英特爾在深度學習領域的推進催生了各種新型架構，還包括tile、先進封裝和更加定制化的解決方案。

　　近日，英特爾人工智能產品事業部副總裁Gadi Singer接受了媒體訪談，談論了英特爾在深度學習領域的長期愿景，以及為什么公司看好x86之外的架構和單芯片解決方案。

　　記者：處理器方面有什么變化？

　　Singer：最大的變化是增加了深度學習和神經網絡。過去幾年，人工智能帶來了快速且深刻的變化，我們也正在試圖評估它們的潛力，以及能用它做些什么。但是，與此同時，您還需要退后一步，思考如何與其它互補性的功能相適應。處理器的變化是英特爾整體轉型大略的一部分。

　　英特爾人工智能產品事業部副總裁Gadi Singer

　　記者：真正人工智能的標志是可以用機器開發算法而不是人工開發對吧？

　　Singer：人工智能起步于20世紀60年代，直到計算機科學家Hinton和其他人在21世紀初找到一種更好的方法有效處理多層數據之前，它一直處于沉寂狀態。幾年前，ImageNet的工作表明可以通過機器進行圖像識別且達到接近于人的識別精度，人們才意識到深度學習是一種重要的計算力量，人工智能至此取得了重大突破。之后，我們在語音識別方面也取得了很好的成果。2015年到2016年左右，深度學習的一系列成果表明，人工智能成為推動人類科技進步的重大因素。當時能夠處理的圖像都是相對簡單的二維圖像，可以識別的語音也簡單直接。之后，業界的一系列努力證明了可以通過深度學習達到一定的精度，取得一系列成果。當時創建和驗證模型的主要架構是CPU和GPU，主要開發語言是C++，開發環境是CUDA等專有環境。構建并部署計算架構需要大量的專業知識并投入大量精力。你看看現在這個領域的主要技術，就可以看出哪些公司是早期的參與者。

　　記者：從那以后發生了什么變化？

　　Singer：在過去的幾年中，深度學習時代迎面而來。數據本身變得更加復雜了，我們也從識別2D圖像成功轉變為識別3D圖像。我們正在和諾華公司合作，它們正在研究細胞的3D顯微圖像，以試圖找出潛在的惡性細胞。在數據方面，圖像的復雜程度提升了25倍，但是現在識別的是更加精確的模型。

　　記者：英特爾在這些架構的哪些方面發力？人工智能和深度學習的一大問題在于它們還在快速變化之中，因此您需要一個非常靈活的架構，英特爾在這方面有什么計劃？

　　Singer：過去面對的問題很清楚。你知道兩三年后的圖形芯片或者CPU芯片需要實現什么功能，公司之間的競爭體現在為已知問題提供最佳解決方案上。在深度學習領域的競爭則體現在誰能夠在發展變化過程中最深刻地理解問題。你需要的是一個能夠理解并預見變化趨勢的架構，并在全面生產上市和部署時為即將面臨的問題做好準備，而不是在設計和測試時就固定好了能夠解決的問題。

　　記者：架構會因市場而改變，還是架構仍然相同？

　　Singer：這影響到方方面面。我們認為，一種架構不可能滿足所有需求，成功的解決方案是提供一系列各具特色的產品。所以架構肯定不止一個，但是也不會太多。我們可以按照功率從1瓦以下到300瓦，從推理、訓練到機器學習，從關注吞吐能力到關注延遲，按照各種要求實施不同的架構。架構對每瓦性能也有不同的敏感度。解決方案的能效值是多少？你愿意在其它方面妥協嗎？這不僅僅是在一個實例上進行小程度的修改，而是面對一系列需求，必須有一系列互補性的架構。

　　記者：這一系列架構是什么？

　　Singer：主要有三個要素。第一，因為我們客戶要求不同，我們需要提供一個產品組合。你需要提供從終端設備（安全攝像頭、無人機或汽車等）到網關（數據匯聚點）再到云端或本地服務器的解決方案，每個層面都需要有非常有效的解決方案。第二，我們的硬件戰略是提供具有互補架構和解決方案的組合。第三，進一步使Xeon成為AI的堅實基礎。

　　記者：針對訓練還是針對推理？

　　Singer：我們是從推理開始的。Xeon是一個很好的推理解決方案。和其它任何產品相比，Xeon的推理解決方案都毫不遜色，而且在總體擁有成本和靈活性方面具有其它優勢。你看看Facebook，他們會展示怎么對其Top 7服務進行培訓和推理的。

　　記者：但是Facebook這樣的公司對推理的要求和手機或汽車攝像頭一樣嗎？

　　Singer：不一樣，這就是你需要不同架構的原因。你希望在大型數據中心中進行推理，你可以利用同樣的計算進行推理或者執行其它任何任務。在低端市場中，我們有Movidius架構，它的功耗在1瓦到幾瓦之間（英特爾于2016年9月購買了開發計算機視覺應用低功耗處理器的公司movidius），你可以使用它實時創作音樂，或者將Movidius計算棒連接到手機上，檢測早期皮膚癌，然后進行非常重要的分析。

　　記者：所以你們在數據中心和邊緣節點上都有方案了，你們戰略的第三部分是什么？

　　Singer：系統集成。當您考慮系統集成時，擁有正確解決方案的大量價值都體現在數據移動上。一個好的解決方案應該盡量減少數據移動，因為數據移動的成本要比對數據進行乘除/累加貴10倍。針對如何在正確的位置、正確的時間取得數據進行系統和軟件棧的優化，是任何解決方案成功的關鍵。

　　記者：聽起來英特爾像是要發生從頭到腳的變化

　　Singer：當然，你看一下我們對基本版本Xeon的改進，我們現在通過VNNI（矢量神經網絡指令集）和BFloat 16提升DL（深度學習）能力。過去，英特爾分別解決了浮點、SIMD和矢量運算。現在，AI需要一系列能力，我們在x86架構下實現了許多重要的新功能。我們希望為這兩種架構提供優化的解決方案。這就是我們和Movidius合作要解決的問題，我們將要發布Nervana，這個架構引入了FPGA，它集成了最出色的x86，并用最好的架構增強它，對它加速。現在從系統的層面來看，不僅僅是主機和加速器的改進，還涉及到存儲器和網絡，它是一種系統集成。你在硅片上、封裝內放什么東西？你在同一個機架中集成了什么？

　　記者：所以你們現在實施的是包含先進封裝在內的平臺策略。這是英特爾之前沒有認真做過的事情，你覺得這種策略是怎么個玩法？

　　Singer：封裝內集成可以將不同種類的事情結合在一起，并將之緊密集成，我們正在這方面努力，我們認為這樣做非常有價值。

　　記者：新型硬件架構正在發生的一個重大變化是增加數據密度，每個周期可以處理更多數據，對吧？

　　Singer：這方面講的是數據壓縮和增加計算的并行性。你看我們從頭開始構建的Nervana NNP（神經網絡處理器）架構，它具有張量神經網絡，你管理的是各種數據結構。這是架構創新的基礎，使用VNNI，你可以提供在數據結構上執行的指令，從而能夠在陣列上進行計算。

　　記者：除了縮小功能單元外，還有更多優勢，對吧？

　　Singer：我們需要從這個流程中得到需要的東西。我們一直將設計和架構向矢量處理的方向推進。我們將利用這種流程。不過，我們的目的是提高設計和架構的效率，使得每個周期可以處理更多指令，始終都是為了讓向量盡可能快地運行。

　　記者：但是現在你必須把這些東西融合在一起，數據在內存中存儲和讀取的方式也可能不同。

　　Singer：是的。你必須能夠從內存中提取這些數據結構，我們需要看到的另外一件事是如何融合純神經網絡操作和常規的潛在循環代碼。如果你注意到現在已經在開展的一些工作就會發現，它會假設很多新的計算必須是深度學習。實際上，這些是具有神經網絡和深度學習的更加通用的任務。你需要一個非常有效的神經網絡架構。但是，如果一個方程的某些部分的次序性更強或者需要依賴更多條件，它同樣需要非常有效地完成。你需要能夠在常規運算和神經網絡運算之間切換。我們目前正在研究的一個課題就是，如何在具有其它元素的真實背景中以最佳方式執行神經網絡運算。如果你看一下NNP機器翻譯或者其它類似的工作，就會發現它們內部就有一些不是神經網絡計算的內容，它們也是解決方案的一部分。