收購Nervana后 Intel在AI芯片上進展如何？

　　8月9日，Intel對Nervana的收購以4.08億美元告終。作為對比，英特爾財報顯示，其今年第三季度的凈利潤為34億美元。以如此之高的價格收購一個僅有48人的團隊，Intel有自己的考量。

　　當(dāng)年為了追逐IoT的步伐，Intel錯失了移動芯片市場，現(xiàn)如今其競爭對手NVIDIA已造出Tesla P100，Intel在AI芯片領(lǐng)域還遲遲沒有動靜。此次收購Nervana可謂是Intel彎道超車的明智之舉，將Nervana的軟件架構(gòu)部署至Intel的硬件上，此次合作對Nervana和Intel來說無疑是雙贏的。

　　收購當(dāng)日，Nervana聯(lián)合創(chuàng)始人Naveen Rao便表示：“融資對我們來說相對比較容易，但是被英特爾收購，就意味著我們能夠接觸到曾經(jīng)對于我們來說觸不可及的技術(shù)?！?nbsp;此處的“技術(shù)”所指，是硬件層面。

　　Nervana的業(yè)務(wù)著眼于基于云的深度學(xué)習(xí)服務(wù)，其主要深度學(xué)習(xí)框架Neon在主流的深度學(xué)習(xí)網(wǎng)絡(luò)例如AlexNet、VGG、GoogLeNet上均性能優(yōu)異;具備強大的易用性及可擴展性，支持CNN、RNN、LSTM、GRU、BatchNorm等模型。Neon在卷積計算時采用了Winograd算法，在數(shù)據(jù)載入層面也做了很多優(yōu)化。Nervana表示，Neon的計算速率是Caffe的兩倍。

　　GPU近年來被用作深度學(xué)習(xí)處理器，實為無奈之舉。如今，有了Intel的加持，Nervana正計劃推出其針對深度學(xué)習(xí)算法的定制芯片Nervana Engine。目前的神經(jīng)網(wǎng)絡(luò)訓(xùn)練處在依賴海量數(shù)據(jù)的階段，我們希望用更多的數(shù)據(jù)為系統(tǒng)帶來更高的準(zhǔn)確性，這使得訓(xùn)練效率至關(guān)重要。單純地通過增加處理器的數(shù)量來擴展其性能或許可以解一時之需，但當(dāng)處理器數(shù)量達到一定程度，I/O能力又成為瓶頸。

　　對此，英特爾中國研究院院長宋繼強表示：“Nervana技術(shù)可以更高效地定義內(nèi)存的訪問帶寬和計算密度，讓它很好地匹配當(dāng)前數(shù)據(jù)量增大的需求。同時可以讓多個節(jié)點并行去支持這種大模型的訓(xùn)練，所以我們可以看到近乎一種線性的性能的擴展。”

　　相比GPU，Nervana Engine在訓(xùn)練方面可以提升10倍性能。與Tesla P100類似，該芯片也利用16-bit半精度浮點計算單元和大容量高帶寬內(nèi)存(HBM，計劃為32GB，是競品P100的兩倍)，摒棄了大量深度學(xué)習(xí)不需要的通用計算單元。

　　在硬件基礎(chǔ)上，Nervana于今年11月份推出了Intel Nervana Graph平臺。該框架由三部分組成：用于創(chuàng)建計算圖的API、用于處理常見深度學(xué)習(xí)工作流的前端API(目前支持TensorFlow和Neon)、以及用于在 CPU/GPU/Nervana Engine上編譯執(zhí)行計算圖的轉(zhuǎn)換器API。

　　AI發(fā)展的良性閉環(huán)

　　Intel方面，在收購Nervana后，Intel正式提出AI發(fā)展的良性閉環(huán)概念。Intel提供從嵌入式端到云端、從底層到應(yīng)用層的完整實現(xiàn)方案。

　　首先，在硬件層面，Intel處理器能為各種AI硬件提供支持。對于前端設(shè)備，Intel推出Movidius硬件平臺，以滿足前端設(shè)備功耗、預(yù)算、尺寸等限制。同時，在面向硬件優(yōu)化的過程中，Intel提出相應(yīng)的庫。具體包括：針對數(shù)學(xué)運算的庫、針對數(shù)據(jù)分析的庫、針對通訊加速的庫、以及針對Python語言的庫等等。在框架層面，Intel支持所有的開源框架，這意味著開發(fā)者不需要改變使用習(xí)慣，就能使用Intel的各項架構(gòu)支持。更上層的，Intel提供深度學(xué)習(xí)SDK、Nervana等平臺。

　　在軟件層面，宋繼強表示：“目前的深度神經(jīng)網(wǎng)絡(luò)還有很多技術(shù)點有待突破，神經(jīng)網(wǎng)只是實現(xiàn)人工智能的一個工具，但未必是最后的工具?！睂τ贏I算法，Intel目前正致力于如何使系統(tǒng)實現(xiàn)更少的數(shù)據(jù)及人力依賴;如何讓模型更稀疏;如何壓縮模型使之更易存儲;如何對模型剪裁使其運算量最少;如何使計算精度下降，甚至降至一位。

　　對于Intel的主營業(yè)務(wù)，處理器制造來說，用戶有了更多元化的選擇。