英特尔数据中心主管Diane Bryant谈机器学习——别问我GPU相关的

  2016年6月1日，英特尔数据中心主管Diane Bryant在台北参加Computex电脑展

英特尔说，他们的Xeon Phi芯片能够加速人工智能任务，就和GPU一样。

最近这段时间，如果你想激怒Diane Bryant，就去问她一些关于GPU的问题。

本周，这位英特尔数据中心主管来到台北参加Computex电脑展会，同时也对外介绍了英特尔旗下最新款的Xeon Phi处理器，她认为这款芯片十分适合机器学习。

机器学习其实是一种过程，谷歌和Facebook目前正在训练软件更好的完成人工智能任务，包括计算机视觉和理解自然语言。机器学习是提升所有线上服务的关键，甚至最近连谷歌都表示他们要重新思考关于机器学习的一切。

机器学习需要强大的计算能力支持，六个月前，英特尔发布了全新‘Knight’s Landing’ Xeon Phi芯片，它拥有72核处理器和无比强大的浮点运算表现，其卓越的效能功耗比能够用于训练机器学习算法。

“现在的机会很好，未来每家公司都会使用机器学习技术，”Diane Bryant接受采访时说道。

但目前对英特尔来说，最大的挑战就是用于机器学习的处理器大多数都是来自于NVIDIA和AMD两家厂商的GPU。

“根据我的了解，目前几大科技巨头应该还没有使用Xeon Phi芯片来训练他们的神经网络系统，”Moor Insights and Strategy公司行业分析师Patrick Moorhead说道，这些行业巨头包括谷歌、Facebook、亚马逊、微软、阿里巴巴、百度、以及腾讯。

Bryant是个和蔼可亲的职业女性，但是当被问到英特尔如何能够在人工智能市场与GPU竞争时，她忽然生气了。她认为，GPU芯片的目的，或者说GPGPU的目的，不过是另一种类型的加速器，它们没有一个是专门针对机器学习开发的。

“我们认为，Knights Landing算是一种协处理器，但它其实是浮点运算加速器，虽然GPGPU也是这样，”她说道。Bryant承认，NVIDIA因为在几年前开发了支持可加速高性能计算工作的GPU，让他们在市场上获得了领先的竞争力，但是当英特尔在2014年发布了首款Xeon Phi处理器之后，在使用浮点加速器的高性能计算领域里已经占到了33%的市场份额。“我们已经获得了能和NVIDIA竞争的市场份额，而且还会努力赢得更多市场份额，”她说道。

但实际上，英特尔在整个机器学习行业内的市场并不大，但Bryant马上反驳说，目前机器学习的市场还比较年轻，本身规模也不大。

“去年，在全球所有发货的服务器中，应用到机器学习领域里的服务器占比还不到1%，因此听到说NVIDIA在还没有成型的市场里打败了英特尔，真的有些可笑。”她说。

但不可否认的是，虽然只占全球服务器市场1%的份额，但英特尔依然没有放弃，他们依然开发了Xeon Phi处理器支持更好的完成机器学习任务。可能是出于商业机密，Bryant没有透露英特尔Xeon Phi芯片的客户名称，但她暗示是一个家喻户晓的行业品牌，不过Bryant介绍了另外一家使用Knights Landing芯片的公司Viscovery，他们在训练算法搜索视频。

Bryant提到，人们对目前市场上的机器学习有两种看法——训练算法模型，这是最需要考验计算能力的部分，还有就是把那些模型应用到真实世界的前端应用程序里，通常被称为“推断法”。随着英特尔去年收购了FPGA生产商Altera，加上他们合格的Xeon处理器，想必会非常适合应用到机器学习“推论”这块领域。换句话说，英特尔在各方面都顾及到了。

不过，在现阶段行业形势下，要想完全取代GPU并不是件容易的事情，更何况连谷歌都已经开发了自己专门用于机器学习的TPU芯片。对程序员来说，NIVEA开发的GPU芯片使用起来有一定难度，在这方面英特尔的表现相对要好很多。此外，Knights Landing芯片是“自引导”的，也就是说，用户不需要匹配一个常规Xeon芯片来启动某个操作系统。

目前，英特尔全新的Xeon Phi芯片拥有3万亿次浮点运算能力，但NIVEA最新的GP100拥有5万亿次浮点运算能力。不过，用户可以在Knights Landing芯片上增加浮点，虽然能让它看上去像是GPU，但这并非是英特尔设计这款芯片的初衷。

当然啦，英特尔是固执的，他们下定决心要成功。Bryant最后说：“我们会不断优化芯片产品线，同时也会不断扩大市场份额。”

VIA networkworld