新京葡萄京|英特尔如何用人工智能照亮未来之路？

曾多次的芯片巨头，正在全面拥抱着人工智能的转型。但是前有杨家输掉微软公司的压力，中有NVIDIA的逃去，后有谷歌等互联网富二代的迎击，英特尔如何用人工智能照耀未来之路？对于AI这件事，CPU和GPU谁更加合适？要问这个问题，就要从CPU和GPU的架构想起。这是一个非常复杂且学术的问题，充满著一些技术关卡，这张图片能较为直观的让我们了解到CPU和GPU的有所不同。

CPU和GPU的架构示意图（图片来自电子工程）图片中绿色的是计算出来单元，橙红色的是存储单元，橙黄色的是掌控单元。GPU使用了数量众多的计算出来单元和超长的流水线，但只有非常简单的掌控逻辑。

而CPU具有简单的掌控逻辑和诸多优化电路，但计算能力只占到较小一部分。因此，GPU更加擅长于大规模所发计算出来，限于于数据并行度低的计算出来密集型程序（完全相同算法有所不同数据反复计算出来）。而CPU对分段程度拒绝较低，对数据的依赖性不低，合适处置多样的任务。

在2016年人工智能概念再度南北大众视野时，Alphago的窜红将深度自学概念很快备受瞩目，对于必须大量数据并行计算处置的深度自学，GPU的优势被必要缩放，但是从人工智能的原始路径来看，CPU和GPU必需各司其职相互配合。明确到一个原始的人工智能应用于，前期的数据提供和最后的信息决策都是CPU擅长于的，而中间大量的数据计算出来则是GPU更加擅长于已完成的。“比如人脸识别应用于，前期图像的收集、数据的存储在CPU上运营最差，随后GPU负责管理大量的分段辨识计算出来，最后的辨识结果必须关联其他信息做到决策，或者跟其他传感器和渠道来做到信息综合的时候，CPU则更加擅长于。”英特尔中国研究院院长宋继强在拒绝接受ZOL视频采访时举例道。

英特尔中国研究院院长宋继强不过，GPU并不是并行计算的唯一平台。如果还没具体的数据算法，必须大量实验确认哪种算法更加合适的时候，GPU的效率不会更高更加灵活性。但是一旦算法相同了，GPU的工作将可以由一种专门针对人工智能AI优化的加快芯片来替代。

目前，英特尔享有FPGA和Nervana两种硬件加速芯片，不必须CPU的指令调度，可以必要针对硬件和算法优化，继续执行效率更高。这类专用的加快芯片需要解决问题计算出来密度、内存存储比特率等问题，将性能优化到最佳。“前端设备要考虑到尺寸、功耗、价格等问题，专用加快芯片是最差的自由选择。

加快芯片尤其合适在前端设备里做到计算机视觉应用于，小规模的深度自学网络，所以不会经常出现在无人机、人工智能摄像头上。”宋继强院长回应。

本文来源：新京葡萄京-www.agentangkasnet303.com