宋继强：20年后来看今天 人工智能还是早期阶段

现在看到做人工智能的应用，或者说部署人工智能的计算在云端还是很少，通过英特尔的分析，现在是云端提供绝大部分的计算资源的，目前这部分的份额还是在10%，还是比较少，但是这一块是非常大飞速发展的，但是到2020年，AI计算量将会增长12倍，我要节省电力、体积和资源，这都是重要的，所以我们要不断推动技术创新，我们不能停留在今天这个阶段，后面有更多的优化方案等着我们。

从我们做人工智能的分析来看，因为英特尔不是人工智能专家，但是我们跟很多学界一起合作，也有一个对人工智能分类的认识，人工智能从在学术界开始，定义学科来讲，它的目标是为了让机器具备人的智能处理的能力，刚好跟徐扬生院士讲的第一条非常相似，哪些能力很重要？三大能力，感知能力、推理能力和行动能力，这三大能力是决定了你这个机器人能不能根据外界环境，做一个很好很智能的决策，同时把他反馈到外部世界，而且比较稳定。另外还有一个徐院士没有讲到的，就是适应性，而不是这个设计好了就只有当初的能力，而是要有适应不停变化的环境，要有持续的学习，自主的学习，不断增强的能力，这里横向化的内条非常重要，记忆是目前大家还想得比较少的，但是在一个真正的自主系统里，能够让人去满意使用它的话非常重要，它实际上是让你能够把感知推理行动串起来，去适应新的环境。下面这个就是具体的方法工具，这么多都是专家学者，就不需要多讲。首先要有大量的数据，才能把知识和规则提取出来，才能为我们所用，处理新的数据。第二类是知识驱动，不在乎你有多大的数据，可能用很少的数据，但是那些数据非常关键和精准，你只要从小数据里，就能推出一个完备的系统，能够做事。所以这两块，是应该齐头并进的，不能说哪一块优于另外一块，而是应该互相结合的去做。

深度学习目前来讲非常火，他火的原因是什么？因为最近这几年，我们首先有大量的数据，像ImageNet，提供了大量的数据，计算的能力也大幅提升，我们知道摩尔定律在过去这些年给我们提升更多的计算能力，存储能力也大幅度提升。过去二十年来，我们的计算能力提升了上百倍都不止，我是90年代读大学的，用的是286，386，现在二十年后，是百倍级的提升，机器你的主屏强，内存小，性能还是不够。1995年的时候，一个GB的存储一千美金，现在0.03美金，这都是通过过去的摩尔定律推动到现在，才有这个爆发点。这个爆发导致我们可以通过深度学习，在某些领域取得比较大的突破，有些领域比如说做视觉识别，特定的人脸识别，已经可以超过人，他犯的错误比人的少，因为人是生物，人会疲劳，人会走神，机器不会。所以目前在语音的识别和视觉的物体识别两个领域有非常大的突破。我们也看到了这个突破，通过深度学习可以通过增加它的训练数据增加性能，意味着我要增加训练能力，来支持这些训练，而不是把数据增加一百倍，把训练时间增加一百倍，我增加这些处理数量，是希望大幅度缩减我的训练时间，但是光增加处理数量行吗？不行，你会遇到一个平台，因为处理器与处理器之间需要有通讯，这些通讯有时候是数据通讯，有时候是控制通讯，当你通讯的瓶颈达到的时候，你再增加处理器，你也缩短不了。所以这就是目前来讲，为什么你在使用某些架构的时候，你再增加处理器，也不见得训练时间减少了，而这时候需要有更高效的技术，能够同时增加你计算的密度，同时也能够大幅度增加你的通讯带宽，这样才能达到线性的增长。

Lake crest是今年刚刚发布，是今年11月份刚刚对全球发布的英特尔的代号，这个代号是专门为深度学习定制的一款芯片，这款芯片有几大特色。第一，它里面的运算设计是为了深度学习量身定制，同时它的计算密度也非常高，这个待会儿也会讲到。第二，它把数据访问，刚才我们讲到的多节点之间的数据访问的瓶颈，给优化掉了，并且能够支持高速的内存，这个高速内存是使用HBM2的内存，直接分装在一个芯片的里边，所以这样的效果是非常的好。这样会给我们带来什么好处？我们知道，在做深度学习训练的时候，即使你的模型，我们知道人工智能做神经网络的时候，它的每一个节点里面既有计算也有数据，而且数据有的还是浮点的，希望是每个计算节点有自己的内存接口，这个要求还不是那么容易满足，现在我们可以通过这个硬件技术支持到这一点，你有了这个支持，意味着我首先设计的模型，我在做很多算法训练的时候，我的尺寸大小不受太大的限制。因为很多人在初始设计的时候不考虑功耗，不考虑代价成本，去做出来，但是这时候是需要允许你去做这么大模型的平台的，同时IO增加，你也可以知道是多少增加，所以我们可以很好支持新模型的探索，这是怎么实现的呢？

这是它的一张架构图，中间那些绿色的实际上是计算处理单元，提供了我们称为基于张量架构的单元，我们做很多块运算，张量计算架构可以很快速直接进行快运算，比用处理器快很多，而且我们看到这里面有个Flexpoint技术，以前有定点数，有浮点数，但这都是固定的告诉你，你用了多少，Flexpoint是介于这两者之间，是可以动态变化的，也就是你在做的初期，你不需要那么高的精度，你可以用广的精度做，运算到后期，你需要越来越多进度的时候，再增长为它提供很好计算的密度。同时还有一个好处，这四个黄块，是直接就在一个芯片里面分装在一起，有各自独立的IO接口，而且距离主芯片非常近。第三个好处，我设计了一款芯片之后，其实总值是有一个上限，怎么样去突破这个上限，你是否能容易构成节点。这上面的蓝块ICL，是私有定制芯片间的通讯链路，这个链路的速度非常快，带宽也很高，而且它的12个意味着什么？一个芯片可以跟12个芯片连接，可以构成一个12维的超网络支持你的运算，现在大家可能还用不到这么多。这就是它有一定灵活性的深度学习计算的架构。

这是我们收购了很多公司带来的新技术，我们之前的技术仍然存在，包括至强融核的技术，去做通用计算的加速。Arria FPGA可以做在功耗和性能优化的情况下做加速，这也是非常好的，这在2016年就有。2017年，这些继续往前推进，同时我们会增加在特定优化的时候，增加Lake Crest架构，我们会把这些人工智能的硬件和方案统称为Nervana平台产品组合，这是我们的商标，而不只是收购过来的一款芯片。

（编辑：温州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!