让AI走出实验室：FPGA+CPU，英特尔为机器/深度学习加大筹码
事实上，英特尔正在坚定不移的加快其在AI领域的步伐。数据洪流是AI爆发的基础，而AI架构却凝聚了英特尔更多注意。尽管当前，借助“数据战略”，英特尔极力尝试从芯片公司固有形象中挣脱出来，但AI却又释放一次新机会，那就是围绕AI芯片的战役，计算力。
过去，英特尔专注通用计算芯片，但是在大规模并行计算领域略显乏力，如果想要适应人工智能的计算方式，必须进行相应的升级调整，在英特尔看来，异构计算被认为最有可能担此重任，比如FPGA。并为此早早布局，2015年底收购Altera就是其中之一。
这是英特尔布局机器学习的一个重要战略。具体来说，英特尔会把 Altera 的 FPGAs 和英特尔处理器封装到一颗芯片里，当用 FPGAs 来运算一些机器学习的任务时，比如影像识别算法，这些算法能大大提高它的性能。英特尔并购副总裁文德尔·布鲁克斯曾给出一组数据：相对于传统的处理器和 FPGA 独立组建，新的一体化芯片最初将带来30%至50%的性能提升，而最终的性能提升将达到2到3倍。
英特尔在AI领域还在快马加鞭。在2016IDF前，宣布收购 Nervana，占领深度学习高地。对像英特尔这样的芯片制造商而言，Nervana 最诱人的地方在于——这家公司一直在努力将深度学习算法嵌入到计算芯片之中，而不是简单地打造能够在大量图形处理器上运行的软件，这个逻辑和英特尔发力人工智能芯片的思路不谋而合。
通过并购，英特尔试图将自己在CPU上的优势延伸至人工智能领域，补齐机器/深度学习的短板，同时也进一步延伸了CPU的业务体系。
也正是在这样的背景下，英特尔与科大讯飞联手推出的机器/深度学习计算平台备受瞩目。在这个平台上，底层硬件来自于英特尔的至强处理器和 Altera FPGA 技术，依托科大讯飞在自然语言处理、语音识别方面的核心技术，可实时将发言者语音转化成文字，准确率高达95%。
4月9日，在2017中国电子信息博览会（CITE）上，英特尔技术专家与科大讯飞深度学习平台研发总监张致江接受包括ZD至顶网在内的媒体采访时，透露了有关此次合作的更多技术细节：
1、2016年11月份，英特尔与科大讯飞签署了一个关于人工智能技术合作的框架，为期三年。
2、在机器学习和深度学习领域，英特尔与科大讯飞在多个项目中进行了深入的合作，这个框架涵盖了深度学习完整的流程：包括数据采集、离线训练（Training）、在线预测（Inferencing），采集新数据组，进行新的离线训练。
3、离线训练方面（特点是数据量大），科大讯飞深度学习平台采用最新的英特尔至强融核KNL/KNM（即将上市）来提升性能，缩短训练时间。
4、在线预测方面（偏向推理与逻辑判断），科大讯飞利用英特尔至强处理器+英特尔Arria10 FPGA硬件加速器来实现低延迟高通量在线处理。
5、双方合作，目前已步入实验室研究后期阶段。
对于，目前大多数神经网络，机器学习算法都很依赖于GPU进行运算的观点，张致江称，AI兴起之初业内很多人都是用GPU这个方案去做，但是AI有自己的一些计算特点，结合科大讯飞自身的需求，采用英特尔CPU+FPGA的方案在编程各方面会更加容易。
“一台服务器里面就插了一张FPGA的加速处理器，整个性能是远远超过于两台甚至三台、四台CPU机器的性能，成本也会降低很多。”张致江还透露，未来可能考虑用这种方案去做平台建设。
“不仅仅是语音，还包括图像处理，认知和自然语言处理，因为这些东西背后的算法和计算模型是类似的”，这是否也意味着，解决方案一旦成熟，英特尔与科大讯飞将为AI应用落地伸出橄榄枝。
事实上，在人工智能架构的探索上，英特尔还远不于此。近期，在ZDNet美国采访英特尔人工智能事业部（AIPG）首席技术官Amir Khosrowshahi时，他指出AI芯片如今正处在一个“航海的时代”，人工智能训练需要新型芯片架构。
英特尔正在研发名为Nervana的AI平台和处理器。它可以实现性能的巨大飞跃，有一个新的平台和芯片，称为Nervana。Khosrowshahi表示，和GPU解决方案相比，Nervana在未来三年将把训练一个深度学习模型的时间减少100倍。Nervana具体产品是代号为Lake Crest的AI芯片，将在2017年上半年进行测试，预计将产生突破性的性能，并大幅减少训练复杂神经网络所需时间。
虽然在与英特尔、科大讯飞的采访中，双方均未透露有关Lake Crest 首款AI芯片的信息。但是ZD至顶网在2017中国电子信息博览会英特尔的展台上，发现Lake Crest身影，据现场工作人员透露，在英特尔与科大讯飞的后续合作中，将加入这款芯片，并运用在在线预测方面，它还将更紧密地与至强处理器捆绑在一起。
原文发布时间为：2017年4月12日
本文作者：黄雅琦
本文来自云栖社区合作伙伴至顶网，了解相关信息可以关注至顶网。
