來源：21世紀經濟報導

　　原標題：巨頭英特爾進化：如何推進AI新賽道？

　　全力轉向以數據為中心的英特爾，正在加速人工智慧的落地。通過AI、5G、智能邊緣的融合，英特爾進入到B端的行業應用當中，業務覆蓋了智慧城市、工業互聯網、智慧醫療、自動駕駛等多個領域。

　　近日，英特爾推出了一系列的AI軟硬體產品，包括集成AI加速的英特爾第三代至強可擴展處理器、英特爾首個人工智慧優化FPGA Stratix 10 NX等；同時，子公司Mobileye宣布與日本和東南亞地區最大的交通運營商之一WILLER達成戰略合作，雙方將在日本及東南亞市場推出自動駕駛計程車（Robotaxi）服務。

　　毫無疑問，人工智慧將加速進入工作與生活當中。今年以來，新冠肺炎疫情成為全球面臨的共同挑戰。「危」中有「機」，從醫療救助和生命科學第一線，到經濟和社會的有序運轉，再到公共服務、政策制定等各方面，以人工智慧為代表的智能科技發揮愈發重要的作用。

　　老牌的英特爾在新的轉型中，四面出擊，從收購AI企業到深入AI應用，重新建立AI生態。當然，英特爾也將直面英偉達、賽靈思、以及一眾科技巨頭的競爭。

　　建AI生態：從XPU到量子計算

　　從PC賽道拓展至數據賽道的過程中，英特爾重新梳理了六大技術核心能力，來應對智能化業務。英特爾將六大技術支柱（製程和封裝、XPU架構、內存和存儲、互連、安全、軟體）作為引擎，並把人工智慧融入，以CPU+GPU+FPGA+ASIC的全面產品布局，軟硬結合實現從雲到端的智能部署。

　　在此基礎上，英特爾強調的是自身的雲、邊、端全棧優勢和「XPU」的能力。在人工智慧的賽場上，「全棧」也成為了英特爾、華為等大公司的著力點，大家的野心都很大。

　　英特爾中國研究院院長宋繼強告訴21世紀經濟報導記者：「X代表了很多種處理架構，因為新的市場機會帶來的數據種類非常不同，感測器的種類不一樣、數據獲得途徑也不一樣，這導致了這些數據肯定不可以用同一種架構，比如用CPU或者CPU+GPU去處理，一定要用異構的方式。」

　　雖然英特爾生產的是通用晶元，但是通過異構的排列組合，可以實現定製化需求。宋繼強就介紹道，比如英特爾旗下Movidius專門做AI矩陣運算，Habana Labs專門做矩陣運算的加速，還有FPGA的靈活的架構做稀疏數據處理的加速，再前沿還有神經擬態計算、量子計算，「通過量子計算怎麼樣去提供更高等級高并行度計算能力支持，它對AI也是會有很強的加速作用，英特爾也在做這一方面的研發。」

　　談及全棧，宋繼強表示：「AI公司很多又做演算法、做框架，甚至有些做硬體方面的一些定製的優化，有些是有硬體專門的加速器。q8娛樂城手機捕魚遊戲而英特爾的特點是不只是全棧，既有上面的框架支持，也有底層的性能庫。q8娛樂城手機捕魚遊戲我們對於AI加速的硬體種類非常多，不僅擁有唯一一個能夠在CPU當中植入專門AI加速的DL Boost技術，同時在GPU，FPGA，在專用的ASIC方面都有晶元硬體去支持等等。」

　　集邦諮詢分析師姚嘉洋向21世紀經濟報導記者分析道：「在數據中心或是雲業務上，Intel的處理器業務不會輕易受到動搖，這在Intel的DCG（數據中心業務）營收表現上可以看出端倪。但在AI運算加速晶元上，Intel仍然會面臨如GPU、FPGA業者（如NVIDIA與XILINX）的強力競爭，在這方面，Intel能否有辦法維持自身的AI運算加速晶元的競爭優勢，還需要看後續的情況。

　　AI平台期：「弱AI不弱，強AI不強」

　　目前，英特爾已經在多個行業領域進行AI應用嘗試。比如，英特爾與南京經濟技術開發區以及多家生態合作夥伴打造的南京「未來科技智慧中心」，通過共建5G+智慧園區，培育創新生態；在工業互聯網領域，英特爾大連工廠需要實時、準確地對晶圓進行檢測，從而保證產品的良率，通過基於英特爾的人工智慧軟硬體技術，與純人工檢測方式相比，檢測效率提升了100倍。此外，英特爾的晶元也應用到港口與船舶、機場、鐵路與車輛、車隊管理、道路基礎設施等領域中。

　　但是在AI落地過程中，還存在不少的問題，英特爾中國區物聯網事業部首席技術官兼首席工程師張宇告訴21世紀經濟報導記者：「在垂直行業包括像零售行業、工業製造，還有智能交通、醫療等等，我們看到各個行業所面臨的問題不一樣，它需要用人工智慧不同的演算法去解決特定的問題，也就是各個行業碎片化非常的明顯。這就要求我們在開發人工智慧的時候，需要針對不同的行業有定製化的開發，這就增加了人工智慧應用開發的一些成本，如何降低成本是我們現在看到的各個行業面臨的一個重要問題。

　　另外一個落地的難點是在於數據，目前我們擁有比較多的數據往往都是基於像人、物在交通領域收集到的數據，像Imagenet上，我們採集到將近四千多萬張人和物的一些照片。但是在一些特定的行業，採集或者處理的數據往往是定製化的。這就是要求我們在一個有限數據集的情況下，能夠快速生成一些新的適用於某些特定領域、特定應用的一些新的模型。」

　　總結來看，如何在使用AI功能時降低成本，同時用少量數據模型來得到訓練結果，是實踐中的難題。解決這些問題，需要AI技術應用的升級。

　　從AI的整體發展來看，在宋繼強認為，從深度學習發展的曲線來看，現在確實進入了平台期。這意味著AI也隨之進入平台期。

　　宋繼強解析道：「人工智慧在弱人工智慧這個領域是不弱的，當你把人工智慧應用領域收窄，可以找到方法把這件事情做好。但是如果想讓它做到通用，就是學界或者是產業界通常認為的強人工智慧，這一能力是不強的，因為它的跨領域遷移能力還沒有那麼強，並且去對抗一些數據的攻擊也沒有那麼強。在整個學術界或者產業界現在的發展趨勢來看，人工智慧正在由2.0階段向3.0階段遷移，2.0階段是基於數據驅動的，通過大量可標註的數據訓練出深度學習的模型，來幫助我們完成一些具體領域的任務。」

　　在他看來，往3.0遷移，要把人工智慧發展的更為全面，第一它要能夠可以解釋，第二要提升人工智慧利用少量數據持續學習的能力。

　　（作者：倪雨晴 編輯：張偉賢）