器、适用于深度学习的处理器架构等等，FPGA 属于半定制的芯片版本，比大规模的单个定制部件的成本低得多且具备更高的灵活性，一块 FPGA 开发板售价通常只有 1000 美金。

目前 FPGA 领域的大玩家主要有两个，Xilinx 和 Altera，其中 Altera 已经被英特尔以167亿美元的天价收至麾下。在可编辑逻辑领域的市场份额评估中，英特尔预估 Xilinx 占有49%，Altera 占有中的39%，其他供应商分则瓜余下的12%。

另外一种计算结构 ASIC（Application Specific Integrated Circuit），是专为人工智能设计的集成电路芯片，可以理解为 FPGA 的定制版本，如果专门为了深度学习去做芯片显然拥有更强的针对性，一旦规模化量产成本将会大范围降低。

不同于 FPGA 的灵活性，ASIC 结构的芯片一旦设计出来就很难更改，其设计研发周期要远大于 FPGA，上市速度缓慢，用最新的工艺制造 ASIC 芯片单次研发成本动辄几百上千万美元，风险也高于 FPGA 的解决方案，基本上相当于一锤子买卖，没赌对就赔了。

即使九死一生也要奋力一搏，更何况是在赌一个大方向很明确的未来。

为此，英特尔于2016年9月份收购了爱尔兰芯片公司 Movidius，这家公司目前成立将近10年，主要产品是自主研制的低功耗视觉处理器：VPU (Vision Processing Unit)，为谷歌Tango平板电脑和大疆无人机等产品都提供过视觉解决方案。

被英特尔收入囊中的 Movidius 被完全收购已经与英特尔的原有的 RealSense实感技术进行整合，探索计算机视觉方面的芯片方案。

FPGA 和 ASIC 这两种方式在实现深度学习加速器方面各有所长，在一定程度上存在替代关系，FPGA 的可配置性更适合企业、军工等应用，而ASIC的高性能和低成本则适合消费电子领域。

“对于复杂的场景其实是希望使用一个通用的CPU，看你的负载要求可以使用酷睿系列的CPU，或者至强系列CPU去搭配硬件加速模块，硬件加速模块可以选择FPGA还是Nervana，这是看具体的应用具体分析”，英特尔研究院院长宋继强表示。