据Engadget报导, 电脑视觉, 语音辨识等深度学习应用通常需在大型阵列进行矩阵计算, 而这并非英特尔Core或Xeon等通用型芯片的长项. 英特尔期望借由即将推出的NNP弥补AI这块缺口, 并邀请到致力于深度学习及AI展的Facebook参与芯片设计.
除了Facebook擅长的社群媒体应用外, 英特尔还计划将其AI芯片推广到健康医疗, 汽车, 气象等领域.
Nervana NNP是一款特定用途积体电路(ASIC), 能以极高运算效率从事深度学习演算法的训练与执行. 英特尔舍弃了CPU上常见的快取, 改由特殊软体负责特定演算法的芯片存储器管理, 希望能借此将芯片的运算密度与性能提升到新的层次.
Nervana NNP还可透过芯片内外部的高速互连, 支援大量双向资料传输. 如果连结多个NNP芯片, 就可组成一个巨大的虚拟芯片, 应付规模不断升级的深度学习模组.
值得一提的是, Nervana NNP采用了一种精度较低的Flexpoint格式. 英特尔AI副总裁Naveen Rao表示, 神经网路对于资料的杂讯有相当高的容忍度, 而这些杂讯甚至还可协助神经网路汇集出新的解决方法. 精度较低的Flexpoint有助提升系统平行处理能力, 降低延迟, 增加频宽.
在英特尔投入AI发展前, NVIDIA便借着GPU的平行运算能力抢先一步攻克市场, 但GPU擅长的是演算法训练而非执行. 另一方面, 英特尔最大竞争对手高通(Qualcomm)则投入了擅长执行AI程式的芯片研发.
英特尔的NNP芯片同时以AI的训练与执行为目标, 并会陆续推出新的版本. 除此之外, 英特尔还投入了一款名为Loihi的神经形态(neuromorphic)芯片, 以及机器视觉芯片Myriad X的研发.
就在英特尔努力追赶之际, NVIDIA也针对AI应用程式(App)推出了V100芯片, 并延揽到Clement Farabet担任AI架构副总, 希望能提升其芯片执行深度学习程式的能力.
在此同时, Google为数据中心应用自行打造了一款Tensor Processing Unit (TPU)芯片, IBM也发表了名为True North的仿神经型态芯片.