英特尔:谁说深度学习已死?AI任务挑大梁的是CPU,不是GPU

2018 年 10 月 31 日 新智元




  新智元报道  

来源:Thenextweb

编辑:大明

【新智元导读】英特尔副总裁在受访时表示,“深度学习已死”这类报道完全属于夸大其词,深度学习是AI发展的下一个阶段,英特尔预计在2020年将深度学习技术应用在日用品和可穿戴设备上。

现在,机器学习社区中有很多人会告诉你,搞深度学习(DL)是死路一条。

 

不过,英特尔副总裁Gadi Singer显然不属于这类人。他认为,深度学习刚刚开始上路。事实上,他的观点是,我们即将进入AI的下一阶段,而处于最前沿的深度学习是其中很重要的一部分。

 

Singer应该很清楚自己在说什么。毕竟,世界上大多数的AI计算任务都是在他所在的英特尔公司的架构上运行的。

 

Singer是英特尔副总裁、AI产品集团架构总经理。他的艰巨任务是确定公司的AI愿景的下一步该怎么走。与Google的AI未来学家Ray Kurzweil不同,Singer更多关注他所在公司AI计划的细节。所以他的预测不是为了遥远的未来:而是预测2019年和2020年。

 

英特尔副总裁、AI产品集团架构总经理Gadi Singer


目前大部分AI任务循环运行于GPU上?错了!

 

据Singer介绍,英特尔的人工智能策略采用三管齐下的方式,其中包括所有的机器学习类型。他说,深度学习刚刚开始成熟,因此英特尔需要做好准备,能够为实际应用提供最先进的解决方案。

 

当被问及深度学习对整个AI领域意味着什么时,他表示:“这是AI的下一个阶段。”

 

前面提到的未来三点计划很复杂,但简而言之就是:

 

1、开发各种芯片以满足各种需求

2、获取杰出人才,开发新技术

3、在公司的产品中提供智能化、一致的软件层

 

这三条听看上去都是企业和财务上的问题。但是,它对英特尔的客户而言究竟意味着什么?在我们的采访中,Singer提出了自己的问题:

 

你认为大多数AI任务循环运行在哪种架构上?

 

如果你过去几年一直在关注AI,那么显而易见的答案就是GPU。辛格表示,这也是错误的:

 

其实并不是GPU,我下面就解释为什么不是。深度学习中的任务,基本上可以分为两类:训练和推理。 Nvidia的芯片可以作有很多训练任务。关于Nvidia的GPU的讨论主要是训练。


在2015年时,我们估计,AI项目中执行推理任务用时与执行训练任务用时的比例大概是1:1。而实际上,今天这个比例达到了5:1,并且正朝着10:1的方向发展......而大多数推理任务都是在CPU上运行的,确切地说是在Intel CPU上......大多数AI计算任务都是在英特尔的架构上运行的。


芯片巨头如何跟上AI潮流?还是要靠买买买

 

英特尔对2019年-2020年的人工智能发展,特别是深度学习的愿景,已经走出了实验时代,并涉及世界上几乎所有的对象。


英特尔希望,未来的硬件不仅能掌握在研究人员手中,而且广泛用于小工具和可穿戴设备中,并满足企业和开发人员的需求。无论用户要利用深度学习实现什么需求,英特尔都计划提供能够满足这些需求的芯片组和软件环境。

 

尽管在短短几年前,关于2019年的这一愿景和AI发展的“下一阶段”到底是什么样子还不清楚。但Singer表示,深度学习是他在英特尔见证的“更快”和“更强烈”的范式转变的推动力。

 

最近深度学习不断取得一波又一波新进展,作为回应,英特尔一直在收购像Movidius和Nervana这样的AI初创公司,以突破在AI芯片业务所能达到的极限。


英特尔还从内到外对自家的CPU进行了重新设计,为机器学习提供更多动力。公司开始开发软件解决方案,欲在AI领域大展拳脚。

 

很明显,在英特尔的眼中,所谓“深度学习已死”的报道属于夸大其词。

 

参考链接:


https://thenextweb.com/artificial-intelligence/2018/10/30/intels-ai-strategy-for-2019-goes-beyond-chips/




【加入社群】


新智元 AI 技术 + 产业社群招募中,欢迎对 AI 技术 + 产业落地感兴趣的同学,加小助手微信号:aiera2015_3  入群;通过审核后我们将邀请进群,加入社群后务必修改群备注(姓名 - 公司 - 职位;专业群审核较严,敬请谅解)。


登录查看更多
0

相关内容

英特尔公司是世界上最大的半导体公司,也是第一家推出x86架构处理器的公司,总部位于美国加利福尼亚州圣克拉拉。由罗伯特·诺伊斯、高登·摩尔、安迪·葛洛夫,以“集成电子”之名在1968年7月18日共同创办公司,将高级芯片设计能力与领导业界的制造能力结合在一起。 维基百科
【CMU】深度学习模型中集成优化、约束和控制,33页ppt
专知会员服务
44+阅读 · 2020年5月23日
【Google】利用AUTOML实现加速感知神经网络设计
专知会员服务
28+阅读 · 2020年3月5日
模型压缩究竟在做什么?我们真的需要模型压缩么?
专知会员服务
27+阅读 · 2020年1月16日
GPU 显存不足怎么办?
AINLP
13+阅读 · 2019年8月16日
Colab 免费提供 Tesla T4 GPU,是时候薅羊毛了
机器之心
10+阅读 · 2019年4月25日
免费!Google Colab现已支持英伟达T4 GPU
新智元
5+阅读 · 2019年4月25日
深度学习开发必备开源框架
九章算法
12+阅读 · 2018年5月30日
【强烈推荐】浅谈将Pytorch模型从CPU转换成GPU
机器学习研究会
7+阅读 · 2017年12月24日
干货 | 深度学习入门指北——从硬件到软件
AI科技评论
3+阅读 · 2017年11月22日
TResNet: High Performance GPU-Dedicated Architecture
Arxiv
7+阅读 · 2020年3月30日
Arxiv
8+阅读 · 2019年5月20日
Arxiv
3+阅读 · 2018年6月1日
Arxiv
4+阅读 · 2018年4月30日
VIP会员
相关资讯
GPU 显存不足怎么办?
AINLP
13+阅读 · 2019年8月16日
Colab 免费提供 Tesla T4 GPU,是时候薅羊毛了
机器之心
10+阅读 · 2019年4月25日
免费!Google Colab现已支持英伟达T4 GPU
新智元
5+阅读 · 2019年4月25日
深度学习开发必备开源框架
九章算法
12+阅读 · 2018年5月30日
【强烈推荐】浅谈将Pytorch模型从CPU转换成GPU
机器学习研究会
7+阅读 · 2017年12月24日
干货 | 深度学习入门指北——从硬件到软件
AI科技评论
3+阅读 · 2017年11月22日
相关论文
TResNet: High Performance GPU-Dedicated Architecture
Arxiv
7+阅读 · 2020年3月30日
Arxiv
8+阅读 · 2019年5月20日
Arxiv
3+阅读 · 2018年6月1日
Arxiv
4+阅读 · 2018年4月30日
Top
微信扫码咨询专知VIP会员