? ? ? ? ? ? ? ? ? ? ? ?英特爾數據中心的執行副總裁和總經理Diane Bryant（圖像來自: Dean Takahashi）

自十九世紀五十年代被首次定義以來，人工智能的歷史可以追溯到六十多年以前。但是在計算機芯片巨頭英特爾看來，歲月絲毫沒有使這個領域變得古老和過時，事實上，對芯片制造商們來說，人工智能的興起是一個巨大的機遇。

上周，英特爾作出了一個非常大膽的舉動，他們收購了Nervana——一個在深度學習領域上非常卓越的創業公司。深度學習是機器學習里非常接近人工智能的一個分支，這個領域涉及到用大量的數據訓練人造神經網絡，讓神經網絡能夠在新的數據上作出推理和演算。今天，英特爾發布了他們的新一代Xeon Phi服務器芯片，并強調了他們的新產品有能力去處理人工智能所需的計算量。近年來，Xeon Phi芯片頻頻發力，劍指高性能計算的市場。

顯然，在以英偉達（Nvidia）為首的顯卡制造商推動起來的人工智能浪潮下，英特爾的上升勢頭非常迅猛。今天，在三藩市的英特爾開發者論壇上，

英特爾數據中心的執行副總裁和總經理Diane Bryant在接受VentureBeat（美國著名科技媒體）采訪時說：“今天人工智能仍然像一個嗷嗷待哺的嬰兒，學術圈正在進行孜孜不倦的探索和研究。所以，我認為這個領域依然有數不盡的發展潛力。”

換句話說，英特爾認為他們在人工智能的領域上并沒有落后太多。而在深度學習的王國里，英偉達被認為是獲取能安裝在服務器上的圖形處理單元（GPU）的專屬軍火商——很多大型的互聯網公司，如百度，Facebook和Google，和大型的云服務供應商，如亞馬遜云，IBM的SoftLayer和微軟Azure，他們都正依賴于英偉達的GPU。

Bryant說：“顯然，什么硬件結構能夠最好地支持人工智能對我們來說還是一個值得深究的問題。”她向我們介紹了一個英特爾去年做的關于對用于機器學習／深度學習服務器使用的調研的結果。

傳統機器學習與深度學習

Bryant說，在英特爾調研的所有這些服務器里面，7%的服務器被用于深度學習，而有95%被用于傳統的機器學習。她還指出，所有被用于深度學習的服務器都在使用標準的英特爾Xeon芯片。但是，在處理深度學習的服務器里，只有2.5%的服務器是基于Xeon的技術，并配置了獨立的GPU的，而有另外2.5％使用了IBM的Power或甲骨文（Oracle）的SPARC服務器。

“你可以發現，在我們調研的所有服務器里面，真正在使用GPU加速的只有寥寥無幾。”Bryant說，她在1985年加入英特爾，并曾經是他們的資訊總監，“在所有被用于機器學習或深度學習的服務器中，絕大部分被用于前者，而在去年，為深度學習部署的服務器數量只占總量的0.1%。”

如果調研的數據是正確的話，那么英特爾確實還沒在人工智能的浪潮里被拋下。也僅僅是在過去的五年，研究人員發現在GPU上訓練深度學習系統是一個成本低，速度快的方法。所以，或許對英特爾來說，只要加快步伐，他們依然能夠跟上潮流。

“深度學習解決方案的研究和開發顯然還是一個剛成雛形的小市場，但我們相信，終有一天，這個需求會急劇增大。”Bryant說。而Xeon Phi系列芯片將會是英特爾在這個市場的主心骨。

回到未來

在十九世紀八十年代，當很多創業公司正在嘗試將人工智能應用到實際場景時，英特爾已經在開發人工智能的產品了。但是，這些產品從來沒有走出過英特爾的實驗室，Bryant說：“我們只是把人工智能發明得太早，然后停止對它的研究了。”

在二十世紀初，英特爾有一個代號為Larrabee的項目。這個項目意在開發獨立的圖像處理加速器——正是那種在近年來使英偉達在深度學習領域里大受歡迎的硬件設備。但是Larrabee的GPU從來沒有被正式投入市場，公司改變了發展的方向，專注生產用于個人電腦上的集成顯卡。而在2012年，英特爾把Larrabee改名成了現在的Xeon Phi，Bryant說道。

而現在，Google又制造出了一種新型的設備，它叫做張量處理單元（Tensor Processing Units）。Google表示，這種新設備能夠為Tensorflow（Google開發的深度學習框架）等需要巨大運算量的服務提供“領先的加速能力”。“我覺得這實在是太棒了，”Bryant說，“TPU必然會提升深度學習模型演算階段的速度。”

同樣令人興奮的是，谷歌正在開始進入深度學習硬件加速的領域——很有可能跟臺積電（TSMC，臺灣著名的半導體制造公司）合作。Bryant說道：“（谷歌跟臺積電合作制造的這些設備）將會是被細致地微調和整合的，和英特爾所提供的大部分服務器都適用的芯片不一樣。”

“一個龐大的云平臺能夠在他們的數據中心里提供數以千百計的服務器，”Bryant說，“你會希望這些服務器都有相同的配置，比如說，因為沒有硬件加速，你不能在其中一個服務器上運行Tensorflow，所以你要把你的代碼遷移到另一個配置了合適硬件的服務器（如GPU）上運行，這是非常不好的。各個服務器的一致性對云服務提供者是非常重要的，所以我們的工作就是研究在Tensorflow的運行過程中，究竟哪部分被硬件加速了，并把它整合到我們的Xeon處理器上。”

與此同時，英特爾也會逐步將其在Nervana收購中獲得的技術整合到他們的新產品中。他們希望進一步推動這些新產品的研發和制造，再次成為業界的標桿。“我們仍有機會成為人工智能硬件加速的巨頭，這扇窗還沒有對我們關閉。”Bryant說道。

您也可以關注我們的官方微信公眾號（ID：ctoutiao），給您更多好看的內容。