作者：李娜
无AI不热点，当芯片公司都在谈论人工智能的发展战略时，作为芯片老将的英特尔也在试图做点什么。
过去几年，熟悉的合作伙伴英伟达成为了人工智能领域发展最为迅猛的芯片公司，互联网巨擘谷歌俨然成为开发者最熟悉的软件算法提供平台，而诸如华为、ARM等公司也推出了类似”达芬奇”和“周易”这样的人工智能平台来笼络开发者，“算力”成为高频词汇的同时也让人工智能在商业领域的合作与竞争中火花四溅。
“英特尔最强的是CPU，处理能力强，但在训练上能够比英伟达的GPU便宜而且好用吗？”一位还在读研二的学生在英特尔的人工智能大会上发出了这样的疑问，这也是很多人对于这家老牌芯片厂商在人工智能战略上的误解。
英特尔的人工智能战略和边界是什么？面对竞争对手时有什么优势？在回答第一财经记者的提问时，英特尔全球副总裁兼中国区总裁杨旭表示，人工智能的产品不能静态的去看，刚开始很多人用英伟达的产品做训练，但是到应用层面的时候就需要推理，而这就到了英特尔的强势区域。不能在今天或者一个点上看问题。
“目前的人工智能还处于初期阶段，是一场没有终点的马拉松。”杨旭在上述人工智能大会上表示，英特尔AI愿景是建立最好的计算平台，实现人工智能的价值需要做好三件事，推动技术创新，与生态系统和技术社区开展开放协作，解决重大挑战推动应用部署落地。
AI不仅仅是模型的训练
两年前，Naveen Rao还是深度学习初创公司Nervana Systems的首席执行官兼联合创始人。在公司被英特尔收购后，在他主导推出的神经网络处理器Nervana成为了英特尔人工智能的驱动中心，Nervana NNP系列也应运而生，Naveen Rao则被任命为人工智能产品事业部的总负责人。
目前在数据科学和深度学习计算领域，除了Nervana NNP，英特尔的芯片布局还有Xeon（至强）芯片系列、Movidius的视觉芯片VPU、以及FPGA（现场可编程门阵列），这几条产品线分别对应几个不同的细分应用场景。
而在此次人工智能大会上，Naveen Rao宣布了多条产品线的更新情况，包括将于2019年面市的Spring Crest，隶属于英特尔Nervana神经网络处理器NNP，神经计算棒二代（简称英特尔NCS 2），利用该计算棒英特尔表示可以在网络边缘构建更智能的AI算法和计算机视觉原型设备。
Nervana NNP系列是神经网络处理器，在深度学习的训练和推断阶段中，Nervana NNP主要针对训练阶段的计算，按照英特尔的计划，到2020年要将深度学习训练（Deep Learning，简称“DL”）的效果提高100倍。这款神经网络处理器由英特尔和Facebook一起合作设计，可以预测该芯片很大程度上应该会对Facebook的机器学习框架Pytorch有很好的支持。
而NCS 2则是基于英特尔Movidius Myriad X视觉处理单元，与上一代神经计算棒相比，能够以较低的成本加快深度神经网络推理应用的开发。英特尔NCS 2支持深度神经网络测试、调整和原型制作，可以帮助开发者进入实际应用的量产阶段。
记者在现场看到，英特尔NCS 2看起来就像个普通U盘，首次配备了神经计算引擎（专用硬件神经网络推理加速器）。借助这项产品，计算机视觉和人工智能可以轻松地部署到物联网和边缘设备原型上。这意味着无论开发者研发智能相机、无人机、工业机器人还是下一代智能家居设备，英特尔都能让原型设备运行得更加快速。此外，只要一台笔记本电脑，开发者只需几分钟就可以让他们的 AI 和计算机视觉应用程序运转起来。
此外，英特尔Movidius VPU芯片早就面向在汽车、无人机等新兴的硬件市场，比如大疆无人机、 特斯拉 ，以及Google Clips摄像头中都采用了Movidius的视觉芯片。而在上述大会现场，腾讯优图的负责人演示了最新的人工智能系列产品，其中就有利用英特尔公司Movidius Myriad芯片可实现在摄像头上的直接推理的解决方案案例。
Naveen Rao对记者表示，人工智能演进是计算的革命。今天，人们看到机器能够“看见”世界，却不能真正理解世界。所以需要加强学习，强化学习，对现实世界的模拟。在人工智能领域，英特尔专注于三个方面：工具、硬件和社区。
杨旭则认为，AI不仅仅是模型的训练，还有推理，行业的应用落地需要更庞大的技术支撑，现在AI仅仅处于初级阶段。“2018年有46%的企业CIO（首席信息官）制定了AI应用的执行计划，但其中只有4%得到了执行。国内人工智能行业2017年的市场规模为9亿美金，而估计到2022年这一数字将达到90亿美金，复合增长率超过58%。事实上，这一些列数字是对人工智能产业未来发展空间的肯定。”杨旭说。
AI江湖的强者之争
AI领域从不缺少玩家。
在此前的一场会议上，华为轮值董事长徐直军正式对外公布了华为在AI领域的最新动作：推出全栈全场景AI解决方案，并且同时推出两款AI芯片，华为昇腾910（Ascend 910）和Ascend 310。在关于910的介绍中，徐直军强调，该款芯片是目前全球已发布的单芯片计算密度最大的AI芯片。
Arm中国的全新人工智能平台“周易”也在两周前首次公开亮相。Arm表示，“周易”平台主要包含自主研发的全新人工智能处理器AIPU以及AIPU SDK，以及同中国生态合作伙伴共同开发的Tengine人工智能软件框架，适配Arm CPU、Mali GPU和第三方AI处理单元，实现人工智能算力优化。
而AI芯片提供算力支持的最大玩家目前依然是英特尔和英伟达。英伟达的GPU抓住了计算设备需求的关键时机，在图形渲染、人工智能和区块链领域的计算表现十分突出，在这些业务方面也给英特尔带来压力。同时英伟达似乎和英特尔的“Intel Inside”不同，它更希望成为真正的算力平台，并且成功推出了自己的CUDA平台。
英特尔则通过收购来打通各场景应用。比如2015年167亿美元收购“现场可编程门阵列巨头”Altera，FPGA在云计算、物联网、边缘计算等方面有很大的潜力，2016年收购Nervana，同年还收购了视觉处理芯片初创公司 Movidius。
“其实我们也一直在跟踪（行业的最新动向），和很多公司都有早期的接触，看到的是更多是互补，不是竞争，很多芯片厂商都是在加速，和英特尔之间的至强产品其实是有互补性，所以这里面的互补性，合作的空间很大。”杨旭对记者说。
但也有分析指出，在人工智能领域，由于计算场景的需求差异化极大，谷歌根据自己的需要研发成熟的芯片变得必要，技术上也更可行。英特尔如果要为不同的场景定制芯片，意味着英特尔将全面转入2B领域，和之前的2B2C模式相比，纯2B的业务显然会更像乙方，业务线的复杂度会急剧增长。而历史上来看，一家公司从2C转向2B总体来看往往都是因为失去了在行业中的核心统治地位而不得不退而求次。
不过，尽管英特尔外遇强敌，转型、扩张的步伐十分坚定。但根据IC Insights的统计数据，2017年排名前10位的半导体厂商研发总支出为359亿美元，英特尔位列第一。报告显示，2017年英特尔的研发支出为131亿美元，占集团总支出的36%，约为英特尔2017年销售额的五分之一。
