巨头英特尔进化：如何推进 AI 新赛道？

巨头英特尔进化：如何推进 AI 新赛道？

• 来源:网络
• 更新日期:2020-07-15

摘要：全力转向以数据为中心的英特尔，正在加速人工智能的落地。通过 AI、5G、智能边缘的融合，英特尔进入到 B 端的行业应用当中，业务覆盖了智慧城市、工业互联网、智慧医疗、自动驾驶

全力转向以数据为中心的英特尔，正在加速人工智能的落地。通过 AI、5G、智能边缘的融合，英特尔进入到 B 端的行业应用当中，业务覆盖了智慧城市、工业互联网、智慧医疗、自动驾驶等多个领域。

近日，英特尔推出了一系列的 AI 软硬件产品，包括集成 AI 加速的英特尔第三代至强可扩展处理器、英特尔首个人工智能优化 FPGA Stratix 10 NX 等；同时，子公司 Mobileye 宣布与日本和东南亚地区最大的交通运营商之一 WILLER 达成战略合作，双方将在日本及东南亚市场推出自动驾驶出租车（Robotaxi）服务。

毫无疑问，人工智能将加速进入工作与生活当中。今年以来，新冠肺炎疫情成为全球面临的共同挑战。 危 中有 机 ，从医疗救助和生命科学第一线，到经济和社会的有序运转，再到公共服务、政策制定等各方面，以人工智能为代表的智能科技发挥愈发重要的作用。

老牌的英特尔在新的转型中，四面出击，从收购 AI 企业到深入 AI 应用，重新建立 AI 生态。当然，英特尔也将直面英伟达、赛灵思、以及一众科技巨头的竞争。

建 AI 生态：从 XPU 到量子计算

从 PC 赛道拓展至数据赛道的过程中，英特尔重新梳理了六大技术核心能力，来应对智能化业务。英特尔将六大技术支柱（制程和封装、XPU 架构、内存和存储、互连、安全、软件）作为引擎，并把人工智能融入，以 CPU+GPU+FPGA+ASIC 的全面产品布局，软硬结合实现从云到端的智能部署。

在此基础上，英特尔强调的是自身的云、边、端全栈优势和 XPU 的能力。在人工智能的赛场上， 全栈 也成为了英特尔、华为等大公司的着力点，大家的野心都很大。

英特尔中国研究院院长宋继强告诉 21 世纪经济报道记者：X 代表了很多种处理架构，因为新的市场机会带来的数据种类非常不同，传感器的种类不一样、数据获得途径也不一样，这导致了这些数据肯定不可以用同一种架构，比如用 CPU 或者 CPU+GPU 去处理，一定要用异构的方式。

虽然英特尔生产的是通用芯片，但是通过异构的排列组合，可以实现定制化需求。宋继强就介绍道，比如英特尔旗下 Movidius 专门做 AI 矩阵运算，Habana Labs 专门做矩阵运算的加速，还有 FPGA 的灵活的架构做稀疏数据处理的加速，再前沿还有神经拟态计算、量子计算， 通过量子计算怎么样去提供更高等级高并行度计算能力支持，它对 AI 也是会有很强的加速作用，英特尔也在做这一方面的研发。

谈及全栈，宋继强表示：AI 公司很多又做算法、做框架，甚至有些做硬件方面的一些定制的优化，有些是有硬件专门的加速器。而英特尔的特点是不只是全栈，既有上面的框架支持，也有底层的性能库。我们对于 AI 加速的硬件种类非常多，不仅拥有唯一一个能够在 CPU 当中植入专门 AI 加速的 DL Boost 技术，同时在 GPU，FPGA，在专用的 ASIC 方面都有芯片硬件去支持等等。

集邦咨询分析师姚嘉洋向 21 世纪经济报道记者分析道： 在数据中心或是云业务上，Intel 的处理器业务不会轻易受到动摇，这在 Intel 的 DCG（数据中心业务）营收表现上可以看出端倪。但在 AI 运算加速芯片上，Intel 仍然会面临如 GPU、FPGA 业者（如 NVIDIA 与 XILINX）的强力竞争，在这方面，Intel 能否有办法维持自身的 AI 运算加速芯片的竞争优势，还需要看后续的情况。

AI 平台期： 弱 AI 不弱，强 AI 不强

目前，英特尔已经在多个行业领域进行 AI 应用尝试。比如，英特尔与南京经济技术开发区以及多家生态合作伙伴打造的南京 未来科技智慧中心 ，通过共建 5G+ 智慧园区，培育创新生态；在工业互联网领域，英特尔大连工厂需要实时、准确地对晶圆进行检测，从而保证产品的良率，通过基于英特尔的人工智能软硬件技术，与纯人工检测方式相比，检测效率提升了 100 倍。此外，英特尔的芯片也应用到港口与船舶、机场、铁路与车辆、车队管理、道路基础设施等领域中。

但是在 AI 落地过程中，还存在不少的问题，英特尔中国区物联网事业部首席技术官兼首席工程师张宇告诉 21 世纪经济报道记者： 在垂直行业包括像零售行业、工业制造，还有智能交通、医疗等等，我们看到各个行业所面临的问题不一样，它需要用人工智能不同的算法去解决特定的问题，也就是各个行业碎片化非常的明显。这就要求我们在开发人工智能的时候，需要针对不同的行业有定制化的开发，这就增加了人工智能应用开发的一些成本，如何降低成本是我们现在看到的各个行业面临的一个重要问题。

另外一个落地的难点是在于数据，目前我们拥有比较多的数据往往都是基于像人、物在交通领域收集到的数据，像 Imagenet 上，我们采集到将近四千多万张人和物的一些照片。但是在一些特定的行业，采集或者处理的数据往往是定制化的。这就是要求我们在一个有限数据集的情况下，能够快速生成一些新的适用于某些特定领域、特定应用的一些新的模型。

总结来看，如何在使用 AI 功能时降低成本，同时用少量数据模型来得到训练结果，是实践中的难题。解决这些问题，需要 AI 技术应用的升级。

从 AI 的整体发展来看，在宋继强认为，深度学习从发展的曲线来看，现在确实进入了平台期。这意味着 AI 也随之进入平台期。

宋继强解析道： 人工智能在弱人工智能这个领域是不弱的，当你把人工智能应用领域收窄，可以找到方法把这件事情做好。但是如果想让它做到通用，就是学界或者是产业界通常认为的强人工智能，这一能力是不强的，因为它的跨领域迁移能力还没有那么强，并且去对抗一些数据的攻击也没有那么强。在整个学术界或者产业界现在的发展趋势来看，人工智能正在由 2.0 阶段向 3.0 阶段迁移，2.0 阶段是基于数据驱动的，通过大量可标注的数据训练出深度学习的模型，来帮助我们完成一些具体领域的任务。

在他看来，往 3.0 迁移，要把人工智能发展的更为全面，第一它要能够可以解释，第二要提升人工智能利用少量数据持续学习的能力。