撕下“芯片巨頭”標簽 英特爾如何用人工智能照亮未來之路？

　　曾經的芯片巨頭，正在全面擁抱著人工智能的轉型。但是前有老對手微軟的壓力，中有NVIDIA的截殺，后有谷歌等互聯網新貴的追擊，英特爾如何用人工智能照亮未來之路?

　對于AI這件事，CPU和GPU誰更適合?

　　要回答這個問題，就要從CPU和GPU的架構說起。這是一個非常復雜且學術的問題，拋開一些技術關卡，這張圖片能比較直觀的讓我們了解到CPU和GPU的不同。

　　CPU和GPU的架構示意圖

　　圖片中綠色的是計算單元，橙紅色的是存儲單元，橙黃色的是控制單元。GPU采用了數量眾多的計算單元和超長的流水線，但只有非常簡單的控制邏輯。而CPU有著復雜的控制邏輯和諸多優化電路，但計算能力只占很小一部分。因此，GPU更擅長大規模并發計算，適用于數據并行度高的計算密集型程序(相同算法不同數據重復計算)。而CPU對并行程度要求低，對數據的依賴性不高，適合處理多樣的任務。

　　在2016年人工智能概念再次走向大眾視野時，Alphago的走紅將深度學習概念迅速炒熱，對于需要大量數據并行計算處理的深度學習，GPU的優勢被直接放大，但是從人工智能的完整路徑來看，CPU和GPU必須各司其職相互配合。

　　具體到一個完整的人工智能應用，前期的數據獲取和最后的信息決策都是CPU擅長的，而中間大量的數據計算則是GPU更擅長完成的。“比如人臉識別應用，前期圖像的采集、數據的存儲在CPU上運行最好，隨后GPU負責大量的并行識別計算，最后的識別結果需要關聯其他信息做決策，或者跟其他傳感器和渠道來做信息綜合的時候，CPU則更擅長。”英特爾中國研究院院長宋繼強在接受ZOL視頻專訪時舉例道。

　　英特爾中國研究院院長宋繼強

　　不過，GPU并不是并行計算的唯一平臺。如果還沒有明確的數據算法，需要大量實驗確定哪種算法更適合的時候，GPU的效率會更高更靈活。但是一旦算法固定了，GPU的工作將可以由一種專門針對人工智能AI優化的加速芯片來替代。

　　目前，英特爾擁有FPGA和Nervana兩種硬件加速芯片，不需要CPU的指令調度，可以直接針對硬件和算法優化，執行效率更高。這類專用的加速芯片能夠解決計算密度、內存存儲帶寬等問題，將性能優化到最佳。“前端設備要考慮尺寸、功耗、價格等問題，專用加速芯片是最好的選擇。加速芯片特別適合在前端設備里做計算機視覺應用，小規模的深度學習網絡，所以會出現在無人機、人工智能攝像頭上。”宋繼強院長表示。

　　三個左右未來的收購

　　英特爾用專用加速芯片降低了并行計算的沖擊，而這背后離不開三個關鍵性的收購。

　　英特爾167億美元收購Altera

　　2015年6月2日，英特爾宣布以167億美元的現金收購可編程邏輯芯片巨頭Altera，這筆交易成為英特爾成立49年歷史中金額最大的一筆并購，CEO科再奇都感嘆“這筆并購案的金額實在太大了”。的確，彼時英特爾一個季度的營收才剛剛達到132億美元。現在看來英特爾當時的破釜沉舟還是壓對了寶，Altera的FPGA納入到英特爾的產品線后，成為了英特爾開發專用加速芯片至關重要的砝碼。英特爾并購副總裁文德爾·布魯克斯在當時接受采訪時曾表示，相對于傳統的處理器和FPGA獨立組件，FPGA和英特爾處理器封裝的一體化芯片最初將帶來30%-50%的性能提升，而最終的性能提升將達到2-3倍。