英特爾能否在深度學習領域重奪PC時代的領導者地位？

想攬瓷器活，有無金剛鉆?

　　英特爾到底有沒有機會絕地反擊，在人工智能、深度學習領域重新奪回PC時代的領導者地位呢?我們認為英特爾其實還真不是一點機會都沒有，盡管NVIDIA目前依靠著多年發展起來的GPU性能和配套的軟件優化看似占盡了天時地利。但這其中，確實有著英特爾翻身的可能。

　　押注FPGA

　　去年6月，英特爾用史無前例的167億美元巨款收購了著名的FPGA廠商Altera，當時業內對于英特爾此舉的解讀主要集中在服務器市場、物聯網市場的布局上，英特爾自己對收購的解釋也沒有明確提到機器學習。但現在看來，或許這筆收購有相當程度是因為英特爾意識到了它在人工智能領域同樣具有的潛力。

　　不管當時如何，至少現在英特爾肯定完全意識到了這筆收購在人工智能上帶來的價值了，FPGA對GPU的潛力在于其計算速度與GPU不相上下，卻在成本和功耗上對GPU有著顯著優勢。當然，劣勢也有，這點我們最后再提，但是，FPGA的潛力是非常明顯的。作為一個想要推向市場的商品來說，FPGA最需要克服，也是最容易克服的問題是普及程度——大部分PC都配有或高端或低端的獨立GPU，對于個人進行的中小規模神經網絡開發和訓練來說，其實它們的性能已經基本足夠。而FPGA卻不是在電腦里能找得到的東西，而多見于各種冰箱、電視等電器設備及實驗室中，因此想要搞到一塊能用來開發深度學習的FPGA其實還挺麻煩的。可以想象，這也是英特爾將會著力解決的問題之一。

　　集成顯卡——未被開發的處女地

　　可能有些人沒意識到，其實英特爾在顯卡的設計制造領域也有很強的能力，它甚至是全球最大的GPU生產商，因為目前市面上的很多低端電腦和超極本都沒有配備獨顯，但幾乎每一塊英特爾的CPU中都有集成顯卡，英特爾最初的意思是讓這塊集顯幫忙進行日常的圖形運算，讓不需要運行高性能程序的使用者能用極低的成本得到一臺能夠使用的電腦。不過這幾年集成顯卡的性能以及越來越強，甚至已經達到了可以運行許多中型游戲的程度。Iris Pro Graphics 6200的理論性能甚至已經達到了中端獨顯的水平。但目前仍然沒有人會用集顯去做哪怕較小規模的深度學習，因為還是慢，但它們的計算能力明明就差別不大了，為什么速度還會差的這么大呢?接下來要談到的就是我們想說的重點了：

　　軟件!軟件!軟件!

　　現在的IT領域有一個很奇怪的現象，好多人一邊說性能過剩了啊，一邊看著自己手里的手機和電腦越來越卡，其實說到底這就是軟件優化的問題。在同樣的計算能力下，軟件優化好的那一方能得到高得多的性能。GPU經過了NVIDIA這么多年的耕耘，已經有了相當完善的一套深度學習軟件支持。NVIDIA的GPU對主流的深度學習平臺，如Caffe、Theano、Torch等都有著極好的優化和兼容，還有自家的CuDA。而對于FPGA的優化就少了很多，因此現在基于FPGA的開發難度其實也是遠遠高于GPU的，這也是前面提到的另一點FPGA的缺陷。

　　英特爾并不是一家軟件公司，提到英特爾和軟件，大家想起的最多的恐怕是它制造的各種硬件的驅動程序。但AI從來不是一個簡單的事。如果想要在這個領域打出一片天，只管硬件是必然不行的。事實上，英特爾已經開始顯現出自己在軟件和算法上的努力，上周，英特爾中國宣布了自己在深度學習算法的一項創新：“動態外科手術”算法。這說明英特爾已經開始在算法理論上刻苦鉆研。能在這個領域做出創新，說明英特爾已經對其算法有了深刻的理解了，相信下一步就是將這些理解用在將來深度學習芯片的優化上。

　　英特爾的底氣

　　其實英特爾在不停與NVIDIA正面對剛的時候，還在試圖告訴大家一件事：

　　其實GPU對深度學習來說并沒有那么重要。

　　很多人，包括我自己在第一次聽到這個觀點的時候，可能都是一臉WTF的表情。但是從某個角度思考來看，或許英特爾說的真的有道理。確實，當我們提起同人工智能有關的硬件的時候，更多想起的會是高大的服務器機架和上面不停閃爍的指示燈，至少也是排成一排的TitanX和主板另一端的至強CPU，但非人工智能專業的人其實很少有人意識到，人工智能的開發和應用其實分為好幾個階段，其中只有“算法訓練”這一個階段是對強運算能力有著真真切切的需求的，從數據篩選、到算法開發、效果檢驗，甚至最終算法的應用都不需要太強的運算能力。

　　當然，一個好的項目中，算法訓練應該是貫穿于整個應用過程中的，但是這也就意味著，擁有超強的計算能力并不是一塊用于人工智能領域的芯片所需要的唯一特征。

　　而這就是英特爾最大的底氣來源了，它對人工智能的理解其實絲毫不弱于NVIDIA，并且很清楚的知道自己擅長什么，可以去攻占哪里。讓我們再回過頭去，仔細看看英特爾CEO科再奇在博客中提到的英特爾轉型后打算重點關注的領域，我們會發現其中有兩點尤為關鍵：

　　一：物聯網中“物”的不同形態：物聯網中的幾乎所有設備幾乎都有兩個明顯的特征：體積小，且依靠電池驅動。對于這些設備來說GPU的體積和功耗顯然都太大了，而FPGA和專用處理芯片則適合這些設備的多。這是英特爾的第一點機會。

　　對于物聯網設備來說，這樣體積的主板算大的了，但很顯然即使這樣一塊板子上面也是不可能塞下一塊GPU的，更不用說耗電了

　　二：連接性，前面提到在一個好的項目中，算法的訓練應該是貫穿整個應用過程的，這樣可以隨時為消費者提供最好體驗的服務。但是如果要將所有算法都集中于本地訓練，不僅會面臨計算瓶頸的問題，也容易面臨從單個用戶處收集到的數據量太少的尷尬。我們暫時不考慮很久以后可能出現的基于小樣本的無監督學習的AI(那其實已經跟人差不多了)，在目前AI的發展狀況下，將所有數據集中于云端進行計算顯然是更理性且有效的做法。而這就對通信提出了極高的要求，而英特爾恰巧在這個領域有著相當多的積累!雖然英特爾的通信部門連年虧損，但在現在的形勢下，它卻意外地有了新的價值與潛力。

　　以上兩個業務都是NVIDIA從來沒能進入過的領域，而它們同樣是目前AI需要的。英特爾發現了這些領域，雖然這并不意味著它能在這些領域做好并獲得成功，但這確實給了英特爾向NVIDIA和一眾競爭者叫板的信心。而它現在的動作除了直接的競爭，也是為了告訴大家：我們在人工智能領域從來不虛NVIDIA，走著瞧!

　　勇于面對變化的人，運氣都不會太差

　　移動浪潮的來臨曾讓很多傳統互聯網大廠面臨艱難的局面，但它們中堅定的進行了轉型的那些，今天大多數到底是活了下來，有些甚至還過得不錯。英特爾也是它們中的一員，它曾經是計算機行業的領軍企業，而現在，英特爾的CEO科再奇也表示過希望英特爾能繼續利用摩爾定律的價值，帶領行業向前推進。目前的形勢不容樂觀，但一旦找到了正確的道路，英特爾或許仍有機會將局面完全扭轉。