英特爾的人工智慧進擊，以產業「馬達」姿態應對下一輪晶片大戰

人們都樂觀地相信人工智慧可能給世界帶來的變革，但在這波技術浪潮中，能夠扮演「馬達」作用的企業還屈指可數。

今年3月24日，英特爾總部宣布將組建了一個人工智慧部門，名為AIPG（Artificial Intelligence Products Group），由英特爾此前收購的人工智慧公司 Nervana CEO Naveen Rao 統領。

英特爾中國區總裁楊旭向鈦媒體介紹，「人工智慧事業部主要做三個方向：計算能力儲備；建立深度產業合作；具體領域實現突破。

這個事業部會涉及英特爾的許多產品部門，最關鍵的是統籌資源專注去做人工智慧這件事。

」

這是繼去年11月成立自動駕駛事業部之後，英特爾再次為某個領域設立獨立的事業部，其戰略意義可見一斑。

通常來講，人工智慧分三層，最底層是晶片、計算、雲等服務層，屬於整個產業的基礎設施；中間是核心技術層，比如深度學習、計算機視覺，提供某個領域的通用算法；最後是應用層，也就是我們看到的無人駕駛、機器人等各種具備人工智慧形態的產品。

AI應用百花齊放的時代還沒有到來，但說到底，它的繁榮並非一日之功，也絕不僅僅是AlphaGo下圍棋贏過人類那麼簡單，人工智慧不同於以往任何一場技術革命，它對晶片、算法、計算能力——這些像水和電一般的基礎設施都提出了截然不同的要求。

數據洪流推動晶片革命

近20年來晶片工藝製程的進化，按照摩爾定律，每隔 18-24 個月每矽晶片性能便會提升一倍的規律，從90年代的台式計算機到現在的人手一部智能移動設備，單位面積計算力已經有了15000倍的增長。

如果你對「計算力」的概念模糊，可以從數據的角度來感受一下。

在上世紀電腦誕生初期，一台PC的內存還以KB為單位，而現在智慧型手機隨便拍一張照片就是幾MB，拍一段高清視頻能達到幾個GB，數據的洪流正在以史無前例的速度向我們襲來，人工智慧產業爆發的基礎已然具備。

英特爾研究院院長宋繼強預測稱，「預計到2020年，一個網際網路用戶每天將產生1.5GB的數據，每台自動駕駛汽車每天將生成超過4,000 GB的數據，人工智慧方面需要的計算力將增長12倍，而這12倍的計算力會給我們帶來完全不一樣的世界。

」

但是需要注意的是，摩爾定律並非一條普適的自然科學性質定律，而是英特爾早期創始人戈登摩爾根據經驗的一種觀察預言，因為大體符合實際趨勢，所以幾十年來一直被用於預測半導體行業的未來。

進入到人工智慧時代，越來越多人開始擔心摩爾定律的極限，以及這種指數級的增長是否能夠永遠持續，甚至這個命題伴隨著晶片產業的發展已經存在了很長時間，也許誰都無法給出明確的答案，但可以肯定是，技術的難題（包括半導體工藝的演進、物理學量子效應和光刻精度尚未突破）確實正在阻礙摩爾定律的速度。

底層基礎技術究竟是什麼？

在剛剛落幕的Emtech Digital人工智慧峰上，一位名叫Gary Marcus的人工智慧領域著名研究者、認知科學家給當下火熱的人工智慧行業破了一盆冷水，他認為「對機器來說識別並不等於理解，人工智慧研究在很多領域正停滯不前」，此言並非毫無根據。

實現人工智慧本質是模仿人類進行感知、決策的行為，電腦需要處理巨大量的數據，然而現階段的人工智慧發展遇到的一個主要瓶頸，就是人類現有的晶片計算技術（以CPU為主）和人工智慧希望模仿的人腦計算方式（深度神經網絡）存在著巨大差異。

CPU的工作過程類似工廠流水線作業，即按部就班去做一件事，每個流程都存在著很強的關聯性，只有完成這個步驟才能進行下一步，我們通常聽到的雙核、四核、八核CPU都遵循這個邏輯，即便是英特爾推出256核CPU，也只是同時在處理256件事情而已。

人腦的計算方式比CPU高明很多，大腦有幾百億個神經元，這幾百億個神經元全部都是並發活動，如果把每個神經元比作一個計算單位，人腦相當於幾百億個計算單元在同步進行著不一樣的事情，也就是利用我們後來經常聽到的深度學習神經網絡，這種方式與目前依靠CPU流水線作業的計算方式大相逕庭，孰優孰劣一目了然。

眾所周知，英特爾奉行的戰略是專注通用計算晶片，但是在大規模並行計算領域先天不足，如果想要適應人工智慧的計算方式，必須得進行相應的升級調整，即所謂的異構計算，說白了就是在傳統CPU計算方式的基礎上搭載其他計算單元。

上面所說的這種異構計算目前又被分為了幾個主流的結構：CPU+GPU、CPU+FPGA、CPU+ASIC。

於是英特爾也轉而進軍異構計算領域，在全球展開了大規模的併購動作，近兩年來的三個併購對象分別為：Nervana、Movidius 和 Altera。

收購 Nervana，占領深度學習高地

Nervana CEO Naveen Rao

2016 年 8 月，英特爾花費 4 億美元收購了 Nervana 這家初創公司，Nervana 由3名神經科學家於兩年前創立，創始團隊此前曾供職於高通神經網絡部門，在高通任職期間，他們一直在研究的課題就是——如何才能讓計算機的性能和效率模擬人腦。

Nervana 的創立的初衷也由此而來，公司最早的業務是依靠出售深度學習為基礎的硬體產品，後來通過雲計算服務提供深度學習軟體，它被人工智慧研發人員廣泛用於開發及部署神經網絡，由於 Nervana 從事的業務方向相對專注，再加上創始團隊均為研發出身，創立不久的 Nervana 在業界有著舉足輕重的地位。

和前幾天斥資153億美金收購自動駕駛領域公司 Mobileye 相比（詳情查看鈦媒體報導《153億美金！英特爾確認收購Mobileye，買下無人駕駛的未來！》），4億美金對於英特爾這個級別體量的公司來說似乎有些不值一提，即便是花錢買個保險，性價比也是極高的，況且 Nervana 通過兩年多的發展已經建立了自己的在深度學習領域的技術壁壘。

對像英特爾這樣的晶片製造商而言，Nervana 最誘人的地方在於——這家公司一直在努力將深度學習算法嵌入到計算晶片之中，而不是簡單地打造能夠在大量圖形處理器上運行的軟體，這個邏輯和英特爾發力人工智慧晶片的思路不謀而合。

Nervana CEO Naveen Rao 在接受媒體採訪時表示，「英特爾CPU是通用處理器，可以處理許多不同的工作，但它並沒有專門針對人工智慧進行優化。

我們會在英特爾其他所有產品線中增加功能，使它們針對人工智慧進行更多優化。

」

收購 Nervana 可以加大英特爾在人工智慧領域晶片和算法的建設能力，這是其產品本身之於英特爾的吸引力，另外一個層面，很大程度上是為了抵禦來自英偉達 (Nvdia) 的威脅，如果 Nervana 被 Nvdia 收入囊中，如今完全會是另外一番局面。

Nvdia 的主戰場在 GPU 領域，GPU 最關鍵的性能是並行計算能力，由於受到人工智慧概念的影響，2016整個財年 Nvdia 美股的全年漲幅達到了驚人的224%，是當之無愧的明星公司。

今年，英特爾推出了經過 Nervana 優化的至強處理器 + Lake Crest組合方案，據稱這款晶片在同樣的能耗水平上，相對於目前的頂級GPU在運行神經網絡任務時會有更強的性能，它幫助英特爾在異構計算領域中實現了卡位，畢竟「CPU+GPU」是目前最主流的計算結構，當初的AlphaGo就用了1920個CPU加上280個GPU的組合。

Altera、Movidius 組合雙保險

GPU 用於深度學習的效率要高於CPU，但是其設計之初是為了圖形計算並非人工智慧計算，因此很多人開始思考能不能為人工智慧設計一個專門的計算單元，於是有了 FPGA、ASIC 紛紛各領風騷的態勢，以下分別來說。

FPGA 全稱為可編輯門陣列（Field Programmable Gate Array)，其基本原理是在 FPGA 晶片內集成大量的數字電路基本門電路以及存儲器，開發者通過燒入 FPGA 配置文件重新定義這些門電路以及存儲器之間的連線，簡單講是一種可重構的晶片體系結構，再通俗一點就是可以像手機那樣「刷機」。

根據需要，開發者可以把同一個 FPGA 配置成不同場景下使用的計算晶片，微控制器 MCU、音頻編解碼器、適用於深度學習的處理器架構等等，FPGA 屬於半定製的晶片版本，比大規模的單個定製部件的成本低得多且具備更高的靈活性，一塊 FPGA 開發板售價通常只有 1000 美金。

目前 FPGA 領域的大玩家主要有兩個，Xilinx 和 Altera，其中 Altera 已經被英特爾以167億美元的天價收至麾下。

在可編輯邏輯領域的市場份額評估中，英特爾預估 Xilinx 占有49%，Altera 占有中的39%，其他供應商分則瓜餘下的12%。

另外一種計算結構 ASIC（Application Specific Integrated Circuit），是專為人工智慧設計的集成電路晶片，可以理解為 FPGA 的定製版本，如果專門為了深度學習去做晶片顯然擁有更強的針對性，一旦規模化量產成本將會大範圍降低。

不同於 FPGA 的靈活性，ASIC 結構的晶片一旦設計出來就很難更改，其設計研發周期要遠大於 FPGA，上市速度緩慢，用最新的工藝製造 ASIC 晶片單次研發成本動輒幾百上千萬美元，風險也高於 FPGA 的解決方案，基本上相當於一錘子買賣，沒賭對就賠了。

晶片革命已經開始，對於場內的玩家來說即便九死一生也要奮力一搏，更何況是在賭一個大方向很明確的未來。

為此，英特爾於2016年9月份收購了愛爾蘭晶片公司 Movidius，這家公司目前成立將近10年，主要產品是自主研製的低功耗視覺處理器：VPU (Vision Processing Unit)，為谷歌Tango平板電腦和大疆無人機等產品都提供過視覺解決方案。

被英特爾收入囊中的 Movidius 在收購完成後已經與英特爾原有的 RealSense實感技術進行整合，探索計算機視覺方面的晶片方案。

FPGA 和 ASIC 這兩種方式在實現深度學習加速器方面各有所長，在一定程度上存在替代關係，FPGA 的可配置性更適合企業、軍工等應用，而ASIC的高性能和低成本則適合消費電子領域。

「對於複雜的場景其實是希望使用一個通用的CPU，看你的負載要求可以使用酷睿系列的CPU，或者至強系列CPU去搭配硬體加速模塊，硬體加速模塊可以選擇FPGA還是Nervana，這是看具體的應用具體分析」，英特爾研究院院長宋繼強表示。

準備所有可能，應對晶片大戰

對於英特爾來說，尋找處理下一代計算任務的晶片架構迫在眉睫，英特爾在這場晶片大戰中，幾乎準備了所有可能存在的處理器架構來應對挑戰，群雄逐鹿的精彩對決已經拉開了帷幕。

與我們熟悉的網際網路行業不同，晶片產業的變化周期要長很多，90年代的個人PC是晶片廠商主戰場，隨著智慧型手機爆發開始轉向移動端也就是智慧型手機，儘管此役高通和ARM大敗英特爾，但在PC領域始終沒有任何人能撼動的英特爾的壟斷地位，長達25年的時間幾乎碾壓對手。

如今的人工智慧時代無疑也將迎來一個晶片行業的拐點，只是曾經強者恆強的規律可能並不適用，在這個新舊時代交替的節點，各種架構的計算處理器正處在混合過渡的階段，尚未形成一家獨大的局面。

（本文首發鈦媒體，記者／李玉鵬）

更多精彩內容，關注鈦媒體微信號（ID：taimeiti），或者下載鈦媒體App