英特尔推出全新AI工具包：CPU/GPU/FPGA/VPU能力全面提升

    7月27日，英特尔在北京召开了主题为“智能端到端，英特尔变革物联网”的视觉解决方案及策略发布会。在此次发布会上，英特尔面向中国市场推出了基于英特尔硬件平台的专注于加速深度学习的OpenVINO工具包，可帮助企业在边缘侧快速实现高性能计算机视觉与深度学习的开发。
    物联网加速人工智能在边缘计算中的应用
    此前人工智能的很多运算处理都是发生在服务器、数据中心这样的云端，因为只有在这样的一个环境里面才能提供强大计算力和便利的支撑。但是，随着物联网时代的到来，将会有越来越多的设备和传感器接入网络，情况正在发生改变。
    根据IDC预测，到2020年全球会有超过500亿的智能设备，超过2120亿个传感器。这也意味着每天都将会产生海量的数据。
    根据研究机构预测，随着物联网的快速发展，到2020年每个互联网用户每天将生成约1．5GB的数据，一个智能医院每天将产生超过3000GB的数据；每台自动驾驶汽车每天将生成超过4000 GB的数据；联网飞机每天将产生超过40000GB数据；一个智慧工厂联网，假如说有一千多台设备，每台设备上有很多个传感器，时时刻刻都会产生数据，那么整个智慧工厂每天产生的数据量将是1PB。到2020年全世界每天产生的数据总量将是44ZB。（注：1ZB就是1000EB，1EB是1000PB、1个PB是1000TB，1TB是1000个GB。）
    面对如此海量的数据，如果仍然只是依靠云端来做数据处理的化，这将对云端的计算力和网络带宽都带来了极大的挑战。虽然计算力和通信技术也在不断发展，但是这个速度还是难以赶上数据增长的速度。所以，边缘计算，即数据在终端侧进行人工智能分析和处理早已是大势所趋势。
    IDC预测，到2018年将有45％的物联网数据需要在边缘进行存储处理和分析（足见物联网对于在终端侧部署人工智能需求的增长之快），有50％的物联网的网络会面临带宽的问题。正是由于物联网所带来的海量数据的增长以及对于带宽的极大挑战，在终端侧部署人工智能已经变得非常必要。
    而且，在终端侧部署人工智能，还有着数据处理的实时性更高、低延时，更低的带宽需求的优势。比如在自动驾驶领域，对应这方面的要求就非常的高。
    另外，在终端侧部署人工智能也有利于数据隐私的保护。因为很多用户是不希望把数据上传到云端的，希望这些数据在本地进行处理，本地处理完以后，上传的是一些是经过处理完以后的特殊的数据，对隐私保护相对比较高的场景，也需要一些数据放在边缘进行处理。
    可以说，随着物联网的发展，正在加速人工智能在边缘计算中的应用，但是这并不意味着云端人工智能就不需要了、就会走向消亡。云端人工智能它能够把数据源进行汇总，它能够做一些更综合的应用。如果要给用户提供一个完整的人工智能服务和解决方案，一定是一种边缘与云端协同的端到端的人工智能解决方案。
    目前，包括英特尔在内的一些厂商都能够提供端到端的架构了，所以现在“分布式计算”的概念已经是一个比较成熟的概念。也就是说，做云端解决方案的人需要把它的架构切到边缘来，帮助解决边缘的问题。
    在英特尔看来，“视频（摄像头）是物联网的终极传感器”。确实，在边缘侧，视频所带来的信息流是最为庞大的。值得注意的是，2016年－2012年网络视频监控流量增长了700％。也就是说，在物联网时代，视频将是人工智能应用爆发的一个关键点。因此，视频监控领域也成为了英特尔端到端人工智能方案的切入重点。
    英特尔的全栈式AI硬件解决方案
    对于英特尔来说，在云端的服务器及数据中心市场，英特尔是绝对的老大，市场占有率超过9成。针对这块市场，英特尔拥有Xeon处理器与Xeon Phi处理器，以及能支持各种对特定运行负载进行最佳化的加速器，包括现场可编程化逻辑闸阵列（FPGA），以及Nervana。
    相对来说，CPU并不适合用来做人工智能运算，不过英特尔依然能够通过集成的GPU，再结合FPGA来实现云端的人工智能运算加速。更何况，英特尔2016年还以4亿美元的高价收购了机器学习初创公司Nervana，将推出一款专为深度学习而打造的神经网络处理器。
    在终端侧，英特尔除了可以利用其现有的针对终端的CPU、集显、FPGA产品之外，2016年9月，英特尔收购了计算机视觉芯片公司Movidius，开始加码终端侧的人工智能布局。Movidius的Myriad 系列 VPU目前有被大疆Spark无人机、谷歌Clips相机等知名厂商的产品采用。去年，英特尔还推出了针对终端设备进行人工智能加速的Movidius神经计算棒。
    ▲英特尔副总裁兼物联网事业部中国区总经理陈伟博士
    “我们英特尔有自己的CPU，有自己集显GPU，在加上我们的Movidius、Nervana这些加速技术，还有FPGA，至少从硬件的角度来讲，我们是可以根据应用去勾勒出一个功耗、成本最优化的端到端的全栈式解决方案，这是我们的一个起点。”英特尔副总裁兼物联网事业部中国区总经理陈伟博士表示：“要获得好的人工智能体验，就需要有多元的、高质量的硬件平台，但是，将这些硬件直接应用到人工智能应用上，还有很多的壁垒。主要的壁垒是怎么样能够深度的挖掘和充分的运用硬件的能力。”
    我们都知道，同样一种人工智能算法，应用到不同的硬件平台上，所得到的效果差异会非常的大。因为一种算法通过是根据某个硬件平台来优化的。
    由于不同的网元所能提供的计算量是不一样的，它能够支撑的操作系统也各不相同的，因此有各自适用的不同的芯片架构。而不同的芯片往往有各自不同的开发方法，这样对开发者而言就带来一定的困扰，也就是说如果我们为某一种芯片所开发的软件换了一个架构以后，它可能是不适用的，这样无形中就增加了开发的门槛。
    那么如何让终端厂商能够轻松的采用同样一套AI算法，轻松实现从云端到终端侧的跨平台部署，并发挥出各个硬件平台的能力呢？对此英特尔推出了全新的视觉推理和神经网络优化工具套件OpenVINO。
    
    
    1  2  3  下一页>