來源:IT時報
文/王昕
英特爾曾是通用芯片的王者,wintel架構服務了整個時代的數字化進程,而在日益多元化、復雜化、網聯化的物聯網和邊緣世界,英特爾如何搭建起一個全新的生態城堡?
近日,英特爾公司高級首席工程師、物聯網事業部中國區首席技術官張宇博士在接受《IT時報》專訪時表示,英特爾的愿景是希望在一個接口、一個平臺等一站式軟件和生態底座上,全行業用戶可以對接英特爾極其豐富的計算、通訊、存儲資源和產品,幫助用戶搭建的是一個從云到端的智能化生態鏈。
張宇強調,英特爾是業界唯一一家涵蓋CPU、GPU、FPGA和各種人工智能加速芯片四種主流計算架構的半導體公司,而建立在此基礎上的異構計算模式和生態將無比豐富和寬廣,可以適應物聯網和邊緣側極為多樣化的應用場景需求。從某種意義上來說,英特爾的物聯網和邊緣側“武器庫”是最豐富、最強大的。
異構是邊緣側的發展方向

據IDC預測,到2025年,全球75%由企業所產生的數據是在邊緣處理的。這些邊緣側數據收集上來之后是不是都要傳到數據中心去處理?
張宇認為,這正是邊緣計算大行其道的機會,邊緣側的計算形態不再單一或統一,不同形態的邊緣設備不斷涌現,這其中既包括傳統意義上的嵌入式設備,也包括更復雜的邊緣計算節點,甚至邊緣云設備的出現。如果說通信網絡連接海量邊緣設備,那么在通信網絡的上游或下游都可能部署不同類型的變換算力。
從中不難看出,在物聯網場景的邊緣側,算力需求發展更為豐富,甚至在邊緣側就構建起一個小型的、五臟俱全的“云邊端”邊緣生態,這將是萬物互聯的計算生態走向復雜化、場景化的重要步驟,而對于終端側的企業甚至普通老百姓來說,邊緣側愈來愈高效的結算結構和能力將為他們帶來更直接使用體驗提升。
在豐富的終端傳感器和邊緣云架構基礎上,張宇認為,通用處理器+人工智能專用加速芯片的異構計算架構會是未來的發展方向,同時,云原生等軟件技術將不斷在平臺上進行靈活調度和迭代,以實現負載的最優化整合。
張宇舉例,智能攝像頭如今已成為最普遍的終端側設備之一,一般來說,攝像頭的整機功率是10-15W,在這10-15W當中,能夠分給一個人工智能加速芯片的功耗只有2W,如何在2W的功耗下完成一路高清視頻的人工智能處理,對整個業界來說都是一次挑戰,“如果一顆人工智能加速芯片能夠專門針對與現有的深度學習里的卷積神經網絡里最基本的運算進行硬件加速,那么就能實現最佳功耗比,成為最適合的架構”。
多層次、一站式軟件底座
在整個物聯網生態里,軟件開發人員的能力和專注點各不相同。對開發者來說,“化繁為簡”是一件非常重要的工作。
張宇舉例,對于App應用開發者來說,他們并不關心手機芯片的計算原理,而是更多地在iOS或Android提供的SDK之上編寫程序;而對于面向解決方案和復雜場景的企業發開人員來說,他們追求的是極致的高性能、低延時,他們需要在底層接口上設計一個負載最優的底層軟件解決方案。
張宇介紹,英特爾在軟件上的思路是提供有層級的、一站式的解決方法。英特爾希望一個軟件開發人員利用一個接口、一個平臺就能夠實現對CPU、GPU和各種加速芯片的編程。為此,英特爾提出了OneAPI項目,在OneAPI項目里頭,它包含一個跨平臺的編程語言DPC++,利用DPC++可以實現不同架構底層編碼的復用。開發人員利用OneAPI工具包,就可以利用一個基于開放的、統一的,基于行業標準的編程模型使用不同架構的英特爾產品。
而OpenVINO工具套件是更上層的軟件工具,張宇解釋,OpenVINO有點類似于一個編譯器,可以幫助開發者高效地將各種各樣開放的人工智能框架放到英特爾產品上進行網絡模型的設計和訓練,“OpenVINO與OneAPI相配合,能夠將開發人員在開放的人工智能框架上,所設計和訓練好的網絡模型部署在不同的英特爾的硬件平臺之上去執行推理的操作”。
目前,OpenVINO和OneAPI都已經開源。張宇說,英特爾希望把OneAPI做成一個通用、開放,滿足行業標準的這樣一個接口,而OpenVINO也基本保持著一個季度一個新版本的迭代速度。
邊緣人工智能發展的“三個階段”

張宇認為,物聯網邊緣側的人工智能發展將會分為三個階段。
第一,邊緣推理階段。由于邊緣算力有限,所以大量訓練和存儲需要依靠數據中心來完成,訓練完成的模型被推送到邊緣端,再進行推理操作。該模式的不足是,訓練發生在后端,模型更新頻率受限,無法做到高速迭代,而在工業物聯網等環境下,如果遇到數據樣本有限的環境,就會顯得捉襟見肘。
第二,邊緣訓練階段。在邊緣,利用小樣本數據達到較好的訓練效果,需要注意的是,邊緣訓練并不是把云端的訓練原封不動的照搬到邊緣,如何通過實際數據基礎衍生出更多可用可用于訓練的樣本數據,是目前業界還在探索的工作。非常重要的一點是,邊緣訓練解決了很多企業對數據安全的擔憂,更多數據在本地處理讓企業更加大膽地使用自己的數據。
第三,自主學習階段。當前,人類仍然在人工智能里扮演還是很重要的一個因素,關鍵在于人定義了網絡模型結構,并根據使用場景固化了網絡模型結構,這讓人工智能仍存在一定局限性。未來,機器將可以根據人的意圖自主設計網絡模型結構,自主利用所收集到的數據來訓練網絡模型,得到最終的結果用于推理實踐。
張宇向《IT時報》記者表示,目前業界已實現第一階段目標,第二階段的實踐也已經開始,預計第二階段會花3-5年時間不斷成熟,“自主化學習,Auto Machine Learning的概念已經被業界提出,整個業界也認可這個發展方向,但機器自主學習的出現將在3-5年后,目前一些標準理論的研究現已經開始起步”。
【免責聲明】本文轉載自網絡,與科技網無關。科技網站對文中陳述、觀點判斷保持中立,不對所包含內容的準確性、可靠性或完整性提供任何明示或暗示的保證。請讀者僅作參考,并請自行承擔全部責任。