英特爾因應深度學習需求　對Xeon Phi進行調整

軟、硬體共同設計趨勢正在席捲整個IT部門，不論是資料分析或是機器學習，每種工作項目的分工都將更為精細，硬體廠商也開始針對軟體設計新的產品。

為了維繫資料中心的市場霸主地位，英特爾(Intel)瞄準機器學習的特殊需求，將推出代號為Knights Mill的多核心處理器。

據The Next Platform報導，英特爾現有的Knights Landing Xeon Phi晶片可提供雙精度(Double Precision)3.46 teraflop及單精度(Single Precision)6.92 teraflop的尖峰效能，但卻無法像NVIDIA的Pascal GPU提供半精度的運算能力，因此在資料量比精度更為重要的機器學習與特定影像、訊號處理，Knights Landing顯得較為吃虧。

Knights Mill於是後退一步，轉而標榜支援可變精度，如此一來便能以同樣的硬體及熱足跡(Thermal Footprint)，處理更大型的機器學習模型。

Knights Mill若以現有的Knights Landing為基礎，調整為16位元半精度，理論上每周期就能處理64半精度運算，並能有效將本地MCDRAM存儲器增加至32GB，提升資料訓練效率。

如果英特爾能讓Knights Landing上的76個核心全部運作，並稍稍增加時脈，就能進一步將半精度效能提升至16.8 teraflop，每teraflop的成本也能降至372美元，勝過使用Pascal的Tesla P100。

Pascal則是在每瓦效能方面勝出。

不過超大規模資料中心業者最關心的，或許還是每瓦每teraflop的成本。

經過計算之後，Tesla P100每瓦每teraflop成本為1.65美元，頂級Xeon Phi 7290為1.84美元，稍低階的Xeon Phi 7250為1.86美元，更低階的Xeon Phi 7230為1.62美元。

如果Knights Mill是以Knights Landing為基礎進行調整，在英特爾不收取額外費用的情況下，其每瓦每teraflop成本推估為1.24美元。

Knights Mill的推出，將對至今無法大量出貨的Pascal Tesla P100造成嚴重壓力。

上述推論的前提，都是以Knights Landing作為Knights Mill的技術基礎，而根據英特爾釋出的資料，Knights Mill的實際效能將不止於此。

為提供超大規模資料中心業者一個GPU外的選擇，並滿足超級電腦中對於分析、機器學習與模擬的需求，英特爾不斷加快Knights處理器家族的發展腳步，並且試圖提升產品的多樣性。

此外，英特爾也透過收購填補所有缺口，像是Altera與Nervana Systems即可望在英特爾的深度學習發展上扮演重要角色。

英特爾資料中心總經理Diane Bryant指出，目前英特爾已取得97%的機器學習伺服器市場，其中Xeon E5是最常被使用在機器學習與深度學習的處理器。

Bryant並提出，到了2020年，多數伺服器都將投入資料分析工作。