您好,欢迎来到维库电子市场网 登录 | 免费注册

英特尔AI副总裁辛格谈芯片转型之路

类别:行业访谈  出处:满天芯  发布于:2018-09-13 11:09:21 | 86 次阅读

  英特尔人工智能产品部副总裁兼总经理加迪·辛格(Gadi Singer)出席了“半导体工程”网站(以下简称SE)的专访。主持人与辛格坐下来谈论了英特尔的深度学习愿景,以及英特尔公司对于超越现在的x86架构和单芯片解决的方案。
  SE:处理器方面有什么变化?
  辛格:最大的变化是增加了深度学习和神经网络。在过去几年中,这些变化如此迅速和深刻,以至于我们正试图评估它的潜力,以及能用它做些什么。但与此同时,还需要退一步思考如何与其他功能相互补、适应。这是处理器整体转型的一部分。
  SE:真正实现这一点是依赖机器而不是手工开发算法,对吧?
  辛格:最初的方法是从20世纪60年代开始,中间却止步不前,直到计算机科学家Geoffrey Hinton和其他人在21世纪初找到了一种更有效地处理多层的方法。几年前,当深度学习被认为是主要的计算力量时,这一重大突破发生了。那时Image Net表明你可以通过图像识别达到接近人的精确度。我们开始在语音识别方面看到很好的成果。在2015年左右到2016年,这看起来很有希望成为一个重大变化因素。当时,世界上的图像技术都差不多,都是相对简单的图像和直接的语言。然而通过深度学习,我们证明了很多事情是可能实现的,因此我们有信心做到比较准确的程度。在创建和验证模型的方面,主要架构是CPU和GPU。之前解决这个问题的方法是C++语言,就像Caffe的一些前辈一样,以及CUDA等专有环境。它需要大量的专业知识和精力来构建计算架构以及部署。
  SE:从那时起发生了什么变化?
  辛格:在过去的几年里,我们看到了深度学习时代的到来。数据本身变得更加复杂。我们已经从2D转变为3D图像。我们正在与诺华公司合作,诺华公司正在研究细胞的3D显微图像,试图找出潜在的恶性细胞。图像本身在数据方面要复杂25倍,但所识别出来的将会是更精确的模型。
  SE:英特尔在哪些方面适合这些架构?我是指人工智能和深度学习的一大问题是:它们正在快速变化,因此您需要一个非常灵活的架构。英特尔对此在计划什么?
  辛格:很显然,这需要预知能力。如果你能知道两三年后图形芯片或CPU芯片最需要什么,那么我们就能为这些已知问题提供最佳解决方案。深度学习是一个公司竞争的基础,因为这在公司发展过程中最能理解问题。您需要一种能够理解和预见趋势的架构,并为在市场上进行全面生产和部署时即将发生的事情做好准备—— 而不是在设计和测试时才手忙脚乱。
  SE:这会因市场而改变,还是仍然用相同的架构?
  辛格:这个问题影响面很大。我们认为一种架构不能满足所有需求。因为我们相信,成功的解决方案是依靠一系列独特的产品。所以你有不止一个架构,不过也没有太多选择。你可以看到:从1瓦到300瓦,从推理和训练以及紧急ML,从关注吞吐量到关注延迟,不同的架构对每瓦性能有不同的敏感度。解决方案的电源效率值是多少?你愿意轻易换掉其他东西吗?看似简单的架构却有着巨大的差异。那么既然有这一系列需求,我们就必须有至少一组互补的架构作为解决方案。
  SE:那些架构是什么?
  辛格:有三个要素。一个是我们需要一个投资组合,因为我们的客户要求它。您需要从终端设备(无论是安全摄像头或无人机还是汽车)到网关(即汇聚点)以及云端或本地服务器的解决方案。你需要一组在每个点上都非常有效的解决方案。我们的硬件战略的一个要素是,提供具有互补架构和解决方案的产品组合。另一个因素是进一步使Xeon成为AI的坚实基础。
  SE:培训或推理是怎样的?
  辛格:让我们从推理开始吧。Xeon是一个很好的推理解决方案。这本身就是一个很好的解决方案。与其他任何产品相比,Xeon作为推理解决方案做得非常好,并且在总体拥有成本和灵活性方面具有额外的优势。你看看Facebook就知道了,他们会展示如何对七大服务进行培训和推理。
  SE:但对于像Facebook这样的公司来说,手机或相机是否相同?
  辛格:这就是你需要不同架构的原因,如果你希望在大数据中心进行推理。你可以使用相同的计算来执行推理和任何其他任务。在低端方面,我们拥有Movidius架构,功率为1瓦至几瓦(英特尔于2016年9月购买了用于计算机视觉的低功耗处理器的Movidius)。所以你可以实时创作音乐。您可以通过将Intel / Movidius计算棒连接到手机来检测早期皮肤癌,并在终端进行分析。
  SE:所以你已经拥有了数据中心和优势。你的战略的第三部分是什么?
  辛格:系统集成。当您考虑系统集成时,拥有正确解决方案的许多价值与数据移动有关。一个好的解决方案需要最小化数据移动,因为这比在数据上进行乘法/累加要贵10倍。优化系统和软件堆栈,了解如何在正确的时间将数据放在正确的位置,这才是一切解决方案的关键。
  SE:这听起来像是英特尔从上到下的变化。
  辛格:当然,因为当你看到改进的Xeon时,我们有一个很好的基础,现在我们用VNNI(矢量神经网络指令集)和BFloat 16进行深度学习提升。过去,英特尔确定了浮点数,SIMD和矢量。我们觉得AI需要一组功能,于是就在x86下带来了新功能。我们希望为这两种架构提供优化的解决方案。这是我们与Movidius合作的地方。我介绍一下Nervana,这也是FPGA发挥作用的地方——它带来了最好的x86,并用最好的架构来加强、加速它。然后,这个系统就不仅仅是主机和加速,同时也是内存和网络,它是一个集成的系统。
  SE:所以你正在寻找一个包含系统集成的平台策略。这是英特尔以前从未认真做过的事情。你觉得这个怎么玩?
  辛格:系统集成有很大机会采取不同类型的事情并紧密集成它们。我们肯定在努力。我们认为这非常有价值。
  SE:新硬件架构正在发生的重大变化之一是基本上增加数据密度,这方面做得最多对吧?
  辛格:这属于数据压缩和计算的并行性增加。当你看到Nervana NNP(神经网络处理器)等架构时,它就是从头开始构建的。你正在处理具有张量的神经网络,你正在管理结构,这是思考建筑的基础。使用VNNI,您可以为结构提供有关在阵列上进行计算的指令。
  SE:除了缩小功能外,还有更多的优势,对吧?
  辛格:我们需要从这个过程中获得我们所能得到的东西。我们一直将设计和架构推向矢量。我们将好好利用它。但我们的章程是推动设计和架构更高效,每个周期拥有更多的指令。它始终是一个需要尽可能快地运行的向量。
  SE:但是现在你已经拥有了所有这些必须融合在一起的作品。所以可能会在内存中以不同方式存储和读取。
  辛格:是的,你必须能够从内存中提取这些数据结构。我们需要看到的另一件事,就是如何在纯神经网络操作和常规潜在循环代码之间进行混合。如果需要进行新的工作,它会假设出很多新的计算需要深入学习。实际上,它需要一个非常有效的神经网络结构,并且需要有效地完成,而且要能够从一个内存移动到另一个存储。我们正在解决这些问题,希望以最佳方式解决神经网络这个方案。
关键词:英特尔 芯片 

全年征稿 / 资讯合作

稿件以电子文档的形式交稿,欢迎大家砸稿过来哦!

联系邮箱:3342987809@qq.com

版权与免责声明

凡本网注明“出处:维库电子市场网”的所有作品,版权均属于维库电子市场网,转载请必须注明维库电子市场网,http://www.dzsc.com,违反者本网将追究相关法律责任。

本网转载并注明自其它出处的作品,目的在于传递更多信息,并不代表本网赞同其观点或证实其内容的真实性,不承担此类作品侵权行为的直接责任及连带责任。其他媒体、网站或个人从本网转载时,必须保留本网注明的作品出处,并自负版权等法律责任。

如涉及作品内容、版权等问题,请在作品发表之日起一周内与本网联系,否则视为放弃相关权利。

热点排行