英特尔追逐A.I.用新的筹码，但仍然缺乏强大的GPU

英特尔正在筹集芯片开发的新方向，因为它展望了人工智能的未来，公司投注该技术将遍及应用程序和网络服务。

周四英特尔表示，它正在开发将处理的新芯片。工作负载，这将越来越多地成为其芯片未来的一部分。目前，A.I.芯片将被释放为计算机中的专用初级芯片或协处理器，并与主要产品线分开。

但随着时间的推移，英特尔可以适应和整合A.I.功能进入其主流服务器，IOT，也许甚至可能是PC芯片。A.I.功能可用于服务器，无人机，机器人和自治车。英特尔正在积极追逐这些行业，因为它试图攻击弱化PC市场。

A.I.计算由GPU为来自NVIDIA和来自谷歌等公司的自定义筹码。英特尔的计划是提供广泛的替代非GPU芯片，以获得深度学习，以加速其进入A.I.英特尔在移动市场中失去了机会，因为它是一个晚期参赛者，它不会在A.I中重复这个错误。

英特尔缺乏有效的GPU来追逐A.I.但希望替代筹码将填补差距。该公司认为它不需要GPU，并没有想把它的所有鸡蛋放在一个篮子里，如nvidia。

英特尔正在开发一个怪物A.I. Chip，代码命名的骑士磨机，即在深入学习时，它将成为Xeon Phi Chip系列的一部分。该公司在英特尔数据中心集团的公司副总裁Jason Waxman表示，该公司对芯片的较少的克强芯片，而不是目前的Xeon Phi Chip，这将是关于芯片的少数详细信息，但它比当前的Xeon Phi Chip，Code-Phi Chip。

Knights Mill将于明年发货，而定时提供了一种快照，即迫切性的英特尔是如何加快进入A.I的进入A.I.空间。它的两个以前的Xeon Phi处理器释放了四年间差距。

与其他芯片Intel开发相比，Knights Mill将有几个独特的功能。与英特尔的高性能芯片相比，专注于精确计算，骑士厂将串联一系列快速，低水平的浮点计算，以得出结论。那些结论达到了深度学习的本质 - 一些结论，如图像的识别可能并不总是精确。但随着计算机深度学习模型变得更强劲，结论将更加准确。

在明年上半年，英特尔也将从最近收购神经系统系统中释放第一个深度学习硬件。该芯片主要针对培训 - 为深度学习创建计算机模型。它也可以用于推感，通过额外的输入来增强深度学习模型。

Nervana芯片将主要针对服务器。英特尔将最初将其作为可插入标准PCI-Express端口的卡片。但随着时间的推移，在英特尔和英特尔人工智能解决方案的副总裁兼总经理Naveen Rao表示，该硬件将越来越近于处理器。

这两个新的芯片将加起来一直陷入困境。筹码已经在英特尔的阿森纳。英特尔最近收购了MovIdius，在Google Glass中使用的计算机视觉芯片制造商。MOVIDIUS芯片可用于可穿戴设备，无人机和机器人，以进行对象识别和深度测量。

英特尔还销售FPGA（现场可编程门阵列），这是可以重新编程以执行特定任务的电路。英特尔希望将FPGA放在服务器，自动车，机器人和无人机中。明年英特尔将发出深度学习推理加速器，这是一个与谷歌的张量处理单元等推理芯片竞争的FPGA。

英特尔的紧迫性被A.I的兴趣激增引发。，这项技术仍处于起步性。从传感器和A.I馈送数字信息。是一种对这种数据感的新兴技术。

像谷歌，Facebook和亚马逊这样的大型公司正在部署可以尝试理解大量信息的软件和硬件。一个A.I.示例是Microsoft“S Cortana，其应用算法和FPGA来识别语音。

这些系统的有效性由用于沙箱深度学习模型的软件堆栈严重定义。从Nervana获取的软件堆栈将作为英特尔的深度学习并行编程框架。开源框架将与Caffe，火炬，Google“S Tensorflow和Microsoft CNTK（认知工具包）等流行选项竞争。

但所有这些都会。芯片会对客户混淆吗？威斯曼说，越多越好;英特尔希望为客户提供各种替代品。某些芯片在特定任务中更好。例如，威斯曼说，FPGA在单一推理的任务中更好，如识别猫或狗的图像，蜡烛说。

蒂里亚斯研究的主要分析师Jim McGregor表示，英特尔迅速迅速移动以获得A.I.市场。

通过抛出许多A.I.他说，筹码进入市场，英特尔希望看到哪一个会坚持。“这是一个良好的英特尔，在那里拿出多种解决方案。但英特尔没有任何优势，“麦克雷格说。

但有风险。McGregor说，英特尔为其软件堆栈购买了神经元系统，并将客户锁定客户赢得这些工具的尝试。Nervana的工具是开源的，但是专为英特尔的筹码而设计，但竞争框架等Caffe等普及。

“这是一个值得怀疑的策略。麦格雷格说，英特尔在过去十年中完成了这一点，他们试图将每个人推到他们的道路上。“

但深度学习是在婴儿期间。需要时间才能完善深度学习的计算技术，以及Quantum Computers和脑模拟芯片等新型硬件可以改变景观。

“我们”还在学习如何学习，“麦格勒说。