宋继强：20年后来看今天 人工智能还是早期阶段

这是它的一张架构图，中间那些绿色的实际上是计算处理单元，提供了我们称为基于张量架构的单元，我们做很多块运算，张量计算架构可以很快速直接进行快运算，比用处理器快很多，而且我们看到这里面有个Flexpoint技术，以前有定点数，有浮点数，但这都是固定的告诉你，你用了多少，Flexpoint是介于这两者之间，是可以动态变化的，也就是你在做的初期，你不需要那么高的精度，你可以用广的精度做，运算到后期，你需要越来越多进度的时候，再增长为它提供很好计算的密度。同时还有一个好处，这四个黄块，是直接就在一个芯片里面分装在一起，有各自独立的IO接口，而且距离主芯片非常近。第三个好处，我设计了一款芯片之后，其实总值是有一个上限，怎么样去突破这个上限，你是否能容易构成节点。这上面的蓝块ICL，是私有定制芯片间的通讯链路，这个链路的速度非常快，带宽也很高，而且它的12个意味着什么？一个芯片可以跟12个芯片连接，可以构成一个12维的超网络支持你的运算，现在大家可能还用不到这么多。这就是它有一定灵活性的深度学习计算的架构。

这是我们收购了很多公司带来的新技术，我们之前的技术仍然存在，包括至强融核的技术，去做通用计算的加速。Arria FPGA可以做在功耗和性能优化的情况下做加速，这也是非常好的，这在2016年就有。2017年，这些继续往前推进，同时我们会增加在特定优化的时候，增加Lake Crest架构，我们会把这些人工智能的硬件和方案统称为Nervana平台产品组合，这是我们的商标，而不只是收购过来的一款芯片。

有了硬件，我们还要注意，不能放松对算法的研究，因为硬件很好，但是你可以用很烂的算法把它用得很差。所以在这里，英特尔内部也和外面的学术界一起合作，在这几个前沿的领域在快速推进深度学习领域的算法和研究，这里面包括我们怎么更快的训练，怎么更好的利用少一些的数据和少一些的监督，去达到训练的特性，并且我怎么把记忆元素加进去，记忆其实是通过对历史数据的一些分析和挖掘，找出来的开展的模式，这些模式是利用来大幅提高对训练的指导。第二，怎么把大模型稀疏化和修剪，因为现在模型和参数非常多，千万级别，上亿级别的都有，这么多里面，有用的没有那么多，大量的是为零的，为零你还为他存储和计算不是浪费资源吗？所以怎么做好大量模型的稀疏化，重要的留下，让我的硬件利用效率最高。另外就是我们看怎么支持更大规模的计算，包括在云端我们有更多的批量，可以同时做运算，在每个节点可以用更高阶的方法做处理。

（编辑：PHP编程网 - 湛江站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!