英特尔用新芯片追逐AI，但仍然缺乏有效的GPU,灰鸽子下载,远程控制软件

admin

英特尔用新芯片追逐AI，但仍然缺乏有效的GPU,灰鸽子下载,远程控制软件
英特尔深度学习芯片将在明年到来

huigezi

英特尔在芯片开发方面采取了新的发展方向，因为它着眼于人工智能的未来，该公司认为该技术将渗透应用和网络服务。

该公司周四表示，正在开发新的芯片，将处理AI工作负载，这将日益成为其芯片的未来的一部分。 现在，AI芯片将作为专门的主要芯片或协处理器在计算机和独立于主要产品线发布。

但随着时间的推移，英特尔可以将AI功能适配并集成到其主流服务器，物联网，甚至PC芯片。 AI功能可用于服务器，无人机，机器人和自动汽车。 英特尔积极追逐这些行业，因为它试图在弱化的PC市场之外实现多元化。
AI计算目前主要由来自Nvidia的GPU和来自像Google这样的公司定制的芯片。英特尔的计划是提供广泛的替代非GPU芯片用于深度学习，以加速其进入AI。英特尔在移动市场上失去了一个机会，因为它是一个迟到的进入者，它不想重复AI中的错误。

英特尔缺乏强大的GPU来追逐AI，但希望替代芯片将填补空白。该公司相信它不需要一个GPU，不想把所有的鸡蛋放在一个篮子里，就像Nvidia。

英特尔正在开发一个代号为Knights Mill的怪物AI芯片，目标是深度学习，它将成为Xeon Phi芯片系列的一部分。英特尔数据中心集团公司副总裁Jason Waxman表示，该公司已经分享了该芯片的一些细节信息，但是深度学习任务的速度是当前代号为Knights Landing的Xeon Phi芯片的四倍。

Knights Mill将于明年发货，时间提供了英特尔如何迫切地加速进入AI空间的快照。在其两个以前的Xeon Phi处理器的发布之间有四年的差距。

与英特尔开发的其他芯片相比，Knights Mill将具有几个独特的功能。与英特尔专注于精确计算的高性能芯片不同，Knights Mill将串联一系列快速低级浮点计算以得出结论。这些结论得到了深度学习的本质 - 一些结论，如图像的识别可能不总是精确的。但随着计算机深层学习模式的增强，结论将更加准确。

在明年上半年，英特尔还将发布第一个深度学习硬件从最近收购Nervana系统。该芯片将主要针对培训 - 创建用于深度学习的计算机模型。它也可以用于推理，通过额外的输入增强深度学习模型。

Nervana芯片将主要针对服务器。英特尔最初将其作为可插入标准PCI-Express端口的卡发布。但随着时间的推移，硬件将更接近处理器集成，英特尔人工智能解决方案副总裁兼总经理Nervana Systems的创始人Naveen Rao说。

这两个新的芯片将加入到已经在英特尔的武器库中的一个迷你AI芯片。英特尔最近收购了用于Google Glass的计算机视觉芯片制造商Movidius。 Movidius芯片可用于可穿戴设备，无人机和机器人，用于物体识别和深度测量。

英特尔还销售FPGA（现场可编程门阵列），这些电路可以重新编程以完成特定任务。英特尔希望将FPGA放在服务器，自动化汽车，机器人和无人机中。英特尔明年将推出深度学习推理加速器，这是一个与推荐芯片竞争的FPGA，如Google的Tensor Processing Unit。

英特尔的紧迫感是由于对人工智能兴趣的激增，这种技术还处于起步阶段。数字信息从传感器馈送，AI是一种新兴的技术来感知数据。

像谷歌，Facebook和亚马逊这样的大公司正在部署软件和硬件，可以尝试了解大量的信息。一个AI例子是微软的Cortana，它应用算法和FPGA来识别语音。
这些系统的有效性在很大程度上由用于沙盒深度学习模型的软件堆栈定义。从Nervana获取的软件栈将作为英特尔的深度学习并行编程框架。开源框架将与诸如Caffe，Torch，Google的TensorFlow和Microsoft的CNTK（认知工具包）等热门选项竞争。

但是所有这些AI芯片会给客户造成混乱吗？越多越好，Waxman说;英特尔希望为客户提供广泛的替代品。一些芯片在特定任务更好;例如，FPGA在单一参考任务中更好，例如识别图像中的猫或狗，Waxman说。

Tirias Research的首席分析师吉姆·麦格雷戈（Jim McGregor）表示，英特尔很重视获得一个AI市场。

通过将许多AI芯片投入市场，英特尔希望看到哪个人会坚持，他说。 McGregor说：“这是一个很好的英特尔公司，有多种解决方案，但英特尔没有任何优势。

但有风险。英特尔购买了Nervana系统公司的软件堆栈，任何试图锁定客户的工具都不会被行业接受，McGregor说。 Nervana的工具是开源的，但是专为英特尔的芯片，但竞争的框架，如Caffe正在越来越受欢迎。

“这是一个可疑的策略，英特尔在过去十年为此做了，他们试图推动每个人走下他们的道路，”麦格雷戈说。

但深层学习还处于起步阶段。完成深度学习的计算技术需要很长时间，新型硬件如量子计算机和脑模拟芯片可能改变景观。