英特尔新型芯片材料将使AI研究获得巨大收益

洛佩兹研究公司(Lopez Research)最近进行的一项调查显示，有86%的公司认为AI对他们的业务具有战略意义，而只有36%的公司认为AI确实取得了有意义的进步。为什么差距悬殊?英特尔副总裁兼AI产品首席技术官Amir Khosrowshahi和IoT总经理Jonathan Ballon在旧金山的VentureBeat的2019 Transform会议上在舞台上分享了他们的想法。

Ballon表示，毫无疑问，采用AI的障碍比以前低得多。他认为发生的变化是，除了在生产中实施机器学习所需的工具和培训之外，“每个行业”中的初创企业和开发人员(不仅是学者和大型公司)现在都可以访问大量数据。

Gartner在1月份的一份报告中发现，人工智能的实施在过去四年中增长了270%，仅在过去一年中增长了37%。相比2015年的10%，这并不奇怪，考虑到有人估计到2022年企业AI市场的价值将达到61.4亿美元。

尽管开发财富很尴尬，但Ballon说，确定合适的工具仍然是某些项目的障碍。“如果您要执行基于云的操作，则可以访问大量的计算资源，功能和冷却功能，并且可以使用所有这些功能来执行某些任务。但是我们发现，几乎所有部署中的一半以及全球所有数据的一半都位于数据中心之外，因此客户正在寻找在原始点访问该数据的能力。”

对“边缘AI”的新兴兴趣在某种程度上已经超过了硬件，而其中的许多硬件实际上无法完成更适合数据中心的任务。无需使用诸如Google的Tensor处理单元和英特尔即将推出的Nervana神经网络处理器(也称为NNP-T 1000)之类的尖端云芯片，就可以训练最先进的AI模型，这无疑是无穷无尽的。专用的高速AI加速卡。

Khosrowshahi表示：“处理器冷却基础设施，软件框架等确实启用了[这些AI模型]，并且其中包含大量的计算。“ “ [这就是]扩大处理计算并在专用硬件基础架构上运行所有内容。”

碎片也无济于事。Khosrowshahi表示，尽管诸如Google的TensorFlow和Open Neural Network Exchange之类的工具激增，这是一种用于在不同框架之间交换神经网络模型的开放容器格式，但开发人员的体验并没有得到特别的简化。

Ballon说，从与实际部署AI模型相关的工作流程来看，从数据科学家和应用程序开发人员那里提取硬件体系结构的程度还有很长的路要走。“我们还不存在，直到到达这一点，我认为软件开发人员必须了解利弊，以及各种硬件选择的局限性。”

没有万能的灵丹妙药，但是Ballon和Khosrowshahi都认为硬件创新有潜力进一步使强大的AI民主化。

Khosrowshahi看好依赖于多铁氧体和拓扑材料来运行机器学习算法的新型晶体管。与目前主要基于CMOS(互补金属氧化物半导体)的微处理器相比，MESO设备的能源效率有望提高10至100倍。

更不用说光芯片只需要有限的能量(因为光产生的热量少于电)，并且不易受到环境温度，电磁场和其他噪声变化的影响。与硅等效产品相比，光子设计的延迟提高了10,000倍，功耗水平降低了“几个数量级”。在初步测试中，某些矩阵向量乘法的运行速度比最新的电子芯片快100倍。

Khosrowshahi说：“对于...数据中心计算的未来，我们可以利用许多新颖的材料，我认为这实际上是未来。” “这不必是科幻小说-我希望围绕AI的所有兴奋都将真正加速。这是将这些新材料纠缠到产品中的非常困难的领域。