8月27日，英特爾已經是x86服務器市場的壟斷者，成功遮住了雙眼，它忽視了移動設備的崛起，對GPU加速系統大爆炸反應遲鈍，最終，當奄奄一息的AI再獲新生、變成一個前景可觀的市場時，Nvidia成為主角，英特爾落選。

AI就是下一代計算，Nvidia制定了清晰的AI戰略，它用歷史數據來認證自己的觀點：GPU已經打破摩爾定律設置的障礙。有些人甚至開始高呼“黃仁勛定律”。黃仁勛正是Nvidia的創始人。在過去3年里，Nvidia營收翻了一倍，股價更是上漲10倍。

以前，在英特爾眼里Nvidia只是小角色，向自己的PC伙伴提供小眾產品，一夜之間，它成為新市場舉足輕重的玩家，而英特爾卻呆呆旁觀。

巨人已經覺醒。英特爾明確向世人暗示，在AI市場，它不會重蹈移動市場一樣的錯誤，不會將AI市場割讓給對手。英特爾已經知道，AI是數據中心業務增長的關鍵，在未來5年里，AI芯片銷售額的年復合增長率估計會達到30％。

正因如此，在最近的數據中心創新峰會（Data－Centric Innovation Summit）上，英特爾才會高調進軍AI芯片市場，還說去年公司的AI芯片營收已經達到10億美元。

AI芯片市場不只有GPU還有其它

Nvidia刻意強調說，目前的AI發展以是GPU作為根基的，它的說法有相當高的可信度，但是忽視了一些事實。

按照英特爾的解釋，這種說法最大的問題在于忽視了AI軟件與GPU硬件的融合，AI運行是相當復雜的，不可能一招通吃，所以上述論斷過于簡單。

英特爾AI產品集團主管 Naveen Rao曾經在博客中指出，近幾年AI取得成功主要依賴三大支柱：一是軟件工具的優化和成熟，二是硬件更加出色（多種形式的硬件，不限于GPU），三是研發生態系統欣欣向榮，而且許多時候還是開源的。

Naveen Rao進一步強調說：

“客戶發現，沒有什么單一的好硬件可以應付各種各樣的應用，因為AI的類型不是單一的。受到應用的限制，從數據中心到邊緣設備，需要的能力各有不同，所以我們需要多種多樣的硬件組合形式。覆蓋多種多樣的應用，就可以為英特爾客戶帶來最高的投資回報。”

深度學習模式越來越復雜，需要強大的并行處理能力，不過Naveen Rao認為，它只是AI軟件生命周期的一部分。

聯想一名AI高管曾經在文章中介紹說，從構想到部署，總個周期相當漫長，涉及到規劃、數據收集、驗證，開發部署模型時也要經歷這樣的流程。

Naveen Rao在峰會上曾表示，AI的執行環境多種多樣，有小設備，比如物聯網傳感器和手機，也有自動駕駛汽車，遠程設備，它們處在網絡邊緣，還有分散系統，比如云數據中心。

英特爾AI戰略的基石是“寬度”，就是說英特爾有多種多樣的技術，可以用在多種多樣的環境中使用，另外，英特爾還向開源項目投資，增強軟件性能，提高開發者的生產力。

按照Naveen Rao的說法，英特爾AI戰略會用“三條腿”走路：一是工具（軟件），二是硬件，三是社區（開發者生態系統）。 從英特爾的AI產品組合可以看出，它能滿足各種需要，無論是端點、邊緣系統還是數據中心，都可以使用英特爾產品。在英特爾帝國內已經有許多AI技術，有些是英特爾自己開發的，有些是收購的，比如：

——低能耗Atom處理器，內置Movidius視覺處理單元（VPU），用于物聯網和移動設備。

——Mobileye先進駕駛員輔助系統（ADAS）和EyeQ芯片，用于無人駕駛汽車。

——桌面及移動x86處理器，內置GPU、GNA神經網絡協處理器和Inference Engine加速技術。

——基于Altera開發的FPGA，它既給低能耗嵌入式系統用（Arria 系列產品），也給高性能數據中心用（Stratix系列產品），在實時數據評估中，可以加速深度學習模型的執行速度。Altera是英特爾收購而來的。

——Nervana神經網絡處理器，它用高性能、靈活的GPU處理相同類型的模型訓練和推斷任務。

——Xeon Scalable x86處理器，用于執行一般任務，訓練輕量級AI模型，完成繁重的模型推斷工作。

產品消息不多

在峰會上，英特爾的重點只是講述戰略，所以沒有過多談到產品，這也是情理之中的事。不過在會議上英特爾的確談到一些新AI技術，以及升級的AI技術，具體有如下幾種：

——DL Boost x86指令，通過支持低精度16位浮點運算，它可以讓深度學習運算加速，與AVX－512指令是兼容的。

——VNNI指令集（Vector Neural Network Instruction），它相當于AVX－512的擴展指令，通過支持8位乘法和32位加法，可以讓深度神經網絡訓練進一步加速。Cooper Lake Xeon處理器將會引入DL Boost和VNNI，新處理器2019年推出，它是Cascade Lake的接班人。

——nGraph編譯器，它可以優化AI代碼，方便代碼應用于不同的硬件平臺。nGraph支持多種技術開發的模型。

——升級MKL－DNN數學庫，改進矩陣乘法性能。

——展示Nervana NNP L－1000 神經處理器，它的目標是挑戰GPU，幫助數據中心完成深度學習任務。

英特爾數據中心CPU架構主管 Sailesh Kottapalli介紹說，除了提升矩陣乘法計算能力，支持低精度和混合精度運算，未來Xeon處理器還會增加各個層級的緩存大小，擴充存儲帶寬，縮短延遲時間。所有這些都會提升AI性能，讓通用CPU有能力替代GPU，完成許多工作。

最好的思考

英特爾收購了許多AI企業，比如Nervana，Movidius、Mobileye，最近還收購了Vertex．ai，這樣英特爾就可以制定連貫的策略，解決各種AI問題。

因為AI工作多種多樣，運行AI軟件時設備的資源受到限制，所以英特爾擁有多種組合產品還是蠻重要的。不過英特爾的戰略橫跨幾個處理器架構和指令集，所以優化工作必須做好。

Nvidia的產品沒有英特爾那么豐富，它的GPU分成大中小三等，分別是Volta、Xavier和Jetson，都用到了CUDA編程平臺。雖然Nvidia擁有先發優勢，但是隨著時間的推移，它的優勢會削弱，因為開發者會接受更加先進的AI框架，比如TensorFlow，先進框架可以讓開發者瞄準其它平臺。

另外，Nvidia的神經網絡優化GPU（配有Tensor內核）性能不錯，現在還有優勢，但是未來優勢會縮小，因為下一代英特爾Xeon處理器推出之后，x86系統的性能會進一步提升，可以幫助數據中心做更多的事情。

英特爾說去年它的AI芯片銷售額達到10億美元，如果數據是真實的，我們可以斷言英特爾已經在早期贏得許多企業的支持，在飛速膨脹的市場，它已經成為重要的競爭者。

就眼下來說，在硬件和軟件工程方面，英特爾需要將關鍵工作做好，然后將各部分融合，將產品拋向市場，讓購買者無法抗拒誘惑。

整個市場都對Nvidia入迷，不過如果認為英特爾已經失敗，無力反擊，那就大錯特錯了。