您现在的位置是:首页 >互联网 > 2020-10-19 14:53:31 来源:

英特尔发布了三款用于AI工作的新芯片

英特尔公司今天推出了三款用于训练和部署人工智能模型的芯片,这将使其能够与图形市场占据主导地位的英伟达公司展开竞争。

这些芯片是在英特尔于2016年对两家机器学习公司Nervana Systems和Movidius Ltd的收购中产生的,该芯片是英特尔于2016年在旧金山的新闻发布会上宣布的。这些芯片共同 代表了英特尔第一个针对专用AI芯片的大型展示,这些芯片已超越了主流Xeon和Xeon。核心芯片系列。

根据现任Nervana创始人的Naveen Rao(如图所示,其中包含一种新的Nervana芯片),他现在是公司人工智能副总裁兼英特尔人工智能产品部门的总经理,处理器的强大功能至关重要,因为“我们正在达到一个突破点在计算硬件和软件中。这一现实最近也推动了新一代面向AI的芯片初创公司的发展,其中包括今天刚刚成立的一家名为Blaize Inc.的公司。

针对GPU制造商最直接的产品是Nervana NNP-T1000神经网络处理器。它是针对硬件密集型任务进行优化的集成电路,该任务使用示例数据训练AI模型。今天,此过程对于确保模型产生准确的结果是必不可少的,如今已在绝大多数AI项目中使用Nvidia芯片进行了此过程。

更快的学习

英特尔在八月份的预览中 表示,NNP-T1000每秒可以管理多达119万亿次操作。该公司不会自行交付处理器,而是作为加速器卡的一部分,企业可以将其插入服务器。这些卡的设计使得它们可以相对容易地链接在一起,英特尔表示,这使它们甚至可以支持超级计算机规模的AI培训工作负载。

英特尔凭借NNP-T1000脱颖而出。该公司没有选择在自己的工厂进行生产,而是选择将任务委托给外部半导体制造商TSMC Ltd.。构成NNP-T1000的270亿个晶体管是使用台湾公司的16纳米制造工艺制造的,并被组织为24个处理核心。

可扩展推理

该公司的AI芯片生产线的第二个附加产品是Nervana NNP-I1000。它也作为加速卡提供,它针对训练进行了优化,而不是用于训练,而是进行了推论,即一旦开发结束并将模型部署到生产中,模型便会对实时数据执行计算。

NNP-I1000基于英特尔最新的10纳米芯片架构。该公司实际上采用了一个10纳米的中央处理单元,将其缩减为仅两个处理核心,并添加了12个设计用于运行AI软件的“干扰引擎”。

结果就是英特尔表示该芯片每秒可以执行多达3600个推理。该性能已通过ResNest50(通常用于评估处理器性能的AI模型)记录下来。基准测试结果可分解为每瓦4.8万亿次操作,英特尔声称该产品使NNP-I1000成为同类产品中最节能的芯片。

据英特尔称,Facebook公司和百度公司等公司已经开始着手部署这两种Nervana芯片。 Facebook AI主管Misha Smelyanskiy表示,这些芯片是加快社交网络巨头AI工作(例如每天处理60亿次翻译)的关键。

新边缘硬件

结束今天的硬件公告的是英特尔Movidius Myriad视觉处理单元的新版本,其代号为Keem Bay。该芯片旨在为低功率设备内部的AI图像和视频处理系统提供动力,例如依靠机器学习来绕过障碍物的无人机。

英特尔表示,最新的Movidius VPU提供的推理性能是上一代芯片的10倍以上。同时,它的能效比Nvidia的TX2芯片等竞争对手的产品高出六倍。

Rao说:“诸如英特尔Nervana NNP和Movidius Myriad VPU之类的专用硬件对于继续AI的惊人发展是必不可少的。” “人工智能没有单一的方法。”

确实, 英特尔物联网集团副总裁乔纳森·鲍伦(Jonathan Ballon)在对Nvidia的GPU进行挖掘时表示,强调了为AI和机器学习“专门制造”芯片的重要性。GPU最初是并且现在仍用于加速计算机图形。

此外,饶强调了相关软件使用芯片功能的重要性。例如,英伟达的CUDA,软件平台和一组用于并行计算和神经网络的应用程序编程接口,一直是其AI崛起的关键。尤其是,英特尔宣布推出Dev Cloud for Edge,使开发人员能够在购买硬件之前在英特尔硬件上测试算法。

话虽如此,Rao今天早上花了很多时间谈论英特尔的传统处理器,并说它们是大多数AI工作的基础,并且仍然保持这种状态,占了他所说的今年35亿美元AI业务的大部分,高于2017年的10亿美元。

他说: “这一切都始于CPU。” “至强是AI的骨干,也是数据中心的骨干。”

Moor Insights&Strategy总裁兼首席分析师Patrick Moorhead指出,由于许多工作负载转移了机器学习,因此英特尔在培训和推理上投入了大量资金。他说:“很高兴看到这些零件最终进入市场,而且我很期待看到它们在生产工作负载中如何运行,以及工具链在工作量还是在位方面的样子。”