收购Nervana后 Intel在AI芯片上进展如何？

　　8月9日，Intel对Nervana的收购以4.08亿美元告终。作为对比，英特尔财报显示，其今年第三季度的净利润为34亿美元。以如此之高的价格收购一个仅有48人的团队，Intel有自己的考量。

　　当年为了追逐IoT的步伐，Intel错失了移动芯片市场，现如今其竞争对手NVIDIA已造出Tesla P100，Intel在AI芯片领域还迟迟没有动静。此次收购Nervana可谓是Intel弯道超车的明智之举，将Nervana的软件架构部署至Intel的硬件上，此次合作对Nervana和Intel来说无疑是双赢的。

　　收购当日，Nervana联合创始人Naveen Rao便表示：“融资对我们来说相对比较容易，但是被英特尔收购，就意味着我们能够接触到曾经对于我们来说触不可及的技术。” 此处的“技术”所指，是硬件层面。

　　Nervana的业务着眼于基于云的深度学习服务，其主要深度学习框架Neon在主流的深度学习网络例如AlexNet、VGG、GoogLeNet上均性能优异;具备强大的易用性及可扩展性，支持CNN、RNN、LSTM、GRU、BatchNorm等模型。Neon在卷积计算时采用了Winograd算法，在数据载入层面也做了很多优化。Nervana表示，Neon的计算速率是Caffe的两倍。

　　GPU近年来被用作深度学习处理器，实为无奈之举。如今，有了Intel的加持，Nervana正计划推出其针对深度学习算法的定制芯片Nervana Engine。目前的神经网络训练处在依赖海量数据的阶段，我们希望用更多的数据为系统带来更高的准确性，这使得训练效率至关重要。单纯地通过增加处理器的数量来扩展其性能或许可以解一时之需，但当处理器数量达到一定程度，I/O能力又成为瓶颈。

　　对此，英特尔中国研究院院长宋继强表示：“Nervana技术可以更高效地定义内存的访问带宽和计算密度，让它很好地匹配当前数据量增大的需求。同时可以让多个节点并行去支持这种大模型的训练，所以我们可以看到近乎一种线性的性能的扩展。”

　　相比GPU，Nervana Engine在训练方面可以提升10倍性能。与Tesla P100类似，该芯片也利用16-bit半精度浮点计算单元和大容量高带宽内存(HBM，计划为32GB，是竞品P100的两倍)，摒弃了大量深度学习不需要的通用计算单元。

　　在硬件基础上，Nervana于今年11月份推出了Intel Nervana Graph平台。该框架由三部分组成：用于创建计算图的API、用于处理常见深度学习工作流的前端API(目前支持TensorFlow和Neon)、以及用于在 CPU/GPU/Nervana Engine上编译执行计算图的转换器API。

　　AI发展的良性闭环

　　Intel方面，在收购Nervana后，Intel正式提出AI发展的良性闭环概念。Intel提供从嵌入式端到云端、从底层到应用层的完整实现方案。

　　首先，在硬件层面，Intel处理器能为各种AI硬件提供支持。对于前端设备，Intel推出Movidius硬件平台，以满足前端设备功耗、预算、尺寸等限制。同时，在面向硬件优化的过程中，Intel提出相应的库。具体包括：针对数学运算的库、针对数据分析的库、针对通讯加速的库、以及针对Python语言的库等等。在框架层面，Intel支持所有的开源框架，这意味着开发者不需要改变使用习惯，就能使用Intel的各项架构支持。更上层的，Intel提供深度学习SDK、Nervana等平台。

　　在软件层面，宋继强表示：“目前的深度神经网络还有很多技术点有待突破，神经网只是实现人工智能的一个工具，但未必是最后的工具。”对于AI算法，Intel目前正致力于如何使系统实现更少的数据及人力依赖;如何让模型更稀疏;如何压缩模型使之更易存储;如何对模型剪裁使其运算量最少;如何使计算精度下降，甚至降至一位。

　　对于Intel的主营业务，处理器制造来说，用户有了更多元化的选择。