英特爾發布了三款用于AI工作的新芯片

英特爾公司今天推出了三款用于訓練和部署人工智能模型的芯片，這將使其能夠與圖形市場占據主導地位的英偉達公司展開競爭。

這些芯片是在英特爾于2016年對兩家機器學習公司Nervana Systems和Movidius Ltd的收購中產生的，該芯片是英特爾于2016年在舊金山的新聞發布會上宣布的。這些芯片共同 代表了英特爾第一個針對專用AI芯片的大型展示，這些芯片已超越了主流Xeon和Xeon。核心芯片系列。

根據現任Nervana創始人的Naveen Rao(如圖所示，其中包含一種新的Nervana芯片)，他現在是公司人工智能副總裁兼英特爾人工智能產品部門的總經理，處理器的強大功能至關重要，因為“我們正在達到一個突破點在計算硬件和軟件中。這一現實最近也推動了新一代面向AI的芯片初創公司的發展，其中包括今天剛剛成立的一家名為Blaize Inc.的公司。

針對GPU制造商最直接的產品是Nervana NNP-T1000神經網絡處理器。它是針對硬件密集型任務進行優化的集成電路，該任務使用示例數據訓練AI模型。今天，此過程對于確保模型產生準確的結果是必不可少的，如今已在絕大多數AI項目中使用Nvidia芯片進行了此過程。

更快的學習

英特爾在八月份的預覽中 表示，NNP-T1000每秒可以管理多達119萬億次操作。該公司不會自行交付處理器，而是作為加速器卡的一部分，企業可以將其插入服務器。這些卡的設計使得它們可以相對容易地鏈接在一起，英特爾表示，這使它們甚至可以支持超級計算機規模的AI培訓工作負載。

英特爾憑借NNP-T1000脫穎而出。該公司沒有選擇在自己的工廠進行生產，而是選擇將任務委托給外部半導體制造商TSMC Ltd.。構成NNP-T1000的270億個晶體管是使用臺灣公司的16納米制造工藝制造的，并被組織為24個處理核心。

可擴展推理

該公司的AI芯片生產線的第二個附加產品是Nervana NNP-I1000。它也作為加速卡提供，它針對訓練進行了優化，而不是用于訓練，而是進行了推論，即一旦開發結束并將模型部署到生產中，模型便會對實時數據執行計算。

NNP-I1000基于英特爾最新的10納米芯片架構。該公司實際上采用了一個10納米的中央處理單元，將其縮減為僅兩個處理核心，并添加了12個設計用于運行AI軟件的“干擾引擎”。

結果就是英特爾表示該芯片每秒可以執行多達3600個推理。該性能已通過ResNest50(通常用于評估處理器性能的AI模型)記錄下來。基準測試結果可分解為每瓦4.8萬億次操作，英特爾聲稱該產品使NNP-I1000成為同類產品中最節能的芯片。

據英特爾稱，Facebook公司和百度公司等公司已經開始著手部署這兩種Nervana芯片。 Facebook AI主管Misha Smelyanskiy表示，這些芯片是加快社交網絡巨頭AI工作(例如每天處理60億次翻譯)的關鍵。

新邊緣硬件

結束今天的硬件公告的是英特爾Movidius Myriad視覺處理單元的新版本，其代號為Keem Bay。該芯片旨在為低功率設備內部的AI圖像和視頻處理系統提供動力，例如依靠機器學習來繞過障礙物的無人機。

英特爾表示，最新的Movidius VPU提供的推理性能是上一代芯片的10倍以上。同時，它的能效比Nvidia的TX2芯片等競爭對手的產品高出六倍。

Rao說：“諸如英特爾Nervana NNP和Movidius Myriad VPU之類的專用硬件對于繼續AI的驚人發展是必不可少的。” “人工智能沒有單一的方法。”

確實， 英特爾物聯網集團副總裁喬納森·鮑倫(Jonathan Ballon)在對Nvidia的GPU進行挖掘時表示，強調了為AI和機器學習“專門制造”芯片的重要性。GPU最初是并且現在仍用于加速計算機圖形。

此外，饒強調了相關軟件使用芯片功能的重要性。例如，英偉達的CUDA，軟件平臺和一組用于并行計算和神經網絡的應用程序編程接口，一直是其AI崛起的關鍵。尤其是，英特爾宣布推出Dev Cloud for Edge，使開發人員能夠在購買硬件之前在英特爾硬件上測試算法。

話雖如此，Rao今天早上花了很多時間談論英特爾的傳統處理器，并說它們是大多數AI工作的基礎，并且仍然保持這種狀態，占了他所說的今年35億美元AI業務的大部分，高于2017年的10億美元。

他說： “這一切都始于CPU。” “至強是AI的骨干，也是數據中心的骨干。”

Moor Insights&Strategy總裁兼首席分析師Patrick Moorhead指出，由于許多工作負載轉移了機器學習，因此英特爾在培訓和推理上投入了大量資金。他說：“很高興看到這些零件最終進入市場，而且我很期待看到它們在生產工作負載中如何運行，以及工具鏈在工作量還是在位方面的樣子。”