英特爾人工智能産品集團新上任的首席技術官amir khosrowshahi表示，當你使用gpu水準較低的時候，業界需要新架構用于神經網絡的理由就愈加明顯了。
khosrowshahi此前是nervana system公司的共同創始人兼首席技術官，該公司在去年8月被英特爾收購，金額未對外公布。nervana的技術迅速成為英特爾人工智能計劃的核心。
khosrowshahi詳細介紹了nervana公司是如何使用gpu的，因為“這是最先進的技術”，nervana用它自己的彙編器取代了标準的nvidia彙編器，因為這被nervana視為可以生成“次優”指令。
“我們在公司發展初期是這麼做的，部分是為了我們自己的發展，但後來我們意識到它比nvidia的庫要快2-3倍，是以我們将其作為開源釋出了。”
nervana的努力并沒有止步于軟體方面，它還創造了自己的矽晶片瞄準神經網絡訓練。
“神經網絡是一系列預定的操作，它不像是使用者與系統的互動，它是一組可以被描述為資料流圖表的指令。”
據khosrowshahi稱，一些功能有助于圖形處理單元執行圖形渲染工作——如大量緩存，處理節點，渲染——都是多餘的。
“gpu中有很多電路，這對于機器學習來說并不是必需的，随着時間推移有很多東西堆積起來。”
“你并不需要電路，這些電路在晶片中占很大比例，而且能源利用成本也很高。”
“神經網絡非常簡單，它是很少的矩陣乘法和非線性，你可以直接搭建矽晶片來實作。你可以搭建矽晶片專用于神經網絡架構，gpu卻不是這樣的。”
khosrowshahi給出的答案是正在開發的lake crest，英特爾将在今年向標明客戶推出這個獨立的加速器，随着時間的推移，它還将更緊密地與至強處理器捆綁在一起。
“這是一個張量處理器，處理矩陣操作的指令。”khosrowshahi解釋說。“是以指令集是矩陣1乘以矩陣2，通過一個查找表，而且這些大指令都是進階别的。”
“在gpu中，它是一個個的寄存器，移入另一個寄存器，做逐個元素的乘法，這是相當低級别的。”
不過khosrowshahi表示，nvidia近年來努力讓他們的gpu更适合于神經網絡，他們的人工智能晶片仍然具有大量圖形功能。
“作為一家晶片廠商，我可以看出為什麼這對nvidia來說很困難，”khosrowshahi說。
另一方面，英特爾通過收購一步步接近人工智能。
“推出一個全新的價格，這在晶片行業是一大挑戰；英特爾的方式就是收購。他們收購了fpga，是以又收購了altera，altera是一個非常酷的架構，專注于神經網絡，是以fpga架構對于神經網絡來說是非常有趣的……當然，nervana晶片很大程度上也是一個專注于引擎的神經網絡，但是稍微脫離出神經網絡一些。”
當談到神經網絡時，khosrowshahi認為考慮在矽晶片中做蝕刻神經網絡是錯誤的，因為其中很多功能仍然是在軟體方面的。
“很多功能都是在軟體的，是以即使開發了lake crest，針對lake crest的指令也不是‘神經網絡，這麼做’，而是這個矩陣乘以這個矩陣。”
“除了晶片之外，還有一些軟體知道這是神經網絡，這是訓練，使用者尋找不同的東西并搜尋參數——當你有了神經網絡系統的時候這些都是你要做的事情。”
在神經科學的大背景下，khosrowshahi認為人工智能的重點不是重建人腦，而是超越人腦。
“人腦就是人工智能的一個例子，但這是相當有限的人工智能，我的視覺系統看到了實體世界，它知道去了解世界的統計資料。”
“如果你環顧四周，你能看到很多邊緣、很多表面、陰影區等等，如果你看看大腦……主要是視覺皮層，有對這些特征敏感的神經元，是以你的人工智能了解這個世界的統計資料，并且能夠對此進行推論——就像是這個杯子快要打碎，我接住了這個杯子。”
但是企業内的資料與人類互動的資料大不相同，khosrowshahi說。
“這個統計資料是非常不直覺的，是以讓人工智能處理這些資料是另外一種智能了。”
“這試圖向人們解釋這一點，因為他們認為我們正在創造一個大腦，我們想做的超越了這一點，我們希望創造一種新的人工智能，可以了解企業、醫療等所有領域的資料統計，這些資料本質上與現實世界中的截然不同。
英特爾人工智能架構的競争對手之一是google定制的tensor processing unit，本周google稱這種架構筆目前的gpu和cpu快15-30倍，功效高30-80倍。
本周，ibm和nvidia也宣布ibm将從5月開始在ibm cloud中提供tesla的p100。
原文釋出時間為：2017年4月7日
本文作者：楊昀煦
本文來自雲栖社群合作夥伴至頂網，了解相關資訊可以關注至頂網。
![K-近鄰算法以及圖像分類應用[圖]](data:image/gif;base64,R0lGODlhAQABAIAAAP///wAAACwAAAAAAQABAAACAkQBADs=)