对话英特尔：我们不仅有神经网络处理器，我们的AI在每个行业都有合作

不是娱乐圈才有明星，科技圈也有。英特尔算是科技圈“明星大佬”般的存在，其常年待在聚光灯下，一言一行都会被放大。

前段时间，关于英特尔跟英伟达“AI底层芯片之争”被各大媒体争相报道。英伟达认为，GPU（图形处理器）在人工智能深度学习领域会遥遥领先；英特尔则认为，CPU（中央处理器）将可以替代GPU加速运算的作用。公说公有理，婆说婆有理。

今天，在2017英特尔人工智能大会上，科技行者采访到了英特尔公司人工智能事业部业务拓展总经理FiazMohamed，并对英特尔人工智能布局等热点问题进行深入交流。

FiazMohamed是英特尔人工智能产品事业部业务拓展及解决方案部署负责人，因Nervana收购而加入英特尔。科技行者上次见到FiazMohamed还是在2017全球汽车AI大会上，那是他第一次以英特尔公司人工智能事业部业务拓展总经理的身份接受中国媒体的采访，那时的他显得稍微有些紧张。而这次的采访，他变得很淡定，与媒体的交谈更加顺畅，席间他不仅侃侃而谈，偶尔还露出微笑。

FiazMohamed表示，英特尔现在最主要的目标是针对各种可能存在的使用场景，做好基础架构方面的研究和开发工作。在一开始的时候，是从IntelNervanaNeuralNetworkProcessor（英特尔神经网络处理器芯片，以下简称NNP）来开展工作的。

英特尔公司人工智能事业部业务拓展总经理Fiaz Mohamed

以下内容根据对话内容编辑整理：

科技行者：英特尔收购Nervana之后，其对英特尔AI战略有哪些影响？

FiazMohamed：Nervana以及它所代表的NNP在英特尔AI战略中起到非常关键性的作用，它能解决目前主要挑战当中大部分内容，但它并不代表英特尔AI战略的全部。

NNP像中间的一个核心，它能够解决在数据中心方面遇到的很多的问题，能够提供加速的性能，但是具体到英特尔整个人工智能产品线组合，是非常非常宽泛的。

科技行者：关于NNP相关的问题，先从技术角度给出一些数据，解释一下为什么它在深度学习领域是具有优势的？它现在是否有部署在Nervana云上？它在数据中心方面有哪些用途？

Fiaz Mohamed：关于性能方面的数据，我们还没有提供，因为这涉及到非常严谨的对比数据分析。到今年年底的时候，我们将会得出比较早期的一些数据，通过与客户的合作，从他们身上汲取的一些对比的分析的数据，随着我们收集到的性能数据越来越多，我们会逐步发布，关于NNP处理器具体的性能数据。英特尔现在正在跟一些初期的伙伴、客户在合作（目前的部署主要还是在数据中心方面），但目前还不能披露这些伙伴的名称。

第二，关于搭建Nervana云，最主要的原因是想把它做成一个英特尔产品性能的展示平台，不仅仅是芯片，也包括到软件相应的性能。之后，我们会慢慢的通过Nervana云，对软件、硬件性能进行测试、调整，也会把一些相关数据发布出来。总体来说，Nervana云主要是服务于我们核心客户，做一些前期的产品技术测试。

第三，NNP使用的范畴是非常广泛的，比如说城市当中的影像的监控，例如北京全市各个地方部署的成千上万的高清的摄像头来做城市安防影像监控，除了监控之外，还要有一种能力，就是后台够预判或者预见到可能会出现的某种危险。这里涉及到两方面的工作，首先是对系统本身的培训，另外就是推理，在很短的时间内海量的实时数据要进到系统当中，你要在很短的时间内（可能几秒钟）来鉴别，并且在此基础上预判出可能要发生的某种威胁。这种推理能力是很难靠传统的计算架构来加以实现的，而这恰恰是NNP能够大显神通的地方。

科技行者：对于移动端人工智能硬件的实现方法，有两大流派，即FPGA派和ASIC派。大家普遍觉得FPGA部署复杂、成本高，目前还不是主流，这个问题英特尔该如何解决？

Fiaz Mohamed：在移动端的这种深度学习目前是存在一种混合的情况，即FPGA和ASIC。我们会看到有一些应用会有特定的要求（功耗非常的低），例如无人机，或者其他一些类型的终端设备，它在功耗、计算能力上会受到一些限制，我认为对于这种类型的运用场景来说，或许FPGA会比较合适。

在一些类似于数据中心的应用方面，或者有一些特定工作负载、工作流方面的要求方面，FPGA也会比较合适，它确实是一种混合存在的模式，在今天大会上我也提到了微软的例子，就是CPU和定制ASIC联合使用的方案。

科技行者：除了BigDL平台，Nervana还有一个Neon框架，这两者之间有什么区别？分别致力于哪个方向的应用？

Fiaz Mohamed：Neon有点像TensorFlow、Caffe这种类型的框架，它主要是一种深度学习的框架，帮助你来创造、培训，最后部署自己的神经网络。

BigDL则像是一个平台，平台允许你来充分的利用你已有的数据组，让它们为下一步的深度学习做好准备。这就好比你现在hadoop集群上面有很多的数据，你并不想把数据全部的迁移出去，BigDL让这些数据去做好下一步的使用的准备，能够在已有的这种平台之上，在顶层来进行相应的部署，让这个部署的工作变得简单起来。

科技行者：英特尔收购了很多关于AI的公司（Mobileye、Moviduis、Itseez、Yogitech），拥有这么多AI产品以及相关技术，英特尔内部如何整合？怎么串联成英特尔AI解决方案？

Fiaz Mohamed：在英特尔公司的内部，我们有数以千计的产品，AI的产品是其中一部分。客户找到我们，我们首先要非常仔细的听它们介绍情况，了解到这个客户所面临的问题或者说他需要得到的东西是什么。然后回来，内部在开始花时间进行大量的讨论，仔细分析它应用的场景，比如说它解决的具体问题是什么，它要在多长时间的范畴内解决，6个月？12个月？具体部署的时候会有什么样的限制？它是要在数据中心部署还是在移动端部署呢？

想象一下，如果是一家石油勘探公司，在钻井平台上，互联网连接都是一个很大的挑战，所以首先是要确定哪些产品可能会被用到，这就像积木一样，一块一块先找出来；第二步就是要看，用什么样结构的把这些积木给他串起来，不是说一个解决方案分五个板块，而是这五个板块是要全部集成在一起变成一个。然后再看部署上有什么要求，是要部署在本地还是部署在云上？不同要求又需要调配不同的资源，看看现在的情况跟想要达到的目的之间有多大的差别，缺口有多大，我们在需要投入什么样的技术力量，来填补这个缺口。

这个问题，需要涉及到非常多的具体的工作，不仅仅只是在产品的本身上，或者技术本身上，更重要是要取决于客户具体的需求，英特尔现在的解决方案是：一个案例一个案例来解决（定制）。

科技行者：英特尔收购Nervana差不多一年时间了，这段时间内有没有一些具体的案例可以分享？（行业方面）

Fiaz Mohamed：英特尔几乎和所有主要的垂直行业都有着非常密切的合作关系。比如、金融业、服务业、医疗健康、无人驾驶、娱乐、零售行业等。

说到AI具体的应用场景，其实到处都是。对于我的团队来说，最开始是看数据中心类型的应用，因为它最需要培训，随着时间的推移，我们会慢慢的向外围、向边缘来进行扩展，特别是一些和视觉有关的。

例如，我们在不同行业里的客户，他们都有很多的问题希望通过人工智能的技术加以解决。我先来提一个金融领域的例子，北美一个大型的投资银行希望能够借助于英特尔人工智能技术的力量来搭建自己自主知识管理的系统，投资银行里面有很多交易员，交易员每天需要读大量的文件来辅助他做一些交易的决定，这个银行想利用深度学习或者人工智能的技术来简化交易员的工作量，交易员不需要读那么多文件，可以把精力放在一些最关键的问题上来。把这种情况模拟成一个问答的场景，使用者提问：“中国的汽车行业竞争的现状如何”，其实这个问题是非常复杂的，首先汽车这个词是可以细化的，是小汽车、还是大卡车？它都是汽车行业；另外，竞争格局是指定价还是指竞争对手，所以它虽然是用非常简单的自然语言呈现出来的问题，但是它的内容非常非常复杂，这就需要利用AI的技术，通过深度学习来建立自主知识管理系统，这个系统经过自己的分析以后，从后台抓取它认为合适的文件、或者图标来呈现给提问者，这只是一个例子，类似的这种应用可以被推广到很多使用场景当中，是市场上所需要的解决方案，而且也可以帮助到数据科学家、还有整个基础设施的搭建，在这方面我觉得我们的NNP还是会非常有用的。

科技行者：在业务层面，有没有发现一些合作伙伴亟待解决的问题？但尚未得到解决的？

Fiaz Mohamed：英特尔服务于各个领域不同的客户和伙伴，有些客户和伙伴实在数据中心这一端，具体到深度学习和人工智能方面，最大的门槛在于数据，数据采集的量够不够、采集的是否是合适的数据、数据的形式/形态对不对，这么多数据能不能容纳到单一的独立的系统当中，并且彼此之间还能够互相配合，这是深度学习和人工智能最大的一个门槛，虽然有种种的挑战，但并非说这些问题就像火箭技术那么艰深、那么没有办法去解决。

英特尔一直以来都是不遗余力的和我们的合作伙伴配合，调动整个公司的资源，密切和不同行业里的一些核心的客户来配合，帮助他们解决问题。第一，客户会根据自己的情况提出一些问题，例如一些新的应用场景、新的类型的负载等，在这个层面上，英特尔和客户一起配合，尽快的并且尽可能可扩展的帮助他们解决上述挑战，在这方面英特尔的投入是巨大的；另外一点，要充分利用合作伙伴的力量，比如说系统的集成商，软件公司，咨询公司，他们会从英特尔这里汲取底层架构上的技术和支持，再一起合作去解决客户所提的问题。

科技行者：智能手机厂商（包括苹果、华为）都在推出AI芯片，英特尔如何看待这种现象？

Fiaz Mohamed：目前这个时间节点没办法置评，只能说英特尔依然是在这个领域当中不断地在开拓。第一步，会在一些最需要进行培训和学习的使用场景展开，比如说数据中心类型的应用。随着时间的推移，我们也会考虑到进入一些新的领域，包括移动手机终端、一些FPGA和定制ASIC这种应用的场景。