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，正在加速人工智能的落地。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軟硬件產品，包括集成AI加速的英特爾第三代至強可擴展處理器、英特爾首個人工智能優化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出租車（Robotaxi）服務。

毫無疑問，人工智能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，以人工智能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（制程和封裝、XPU架構、內存和存儲、互連、安全、軟件）作為引擎，并把人工智能融入，以CPU+GPU+FPGA+ASIC的全面產品布局，軟硬結合實現從云到端的智能部署。

在此基礎上，英特爾強調的是自身的云、邊、端全棧優勢和“XPU”的能力。在人工智能的賽場上，“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世紀經濟報道記者：“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，傳感器的種類不一樣、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芯片，但是通過異構的排列組合，可以實現定制化需求。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，“通過量子計算怎么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公司很多又做算法、做框架，甚至有些做硬件方面的一些定制的優化，有些是有硬件專門的加速器。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。我們對于AI加速的硬件種類非常多，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方面都有芯片硬件去支持等等。”

集邦咨詢分析師姚嘉洋向21世紀經濟報道記者分析道：“在數據中心或是云業務上，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運算加速芯片上，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運算加速芯片的競爭優勢，還需要看后續的情況。

AI平臺期：“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伙伴打造的南京“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，通過基于英特爾的人工智能軟硬件技術，與純人工檢測方式相比，檢測效率提升了100倍。此外，英特爾的芯片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世紀經濟報道記者：“在垂直行業包括像零售行業、工業制造，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，它需要用人工智能不同的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能的時候，需要針對不同的行業有定制化的開發，這就增加了人工智能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于數據，目前我們擁有比較多的數據往往都是基于像人、物在交通領域收集到的數據，像Imagenet上，我們采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，采集或者處理的數據往往是定制化的。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于某些特定領域、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，深度學習從發展的曲線來看，現在確實進入了平臺期。這意味著AI也隨之進入平臺期。

宋繼強解析道：“人工智能在弱人工智能這個領域是不弱的，當你把人工智能應用領域收窄，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能，這一能力是不強的，因為它的跨領域遷移能力還沒有那么強，并且去對抗一些數據的攻擊也沒有那么強。在整個學術界或者產業界現在的發展趨勢來看，人工智能正在由2.0階段向3.0階段遷移，2.0階段是基于數據驅動的，通過大量可標注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，要把人工智能發展的更為全面，第一它要能夠可以解釋，第二要提升人工智能利用少量數據持續學習的能力。