英特尔准备如何打赢AI处理器战

编者按：本文来自“腾讯科技”，编译：乐学。36氪经授权转载。

据外媒报道，打造最好的人工智能芯片的战斗已经打响。作为CPU（中央处理器）和Xeon微处理器制造商，英特尔开始接受这个挑战。作为GPU（图形处理器）制造商，英伟达也发起了进攻。这两家公司都在研发AI处理器。

英伟达的GPU已在深度学习神经网络解决方案市场攫取了很大一块市场份额，例如图像识别——这是人工智能在过去五年中最大的突破之一。但是，英特尔试图通过收购Nervana、Mobileye和Movidius等公司来打造自己的AI处理器。在2016年，当英特尔斥资3.5亿美元收购Nervana公司的时候，它也聘用了Nervana公司CEO 那维恩-劳（Naveen Rao）。

劳是计算机架构师和神经学家，现在担任英特尔人工智能产品部门副总裁和总经理。近日在一次活动中，劳宣称，由于应用AI技术，英特尔Xeon CPU在2017年创造了10亿美元营收。他认为，到2022年，AI芯片市场将会达到80亿到100亿美元的规模。

为了达到这个目标，英特尔可能会从零开始设计AI芯片架构，从而抢在英伟达和其他初创公司的前面。近日在加州圣塔克拉拉举行的英特尔数据中心创新峰会上，劳接受了采访。下面是整理后的采访内容。

问：这里有一些非常有意思的数字。Xeon创造了10亿美元营收。而在过去20年中英特尔销售了超过2.2亿台Xeon处理器，创造了1300亿美元的收入。这是一个很好的开始。

劳：在创业圈，这是一个很大的数字。你突然就变成了一个估值200亿美元的公司。这个市场才刚刚启动。AI芯片市场真的才刚开始。现在，我们将要进入第二轮竞争了。我们还有很长的路要走。

问：你的战略似乎是AI芯片架构需要重新设计，而不同于CPU或GPU。

劳：从某种程度上来说确实如此。

问：在多大程度上是如此呢？

劳：我给你举一个我们竞争对手的例子。他们就是这样做的。他们将自己的GPU拿来，添加了一个张量核——这是完全属于AI的东西。他们的生态系统是GPU，然后他们在上面添加了另外的东西。我们做的正好相反。我们的生态系统就是整个电脑，就是CPU。我们会在这种处理器上整合各种AI功能。他们那样做有利于他们的战略，但却没有发挥GPU的潜力。

不管怎样，我们正在推动CPU不断进化。它现在可以支持多种不同的应用程序。但是我们必须小心行事。我们必须确保我们能够在处理当今所有重要工作任务方面保持领导地位，然后再添加对于未来的工作至关重要的新功能。

问：英伟达会反过来说“你们只是添加了一些东西改善图像识别功能”吗？你觉得我们现在还处于在现有东西上添加新东西的阶段吗？在这个阶段之后怎么办？

劳：接下来我们要搞清楚如何更有效地为Ai工作任务传输数据，如何实现性能的最优化。你可以在今天的GPU中看到这一点。它的利用率是极低的，因为他们并没有进行通盘考虑。

再说一次，他们那样做有利于他们的战略，因为这充分利用了他们的平台。这样做是对的。同样，考虑到Xeon在数据中心中的地位，我们很自然地会在其中整合一些功能。它处理的工作会随着时间的推移而发生变化。五年前，这个市场还不存在。现在，它已能够创造10亿美元的营收。相对于2000亿美元规模的数据中心市场来说，这个数字是很小的。但是，这个细分市场将会快速扩张。

问：现在有了Nervana公司，你们会重新开始设计AI芯片吗？

劳：对。

问：相对于在CPU上添加东西，你们现在做的有哪些地方完全不同？

劳：例如你管理数据的方式，你通常不会有自动化管理的快速缓冲贮存区。这是一个方面。还有你会专注于某个数据类型。你不必支持100种不同的工作任务。你只支持对于AI最重要的工作任务。你可以优化芯片中的互连标准，进而提高性能。

还有分配工作任务的能力。你并不需要做很多不同的并行分布式计算。你只需要做某几种计算即可。这可以提高你的技术的针对性，做好某些事情。如果你从一开始就想把这个大海的水烧开，那么你是永远做不到的。

问：对于无人驾驶汽车，你们针对不同的任务有不同的解决方案。无人驾驶汽车最大的挑战就是它的实时性。有时候，汽车必须立即明白某些东西。

劳：它必须能够立即采取适当的行动。

问：这就是说你们英特尔有不同的团队在研究不同的发展方向？

劳：是说研发不同的产品吗？那当然了。我们有不同的团队在开发不同的产品。这是你必须做的事情。但是，我们对于所有的产品会有一个通盘的考虑。

问：你有多大把握我们能够很快解决无人驾驶汽车的问题？我们多久才能够看到五级自动驾驶水平的无人驾驶汽车上路？

劳：要达到五级自动驾驶水平是很难的。它花费的时间可能比人们通常想象的都长。我个人预计这可能要等到2028年左右。这是我的个人预测，不代表英特尔。

我想，在未来几年内，我们达到四级自动驾驶水平可能相对要容易很多。当然，其中也有一些问题需要解决。但是，要达到完全自动化驾驶水平则需要更长的时间。