英特尔AI策略全解析(1):延伸四大产品线

英特尔决心全力发展AI，明年现有的Xeon E5、Xeon Phi处理器平台都将推出新一代产品，并将以Xeon搭配新开发的「Lake Crest」芯片，专攻类神经网络的加速应用

【英特尔AI应用主打4种服务器处理器】若要在数据中心环境当中建构AI系统，英特尔预计将提供4种运算平台：Xeon、Xeon Phi、Xeon搭配FPGA（Arria 10）、Xeon搭配Nervana（Lake Crest），分别主打基本用途、高效能、低延迟与可程序化、类神经网络加速等不同需求。图片来源：iThome

这一年来，除了云端服务、大数据、行动应用持续走红以外，人工智能（AI）无疑是下一个即将起飞的热门IT技术，许多人已经开始积极投入机器学习、深度学习的开发与应用，绘图处理器大厂Nvidia今年的营收、获利、股价持续上涨，也与此有关，而同样是处理器大厂的英特尔，现在也对AI的发展寄予厚望，并正式宣布调整以AI为重的策略，全力发展软硬件技术，以支持相关的发展。

在11月18日举行的「Intel AI Day」活动当中，英特尔执行长Brian Krzanich提出了他们的愿景，并期盼能推动AI普及，将AI变得更平民化，进而引领AI运算时代的来临，使英特尔能够成为加速AI发展的催化剂。

而就更实际的产品而言，英特尔在服务器端处理器平台上，也针对AI有所布局。在2017年，现有的Xeon E5、Xeon Phi处理器平台都将推出新一代产品，同时，除了以Xeon搭配FPGA（Field Programmable Gate Array）芯片Altera Arria 10之外，英特尔也将以Xeon搭配新开发的「Lake Crest」芯片，专攻类神经网络的加速应用。

值得注意的是，Lake Crest的形式是一张基于硅芯片的独立加速卡，技术源自于英特尔今年8月并购的新创公司Nervana Systems，该产品将于2017年第一季问世。之后，英特尔还将推出Xeon结合这种新型态加速AI处理机制的芯片，研发代号称为「Knights Crest」，届时，采用这颗芯片的服务器直接具有系统开机的能力，无需搭配Xeon处理器。

英特尔AI服务器平台的发布时程

在2016这一年，英特尔已经推出了FPGA的系统单芯片解决方案Arria 10，以及Xeon Phi x200系列（Knights Landing）。2017年他们将发表新的Xeon Phi（Knights Mill），以及深度学习专用的运算芯片Lake Crest，而在通用服务器级处理器Xeon系列，基于Skylake微架构的产品也将问世。

英特尔在2017年即将推出的服务器产品，还包括采用Skylake微架构的新一代Xeon处理器，以及Xeon Phi（代号为Knights Mill）。

以现行的Xeon E5-2600 v4系列处理器而言，根据英特尔提供的效能测试数据，若执行大数据与AI领域经常会运用的Apache Spark软件环境，效能提升的幅度，可望达到18倍之高（以今年推出的Xeon E5-2699 v4搭配MKL 2017 Update 1链接库，对上Xeon E5-2697 v2搭配F2jBLAS链接库）。

英特尔表示，在初期出货给特定云端服务业者的「Skylake」Xeon处理器版本（preliminary version）当中，将会加入更多整合式加速运算的进阶特色。例如，新的进阶向量延伸指令集AVX-512，可针对机器学习类型工作负载的执行，提升相关的推理论断能力。至于Xeon新平台其他增益的功能与组态支持，预计将会在2017年中正式发布时，才会揭露。

若单看AVX-512这套指令集，目前只有今年6月推出的Xeon Phi x200系列处理器（Knights Landing）支持，接下来，英特尔的主力通用服务器平台Xeon处理器，会在下一代采用Skylake微架构的产品当中支持。

因此，就目前而言，英特尔现有处理器所支持的AVX指令集，总共可分为三代：Sandy Bridge和Ivy Bridge微架构处理器，内建的是第一代AVX，Haswell和Broadwell微架构处理器改为AVX2，而Skylake微架构和Knights Landing是采用AVX512。基本上，前两代的AVX指令集，都是基于128位SIMD缓存器，可延伸到256位。

至于Xeon Phi的下一代产品 「Knights Mill」，英特尔表示，会把深度学习的应用效能，提升到现有Xeon Phi处理器（7290）的4倍，并同样具备直接内存访问（Direct Memory Access）的能力——最高可存取到400GB（Knights Landing是以384GB的DDR4内存，搭配16GB的MCDRAM）。

同时，在横向扩展到32节点的系统环境当中，目前的Xeon Phi也已经能大幅缩短机器学习的训练时间，成效差距可达到31倍之大。