英特尔：新芯片材料将实现大规模的AI研究收益

 
在洛佩兹研究公司最近进行的一项调查中，86%的公司表示他们认为人工智能对他们的业务具有战略意义，而只有36%的公司认为他们实际上已经在人工智能方面取得了有意义的进展。为何悬殊?英特尔副总裁兼人工智能产品首席技术官Amir Khosrowshahi和IoT Jonathan Ballon总经理在旧金山VentureBeat 2019转型会议上分享了他们对舞台的看法。
根据Ballon的说法，人工智能采用的障碍无疑是比以往任何时候都要低得多。他认为，除了在生产中实现机器学习所需的工具和培训之外，“每个行业”的初创公司和开发人员 – 不仅仅是学术界和大公司 – 现在都可以访问大量数据。
这一见解与Gartner在1月份发布的一份报告相吻合，该报告发现AI实施在过去四年中增长了270%，仅在过去一年就增长了37%。考虑到据估计到2022年企业AI市场价值将达到61.4亿美元，这一点从2015年的10%上升，这并不令人意外。
尽管发展财富令人尴尬，但Ballon表示，确定合适的工具仍然是一些项目的障碍。 “如果您正在做一些基于云的事情，那么您就可以访问大量的计算资源，电源和冷却，以及所有可以执行某些任务的事情。但我们发现，几乎一半的部署和全球一半的数据都位于数据中心之外，因此客户正在寻找在起始点访问数据的能力，“他说。
这种对“边缘AI”的兴趣在很大程度上超过了硬件，其中大部分实际上无法完成更适合数据中心的任务。训练最先进的AI模型无需借助谷歌Tensor Processing Units等尖端云芯片和英特尔即将推出的Nervana神经网络处理器(也称为NNP-T 1000)，专用的高速AI加速卡。
“处理器冷却基础设施，软件框架等真正实现了[这些AI模型]，并且它具有大量的计算能力，”Khosrowshahi说。 “[一切都在关注]扩展处理计算并在专用硬件基础设施上运行所有内容。”
碎片也无济于事。 Khosrowshahi表示，尽管Google的TensorFlow和开放式神经网络交换等工具激增，这是一种用于在不同框架之间交换神经网络模型的开放式容器格式，但开发人员的体验并未得到特别简化。
Ballon表示，在查看与实际部署AI模型相关的工作流程时，硬件架构从数据科学家和应用程序开发人员中抽象出来的程度还有很长的路要走。 “我们还没有，直到我们达到这一点，我认为软件开发人员有责任了解各种硬件选择的优缺点和局限性。”
没有灵丹妙药，但Ballon和Khosrowshahi都认为硬件创新有可能进一步推动强大的人工智能民主化。
Khosrowshahi看好依赖多铁性和拓扑材料来运行机器学习算法的新型晶体管。 MESO器件的能效比目前的微处理器高10到100倍，后者主要基于CMOS(互补金属氧化物半导体)。
更不用说光学芯片仅需要有限的能量(因为光产生的热量少于电能)，并且不易受环境温度，电磁场和其他噪声的影响。与其硅等效物相比，光子设计的延迟提高了10,000倍，功耗水平“数量级”更低。在初步测试中，与最先进的电子芯片相比，某些矩阵矢量乘法运算速度提高了100倍。
“我们可以利用新材料来开发……数据中心计算的未来，我认为这实际上就是未来，”Khosrowshahi说。 “它不一定是科幻小说 – 我希望人工智能的所有兴奋都会真正加速，这是将这些新材料与产品争论的非常困难的领域。”