Nvidia制定了清晰的AI战略，英特尔在AI芯片市场该如何反击？

8月27日，英特尔已经是x86服务器市场的垄断者，成功遮住了双眼，它忽视了移动设备的崛起，对GPU加速系统大爆炸反应迟钝，最终，当奄奄一息的AI再获新生、变成一个前景可观的市场时，Nvidia成为主角，英特尔落选。

AI就是下一代计算，Nvidia制定了清晰的AI战略，它用历史数据来认证自己的观点：GPU已经打破摩尔定律设置的障碍。有些人甚至开始高呼“黄仁勋定律”。黄仁勋正是Nvidia的创始人。在过去3年里，Nvidia营收翻了一倍，股价更是上涨10倍。

以前，在英特尔眼里Nvidia只是小角色，向自己的PC伙伴提供小众产品，一夜之间，它成为新市场举足轻重的玩家，而英特尔却呆呆旁观。

巨人已经觉醒。英特尔明确向世人暗示，在AI市场，它不会重蹈移动市场一样的错误，不会将AI市场割让给对手。英特尔已经知道，AI是数据中心业务增长的关键，在未来5年里，AI芯片销售额的年复合增长率估计会达到30％。

正因如此，在最近的数据中心创新峰会（Data－Centric Innovation Summit）上，英特尔才会高调进军AI芯片市场，还说去年公司的AI芯片营收已经达到10亿美元。

AI芯片市场不只有GPU还有其它

Nvidia刻意强调说，目前的AI发展以是GPU作为根基的，它的说法有相当高的可信度，但是忽视了一些事实。

按照英特尔的解释，这种说法最大的问题在于忽视了AI软件与GPU硬件的融合，AI运行是相当复杂的，不可能一招通吃，所以上述论断过于简单。

英特尔AI产品集团主管 Naveen Rao曾经在博客中指出，近几年AI取得成功主要依赖三大支柱：一是软件工具的优化和成熟，二是硬件更加出色（多种形式的硬件，不限于GPU），三是研发生态系统欣欣向荣，而且许多时候还是开源的。

Naveen Rao进一步强调说：

“客户发现，没有什么单一的好硬件可以应付各种各样的应用，因为AI的类型不是单一的。受到应用的限制，从数据中心到边缘设备，需要的能力各有不同，所以我们需要多种多样的硬件组合形式。覆盖多种多样的应用，就可以为英特尔客户带来最高的投资回报。”

深度学习模式越来越复杂，需要强大的并行处理能力，不过Naveen Rao认为，它只是AI软件生命周期的一部分。

联想一名AI高管曾经在文章中介绍说，从构想到部署，总个周期相当漫长，涉及到规划、数据收集、验证，开发部署模型时也要经历这样的流程。

Naveen Rao在峰会上曾表示，AI的执行环境多种多样，有小设备，比如物联网传感器和手机，也有自动驾驶汽车，远程设备，它们处在网络边缘，还有分散系统，比如云数据中心。

英特尔AI战略的基石是“宽度”，就是说英特尔有多种多样的技术，可以用在多种多样的环境中使用，另外，英特尔还向开源项目投资，增强软件性能，提高开发者的生产力。

按照Naveen Rao的说法，英特尔AI战略会用“三条腿”走路：一是工具（软件），二是硬件，三是社区（开发者生态系统）。 从英特尔的AI产品组合可以看出，它能满足各种需要，无论是端点、边缘系统还是数据中心，都可以使用英特尔产品。在英特尔帝国内已经有许多AI技术，有些是英特尔自己开发的，有些是收购的，比如：

——低能耗Atom处理器，内置Movidius视觉处理单元（VPU），用于物联网和移动设备。

——Mobileye先进驾驶员辅助系统（ADAS）和EyeQ芯片，用于无人驾驶汽车。

——桌面及移动x86处理器，内置GPU、GNA神经网络协处理器和Inference Engine加速技术。

——基于Altera开发的FPGA，它既给低能耗嵌入式系统用（Arria 系列产品），也给高性能数据中心用（Stratix系列产品），在实时数据评估中，可以加速深度学习模型的执行速度。Altera是英特尔收购而来的。

——Nervana神经网络处理器，它用高性能、灵活的GPU处理相同类型的模型训练和推断任务。

——Xeon Scalable x86处理器，用于执行一般任务，训练轻量级AI模型，完成繁重的模型推断工作。

产品消息不多

在峰会上，英特尔的重点只是讲述战略，所以没有过多谈到产品，这也是情理之中的事。不过在会议上英特尔的确谈到一些新AI技术，以及升级的AI技术，具体有如下几种：

——DL Boost x86指令，通过支持低精度16位浮点运算，它可以让深度学习运算加速，与AVX－512指令是兼容的。

——VNNI指令集（Vector Neural Network Instruction），它相当于AVX－512的扩展指令，通过支持8位乘法和32位加法，可以让深度神经网络训练进一步加速。Cooper Lake Xeon处理器将会引入DL Boost和VNNI，新处理器2019年推出，它是Cascade Lake的接班人。

——nGraph编译器，它可以优化AI代码，方便代码应用于不同的硬件平台。nGraph支持多种技术开发的模型。

——升级MKL－DNN数学库，改进矩阵乘法性能。

——展示Nervana NNP L－1000 神经处理器，它的目标是挑战GPU，帮助数据中心完成深度学习任务。

英特尔数据中心CPU架构主管 Sailesh Kottapalli介绍说，除了提升矩阵乘法计算能力，支持低精度和混合精度运算，未来Xeon处理器还会增加各个层级的缓存大小，扩充存储带宽，缩短延迟时间。所有这些都会提升AI性能，让通用CPU有能力替代GPU，完成许多工作。

最好的思考

英特尔收购了许多AI企业，比如Nervana，Movidius、Mobileye，最近还收购了Vertex．ai，这样英特尔就可以制定连贯的策略，解决各种AI问题。

因为AI工作多种多样，运行AI软件时设备的资源受到限制，所以英特尔拥有多种组合产品还是蛮重要的。不过英特尔的战略横跨几个处理器架构和指令集，所以优化工作必须做好。

Nvidia的产品没有英特尔那么丰富，它的GPU分成大中小三等，分别是Volta、Xavier和Jetson，都用到了CUDA编程平台。虽然Nvidia拥有先发优势，但是随着时间的推移，它的优势会削弱，因为开发者会接受更加先进的AI框架，比如TensorFlow，先进框架可以让开发者瞄准其它平台。

另外，Nvidia的神经网络优化GPU（配有Tensor内核）性能不错，现在还有优势，但是未来优势会缩小，因为下一代英特尔Xeon处理器推出之后，x86系统的性能会进一步提升，可以帮助数据中心做更多的事情。

英特尔说去年它的AI芯片销售额达到10亿美元，如果数据是真实的，我们可以断言英特尔已经在早期赢得许多企业的支持，在飞速膨胀的市场，它已经成为重要的竞争者。

就眼下来说，在硬件和软件工程方面，英特尔需要将关键工作做好，然后将各部分融合，将产品抛向市场，让购买者无法抗拒诱惑。

整个市场都对Nvidia入迷，不过如果认为英特尔已经失败，无力反击，那就大错特错了。