2019/04/22 08/24/01　　【丹佛斯变频器 www.dfsbp.com】

　　从英特尔人工智能官网可以发现，飞利浦用英特尔芯片处理的案例是：从人体骨骼影像识别骨质流失。硅谷ＬＩＶＥ　／　实地探访　／　热点探秘　／　深度探讨

　　本月３日，英特尔发布了第二代至强处理器（ＸＥＯＮ　ＰＲＯＣＥＳＳＯＲ）。

　　简单说，针对人工智能训练（ＴＲＡＩＮＩＮＧ）阶段的话，需要很高的吞吐量，大量的算力、数据等，像英伟达的ＧＰＵ就具有很高的计算精度，很强的并行、复杂运算的能力，但英伟达还是需要不断提高其内存带宽和数据吞吐量（ＤＡＴＡ　ＴＨＲＯＵＧＨＰＵＴ）。

　　假设来了一个年轻患者，只有３５岁，但机器对这位患者预测的骨骼年龄有３０岁，一旦小于实际年龄，则意味着患者可能患有营养不良、骨质流失的情况了。而在丹佛斯回答问题之前，ＡＬＥＸＡ肯定被无数次输入不同的天气信息进行训练，从而才能遇到用户提问时答出来。首先，第一阶段是“训练一个神经网络”，也就是我们常见的ＡＩ　ＴＲＡＩＮＩＮＧ。

　　在发布会上，英特尔官方还透露了一个数据，ＸＥＯＮ处理器已经在当今市场上为８０％至９０％的ＡＩ推理助力了。因此，第二代也被称为“ＣＡＳＣＡＤＥ　ＬＡＫＥ”。英特尔称这一转变为　“大规模推理”。ＧＰＵ确实可以加速深度学习，但也对机器、硬件有一定要求。

　　此外，英特尔在人工智能领域的另一大业界合作伙伴是另一家医学影像巨头——飞利浦。

　　事实上，亚马逊前面赛跑联盟采用的就是英特尔提供的ＯＰＥＮＶＩＮＯ工具包。

　　我们都知道，心脏ＭＲＩ（心血管磁共振成像）是医生用于识别心脏病的主要工具，仅在美国，每年心脏病就造成约１８００万人死亡。

　　事实上，西门子用的就是英特尔新发布的二代处理器ＣＡＳＣＡＤＥ　ＬＡＫＥ。

　　更重要的是，这代处理器内置了机器学习加速（ＩＮＴＥＬ　ＤＬ　ＢＯＯＳＴ）功能，推理性能提升１．４倍，被认为是将嵌入式ＡＩ性能提升到新的水平。

　　（图片来自网络，版权属于原作者）

　　这是一个希望由开发人员参与的培训小型自动驾驶汽车挑战绕圈赛跑的联盟。随着云能承载越来越多的应用和数据，现有的ＣＰＵ资源将会更多用于ＡＩ了。可见，接下来的芯片开发、研发的一场混战，依然会围绕人工智能推理这块展开。这也是为什么硅谷洞察认为，英特尔在ＡＩ推理方面大力下苦工的原因。

　　实用场景：已跟菲利浦、亚马逊等展开合作

　　在发布会现场，西门子医疗保健团队上场介绍了应用英特尔二代处理器的实际场景。

　　（截图自英特尔人工智能官网ＩＮＴＥＬ．ＡＩ）

　　除了医疗领域之外，去年英特尔还与亚马逊合作推出了ＤＥＥＰ　ＲＡＣＥＲ　ＬＥＡＧＵＥ。

　　从处理器到软件包一应俱全

　　英特尔在上面这些跟工业界合作的案例中，需要指出的一点是：这些都是基于ＣＰＵ完成的。当机器从人体骨骼（如手腕）的Ｘ射线图像中获取患者的性别后，推理模型能确定来自骨骼的预测年龄，以帮助识别导致的医疗状况——骨质流失。甚至说，大有挑战ＧＰＵ的架势啊！

　　先不管是否要真正叫板英伟达的ＧＰＵ，但至少，变频器维修 英特尔在已有芯片市场格局下，拿下ＡＩ市场的决心是很明显了，尤其是主打ＡＩ推理的市场。”

　　（图片来自网络，版权属于原作者）

　　虽然众多名词可能你看得有点晕，但不得不说，在这个静悄悄背后，硅谷洞察观察到的是，这一次，英特尔新的处理器可以说在ＡＩ领域下功夫了。

　　我们都知道，使用深度神经网络分为两阶段。

　　更多精彩，欢迎点击阅读原文：

　　推荐阅读

　　。

　　比如在ＴＥＮＳＯＲＦＬＯＷ上与　ＧＯＯＧＬＥ　合作，在　ＭＸＮＥＴ　上与　ＡＰＡＣＨＥ　合作，也在　ＣＡＦＦＥ　上展开合作。

　　今天，硅谷洞察就来跟你分析分析，英特尔在人工智能芯片的举动与将来格局。

　　正如ＦＯＲＢＥＳ记者ＭＡＲＩＢＥＬ　ＬＯＰＥＺ在采访英特尔人工智能产品集团（ＡＩＰＧ）首席技术官ＡＭＩＲ　ＫＨＯＳＲＯＷＳＨＡＨＩ后表示：ＧＰＵ在ＡＩ领域受到关注，但许多公司也在使用ＣＰＵ进行ＡＩ。

　　也就是说，在不同的ＡＩ应用场景下，英特尔希望尽可能涵盖那些高频率的应用，比如图像分类、语音识别、翻译、物体检测都属于这类应用。而不是传统意义上人工智能领域常见的ＧＰＵ或者乃至谷歌的ＴＰＵ芯片（事实上，ＴＰＵ属于定制芯片，尚未商业化）。经过在ＴＥＮＳＯＲＦＬＯＷ、ＣＡＦＦＥ、ＰＹＴＯＲＣＨ等上述主流框架的优化，ＸＥＯＮ处理器的训练性能得到不断提升。ＡＬＥＸＡ听到问题，并决定告诉你今天天气的具体更新情况如何时，这就是基于推理的机器学习。

　　一个做法是，英特尔在软件方面已经跟多款主流人工智能开源框架合作，针对ＣＰＵ的ＡＩ训练和ＡＩ推理功能，进行全面优化。

　　因此，如果以当中关键的硬件——芯片来看，针对训练（ＴＲＡＩＮＩＮＧ）和推理（ＩＮＦＥＲＥＮＣＥ）功能所达到的不同目标，就有不同的需求。也就是说，从芯片处理器到整个软件工具包，英特尔无不透露着希望拿下ＡＩ推理的市场。这个工具包能使开发人员在云上构建人工智能模型（如ＴＥＮＳＯＲＦＬＯＷ，ＭＸＮＥＴ　和ＣＡＦＦＥ以及其他流行的框架），并将其部署到各种产品中，也有助于在英特尔的硬件上分配人工智能的工作量。也就是说，在人工智能领域，推理的比重将会越来越重要。

　　硅谷洞察发现，除了本月发布新的二代至强处理器变频器维修 之外，英特尔还在软件工具方面帮助企业在边缘设备上部署人工智能。

　　此外，英特尔新的二代处理器还专门通过嵌入式指令，提供深度学习加速（ＤＥＥＰ　ＬＥＡＲＮＩＮＧ　ＢＯＯＳＴ）功能，为图像分类、语音识别、语言翻译和物体检测等深度学习应用案例提供更高效的推理加速。

　　按照英特尔预测，到　２０２０　年，推理周期和训练周期之间的比率将从深度学习初期的　１：１　提高至超过　５：１。

　　再举另一个对比的例子，你就知道了。

　　为什么？一个原因是：每个人都有ＣＰＵ。没错，硬件被广泛应用的一个最大的核心步骤是跟工业领域合作。

　　去年，英特尔已经跳出来说“ＣＯＵＬＤ　ＢＥ　ＢＥＴＴＥＲ　ＩＮ　ＩＮＦＥＲＥＮＣＥ　ＯＦ　ＡＩ”（在ＡＩ推理领域能更好），随着谷歌已经推出定制芯片ＴＰＵ，也促使了像亚马逊、微软等公司进行更多的定制芯片开发。

　　为什么在自动驾驶技术方面，大多依赖的芯片是ＮＶＩＤＩＡ的ＧＰＵ而不是ＣＰＵ，这是因为自动驾驶涉及到每秒钟需要处理的数据很庞杂，而且可以说是巨量。

　　唔，虽然，还是在１４纳米级别徘徊……但相较于第一代，第二代ＸＥＯＮ处理器增加了代号ＣＡＳＣＡＤＥ　ＬＡＫＥ－ＡＰ的铂金９２００系列，最多可达５６核心１１２线程。第二阶段，是部署这个“神经网络”进行推理，使用之前训练过的参数，对未知的输入进行分类、识别和处理，也就是ＡＩ　ＩＮＦＥＲＥＮＣＥ。

　　由于推理将占用近　８０％　的人工智能　（ＡＩ）　工作流程，因此，真正的人工智能就绪之路显然需要从选择适合的硬件架构开始。开发人员可以在在线模拟器中训练、评估和调整强化学习（ＲＥＩＮＦＯＲＣＥＭＥＮＴ　ＬＥＡＲＮＩＮＧ）模型，再将他们的模型部署到ＡＷＳ　ＤＥＥＰＲＡＣＥＲ上获得真实的自主体验，最后创造最快速度的开发者可以有在联盟中赢得冠军的机会。当你向ＡＬＥＸＡ提出一个问题时，比如“今天天气如何？”。就在今年３月，微软也宣布与英特尔合作，为ＡＺＵＲＥ带来优化的深度学习框架。

　　大家都知道，亚马逊的智能音箱ＥＣＨＯ对吧。

　　而推理方面，通常在数据量来说，会比训练分批输入少得多，但需要的是尽可能快的响应和能耗效率优化。但手动检查ＭＲＩ图像需要很长时间，如果医生可以使台达变频器用ＡＩ来帮助分类图像并识别潜在的问题，那么就可以更快地提供护理。

　　英特尔方面则表示，在医疗保健场景中，人工智能推理应用程序通常以小批量或流方式处理工作负载，这意味着它们不会有大批量的数据涌入，因此，ＣＰＵ很适合低批量或流式的应用程序。

　　像飞利浦方面透露，为其各类医疗终端客户提供人工智能（ＡＩ），不应显着增加客户系统的成本，也不需要对现场部署的硬件进行修改。按照英特尔执行副总裁ＮＡＶＩＮ　ＳＨＥＮＯＹ在发布会上的说法是：“这是我们在过去五年中在ＸＥＯＮ处理器系列中提供的最大一代改进。

　　用了ＡＩ之后，菲利浦的骨龄预测模型的速度提高了１８８倍，从每秒１．４２幅图像的基线结果到每秒２６７．１幅图像。

　　举个简单的例子方便大家理解。

　　ＡＩ推理　ＶＳ　ＡＩ训练

　　在分析英特尔在拿下ＡＩ芯片市场的决心之前，硅谷洞察给大家再次普及下人工智能芯片到底哪些玩家有机会。

　　上图是一个典型的人工智能工作流程，可见推理在人工智能的工作后半程占的比重的远大于前面数据训练的。这也是最终能在医疗领域大规模使用ＡＩ的一个终极目的。当然，因为内存密集训练已经是ＸＥＯＮ处理器的优势了。

　　你认为英特尔接下来在ＡＩ推理领域还会有什么作为？你更看好谁？欢迎留言讨论

20190422082401