2018 英特爾人工智能大會(AIDC)14、15日在京舉行，英特爾全球副總裁兼人工智能產品事業部總經理 Naveen Rao 時隔兩年，再次接受新智元的采訪。
盡管外界對英特爾10 納米芯片“難產” 和英特爾 Nervana 神經網絡處理器 NNP 發布時間一再延遲充滿了“焦灼的期待”，但與兩年前相比——那時候 Naveen剛加盟英特爾不久，他告訴新智元英特爾預計在 2017 年第一季度推出一款深度學習芯片——Naveen 顯得更加從容。
當被問及“是否覺得在 2019 年底才推出 AI 芯片有些晚”時，他反而笑著問道：“為什么會覺得晚呢?”
收購Nervana Systems——Naveen Rao 出走高通，在 2014 年與人聯合成立的深度學習芯片初創公司，成為英特爾全面擁抱人工智能的一個重要節點，Naveen 表示 AI 已是英特爾“絕不能輸的戰場”。
如今，英特爾上下全面意識到了 AI 的重要性，他率領的包括 Nervana 團隊在內的人工智能產品事業部，推進 Nervana 神經網絡處理器之外，還為英特爾其他所有部門提供技術支持。“最近兩年英特爾至強處理器的改進也基本來自于我們組的工作。” Naveen 說。
一把鑰匙開不了所有的鎖。Naveen 表示不同的計算需要不同的架構，但任何計算都離不開CPU。市面上已經安裝并投入使用的CPU 是英特爾的巨大優勢。“客戶的基礎設施更新是逐步做起的，” Naveen 說：“沒有人會一下子把舊的全扔掉然后換新的。” 在這些基礎設施中，英特爾的 CPU 占了近九成，眼下最火熱的人工智能推理，也有近 90% 是在英特爾的芯片上完成。
英偉達占據了很大的AI訓練市場，也在為GPU添加更多的AI元素，“這是很正確的做法，”Naveen說：“但我們也將提供對 AI 來說最好的 CPU。”
“CPU 加 GPU 再加各種 AI 加速器很好，如果客戶需要，把它們全部封裝進一個芯片里也很好，” Naveen 說：“兩者在我看來是一樣的。”
換言之，AI時代，仍將由英特爾來主導。
谷歌TPU不是英特爾的對手
2018 年 5 月，谷歌在 I/O 大會上發布了第三代 TPU，由 TPU 3.0 組成的 TPUPod 運算陣列，性能相比上一代提升了 8 倍，每秒運算性能 “遠超” 100PFLOPS，也即 10 億億次——中國引以為傲的超級計算機神威·太湖之光的 Linpack 浮點性能是 9.3 億億次——為了給它降溫，谷歌第一次在其數據中心引入了液冷。
為了給 TPU 3.0 Pod 運算陣列降溫，谷歌第一次在其數據中心引入了液冷
除了谷歌，微軟、亞馬遜等巨頭都在研發自己的 AI 芯片。國內，大公司自己造芯的聲勢更加明顯：百度的“昆侖”，阿里的“平頭哥”，華為的“昇騰”，一個比一個浩大。
不管怎么看，形勢對英特爾來說都很不利。
但 Naveen 卻說，“除了TPU(還僅供谷歌內部使用)和GPU，你還能再說出一款已經量產的AI訓練芯片嗎?”
“英特爾不與我們的客戶相競爭，” Naveen 說：“谷歌、微軟等大公司自己做芯片，歸根結底是由于我們芯片廠商沒有提供給他們適合的產品，因此，短期看他們自己做芯片更省錢，更有效率。我不認為他們會銷售芯片，也不認為他們想要進入芯片行業，等到英特爾研發出工藝更好、價錢更便宜的芯片時——芯片制造工藝是英特爾的核心價值所在——大公司自然就會重新使用英特爾的產品，不再自己做芯片。”
而且，英特爾的產品線可是從云到端全面覆蓋的。
佩服英偉達十年建生態，但英特爾要一統江湖
至于英偉達，Naveen認為英偉達在一個正確的時機做出了正確的選擇，大力投入深度學習，現在也在不斷為GPU 增加更多的“AI元素”，“這是很正確的做法”。
Naveen 表示，英特爾近年來對AI的認識也有了很大轉變。見證了人工智能幾起幾落的英特爾，在2014年之前并不認為這一次深度學習真的能掀起些什么。
收購Naverna 代表著英特爾對人工智能態度的轉變，從“不重要”變為“非要不可”，Nervana團隊現在為英特爾的所有部門，從CPU到FPGA再到物聯網……提供技術支持。“實際上，至強處理器近兩年來的性能提升基本上都來自我們組的貢獻。”Naveen說。
搶占先機的英偉達，市值已經翻了幾十番，GPU在AI訓練市場擁有毋庸置疑的領先地位。但真正成就英偉達的，是其配套軟件生態系統 CUDA。
“英偉達最初在2005年推出CUDA，這也就是說他們花了十年時間才讓CUDA能夠使用，”Naveen說，沒有人能一夜之間顛覆這種優勢，要讓一款硬件取得成功，相關的軟件生態系統至關重要，而要打造這樣一套生態，“非常、非常地難”。
面對英偉達在人工智能領域憑借GPU+CUDA構建起的強大生態，Naveen表示英特爾的應對之道是他們兩年前便開始布局的nGRAPH——如今，有各種各樣的機器學習框架，而這些框架上的模型又需要在不同的硬件上面運行。以前做深度學習和人工智能運算，大家主要用GPU來加速，訓練直接在框架里調用英偉達的CUDA庫，推理則是用英偉達的TensorRT?，F在硬件的選擇變多了，大家也想做更多的優化，“框架編譯器”(compiler)的概念也隨之興起。
最初是谷歌的XLA(Accelerated Linear Algebra/加速線性代數)，但XLA是用于 TensorFlow的編譯器，針對的也自然是谷歌的TPU。類似的是Facebook的Glow，實際上現在每家公司都在不同的層級上構建屬于自己的中間表示，好讓編程語言能夠適應更多的硬件組合。
2016年8月，陳天奇團隊推出了TVM，讓包括圖模型(Graph)在內的編程語言能夠適應越來越多的硬件。Naveen告訴新智元，實際上TVM是比nGRAPH更低一級的中間表示，而英特爾正在與TVM合作。
英特爾要做的事情是，不與谷歌、Facebook、百度等公司直接競爭，“因為他們都是我們的客戶”，nGRAPH能支持所有的框架，“無論你使用哪種框架，新建一個框架也行，我們都樂意支持”。
框架編譯器，比如英特爾的nGRAPH，能將不同框架上運行的模型針對各種硬件進行優化，包括英偉達的GPU和其他硬件。
但Naveen也承認，業界現在確實有在所有這些中間表示中確定一個“標準”的意向，因為標準就是標準，有了大家都方便，而英特爾也不諱言想讓nGRAPH成為這個標準。
“我們比所有人都領先，目前最接近的就是谷歌的XLA。”
“臺積電的7nm從晶體管密度上說遠不及英特爾的10nm”
但是等等，2019年底英特爾預計推出的可是“10納米”芯片，對手臺積電、三星早就量產了10nm，高通驍龍835已經在市場上整整賣了一年，臺積電今年“7納米”芯片量產成功，明年更是已經確定要上EUV 5納米的研發。
但這里有個“陷阱”：一般人可能都認為10nm肯定比14nm先進，7nm也當然比10nm要好。實際上，7nm也好，10nm也罷，這些“線寬”僅僅代表工藝節點，但要衡量這個工藝的好壞，柵極間距(gate pitch)、邏輯單元高度(Logic Cell Height)、鰭片間距(fin pitch)、最小金屬間距(Min Metal Pith)等關鍵技術參數更為重要。
英特爾22nm和14nm工藝比較：鰭片間距提升
2017年9月，英特爾主動公布出臺積電、三星和自家10nm工藝相關技術參數指標，由下圖可見，英特爾的10nm光刻技術制造出來的鰭片、柵極間隔更小。因此，在晶體管密度上幾乎是臺積電、三星的兩倍。
英特爾的10nm光刻技術制造出來的鰭片、柵極間隔更小，在晶體管密度上幾乎是臺積電、三星的兩倍
摩爾定律是怎么說的?
“積體電路上可容納的晶體管數目，每隔18個月便會增加一倍。”
因此，要看的是電路上晶體管的密度，而不僅僅是“線寬”。
Anandtech總結的全球半導體企業制程路線圖，那時候格芯還沒有宣布放棄7nm
關于英特爾10納米工藝芯片的“難產”，業界有各種各樣的推論和假說，Naveen 自然沒有給出正面回答，只說 “我們的10納米工藝研發進度正順利按計劃完成”。
“但是，臺積電的7nm從晶體管密度上說遠不及英特爾的10nm。” Naveen說：“這是絕對的。”
AI芯片初創公司活下去沒靠山不行
巨頭、英偉達、臺積電等等都搞定了，對于頗有井噴式爆發的大批AI芯片初創公司又如何呢?
作為曾經芯片初創公司的CEO，Naveen 直言：“要做出能夠大規模商用的芯片，靠初創芯片公司100%不行。”
現在確實是“計算機體系結構的黃金時代”，也有不少炒作，但計算機架構不是那么簡單的事情。芯片的技術周期很長，也極少能用一代就取得成功，需要不斷的迭代，這期間芯片的架構可能過時，或者有競爭對手出現。
做芯片是非常難的一件事情——你或許真的能設計出一款能解決一切問題的超級芯片，但要將這款芯片制造出來，需要付出大量的努力，而就算芯片真的做出來了，成功也不僅僅是靠處理器，還有生態系統和商業模式要考慮，要在百億臺處理器規模的數據中心無差錯的使用，價格要能讓客戶用得起。
這也是 Nervana Systems 選擇被英特爾收購的原因。“我們想要的是把自己的技術推向市場，而英特爾精湛的制造工藝和成熟的銷售渠道以及其他資源，讓我們能夠把 Nervana的技術留下來并推向市場，這是我們唯一關心的。”
“我并不是說所有芯片初創公司都會死，”Naveen 說：“上世紀90年代，圖形處理器市場，當初也有成千上萬家 GPU 創業公司，有些被收購了，其技術也成為那些公司的一部分，大部分都倒閉了，最終活下來的有多少?而活下來的這兩家，在此期間也幾度瀕臨破產。”
“作為芯片初創公司要生存下去實在太難了，”Naveen說。Nervana Systems 曾經有過那么一個窗口，抓住這個機遇或許能成為下一個“英特爾”，但 Naveen和他的團隊，做了99%的人都會做的、更保守、更安全、更穩妥、從各種意義上說，也是最明智的選擇——投入英特爾的懷抱。(Moblieye 的創始人是不是也是這樣想的呢?)
AI是絕不能輸的戰場，CPU的AI化是英特爾的未來
剛剛加入英特爾時，Naveen和他的團隊就未來AI和計算的發展著很強的vision，但并沒有獲得大多數人的同意。
“實際上，當時人工智能對英特爾來說并非值得優先考慮的事情(priority)，而現在英特爾的每個部門都在想著AI。”Naveen說：“AI是英特爾‘絕不能輸的戰場’。”
CPU曾經是英特爾的一切，也是令英特爾如此輝煌的原因。但過去兩年來，“CPU就是一切”(注：非Naveen原話)的意識形態在公司內部已經有所轉變，大家意識到各種各樣的加速器，尤其是AI加速器，開始扮演起越來越重要的角色。
盡管CPU不再是“唯一”，但仍然是計算結構里不可或缺的重要組成部分。Naveen說，只要是馮·諾依曼架構，“你必須要有一個CPU”。
在CPU的周圍，你可以放上GPU、DSP、ISP，以及NNP，或者各種新的架構，其中一些會被淘汰，而另一則會被被大家廣泛使用，“我們很樂意把大家都用的這種架構放進CPU里”，Naveen說。
CPU+GPU+NNP等眾多核心的異構計算很好，把所有這些核心封裝到CPU里成為一個SoC也很好，“在我看來這兩者是一樣的”。
英特爾另一大優勢在于，市面上已經安裝并且投入使用的CPU。“客戶的基礎設施更新是逐步做起的，” Naveen 說：“沒有人會一下子把舊的全扔掉然后換新的。” 如今，全球有3500萬公司使用英特爾的CPU，眼下最火熱的人工智能推理，也有近 90% 是在英特爾的芯片上完成。
與此同時，英特爾還在不斷打造更好的CPU，不僅為人工智能。
京公網安備 11010502049343號