英特爾IDF近日召開，深度學習成為一大重點。不料，英偉達掐準時間，在IDF舉行同時發(fā)表官方博文，指出英特爾在宣傳其最新 Xeon Phi 處理器加速深度學習性能時使用過時的數據，有意誤導消費者，沒有給GPU性能一個公正的評價。兩大芯片巨頭針對深度學習，矛盾凸顯。華為傳感器應用實驗室首席科學家丁險峰認為，加速深度學習的能力是當前考察服務器綜合性能的關鍵指標和最大賣點，長遠看英特爾更具優(yōu)勢。

　　近日，英特爾開發(fā)者大會 IDF 在舊金山召開。昨天的會議 Intel Analytics Summit 幾乎成了機器學習的主場。開幕主旨演講中，英特爾執(zhí)行副總裁 Diane Bryant 表示，如今數據正在成為制勝關鍵，“機器到機器之間交換的數據不斷增多，我們必須應對擁有更多數據的未來”。

　　英特爾集團副總裁、數據中心解決方案團隊總經理 Jason Waxman 介紹了 Penn Medicine 使用英特爾的 TAP 開放分析平臺，提升病患的就醫(yī)體驗。頂級公司如今都在使用機器學習算法從數據中挖掘洞見。大會邀請嘉賓、埃森哲技術實驗室的首席數據科學家 Saghamitra Deb 在演講中介紹了如何使用人工智能閱讀并批注文件，特別是醫(yī)療文件。

　　在小型討論會上，英特爾 Fellow、主持人 Pradeep Dubey 回答記者提問時表示，機器學習的未來就是要多多關注深度學習，因為深度學習已經展現出強大的實力。《主算法》作者、華盛頓大學教授 Pedro Domingos 也應邀發(fā)表講話，介紹了深度學習的歷史。

　　近來，英特爾一直在持續(xù)推進數據中心和云計算方面的業(yè)務，當然也有物聯網相關的芯片業(yè)務。但是，表現卻沒有如預期般順利。為了獲得更多訂單，英特爾向死敵低頭，與競爭對手 ARM 達成代工協(xié)議，英特爾未來將生產 ARM 設計的芯片，也將向第三方開放自家的芯片工廠，包括其10納米生產線，制造基于ARM的智能機芯片。

　　可以看出，英特爾在 IDF 上正在全面擁抱深度學習。就在上周，英特爾宣布收購深度學習初創(chuàng)公司 Nervana Systems，也開始在深度學習專用芯片上布局。

　　然而，就在這個時候，英偉達在官方博客發(fā)表了一篇分析文章，直言英特爾在深度學習基準上面弄不清事實。

　　英偉達博文指出，“英特爾也開始做深度學習是好事，深度學習是人工智能時代最重要的計算革命，任何人都無法忽視深度學習。但是，他們應該把事實先弄清?！?/p>

　　有外媒評論，“或許英偉達在英特爾 IDF 舉辦同時點下‘發(fā)布’按鈕并非巧合”，這家媒體還表示自己會拿著爆米花坐等后續(xù)。

　　這場論戰(zhàn)究竟是怎么回事呢？

　　英特爾的挑釁

　　先把英特爾和英偉達的爭論放一邊，要說訓練深度學習神經網絡，GPU 是時下主流的選擇，相信這一點應該不會有多少異議。

　　GPU 支持并行運算，而且計算精度沒有 CPU 那么低——至于 GPU 將來是否會被其他處理器取代，暫時跟本文討論的議題沒有關系。

　　過去 5 年來，英偉達一直在深度學習領域默默投入，用 CEO 黃仁勛的話說，“把一切都賭在了深度學習上面”。

　　英偉達不僅針對深度學習優(yōu)化 GPU，還開發(fā)了軟件，讓用戶更加方便快速地訓練神經網絡。而這一點，也是大多數人用機器學習便首先選擇英偉達而不是 AMD 的原因。

　　英偉達方面曾表示，與 Kepler 時代相比，Pascal 的配套軟件讓機器學習的性能提升了整整一個數量級。

　　不過，GPU 并非競技場中唯一的玩家。在針對深度學習進行優(yōu)化的硬件方面，有專注用 FPGA 加速深度學習的，也有像谷歌、CEVA 和 Movidius 那樣，自己開發(fā)專用深度學習芯片的——至于英特爾，就選擇把 Xeon Phi 里的十幾個小核心（Bay Trail-T），由 Pentium 架構升級為 Atom 架構，從而與 GPU 相競爭（同時保持 Xeon Phi 的品牌不變）。

　　英特爾最近發(fā)表了關于 Xeon Phi 基準的一些數據，號稱其“Many Integrated Core”（MIC）Phi 架構加速深度學習性能比 GPU 高出很多。

　　下面是英特爾的報告：

　　來源：英特爾報告 Fuel Your Insight

　　在發(fā)表的報告中，英特爾稱：

　　4 個 Knights Landing Xeon Phi 芯片比“4 個 GPU”快 2.3 倍；

　　Xeon Phi 芯片在多個結點上最高可擴展率為 38%，而且最多可達 128 個結點（英特爾還指出，這對于 GPU 來說是不可能的）；

　　用 128 個 Xeon Phi 處理器構成的系統(tǒng)比單個的 Xeon Phi 速度快 50 倍（言下之意是說 Xeon Phi 處理器擴展性很好）。

　　此外，這份報告中還指出，使用英特爾優(yōu)化過的版本運行 Caffe 深度學習框架時，Xeon Phi 芯片比標準 Caffe 硬件要快 30 倍。

　　英偉達的回擊

　　英偉達的論點主要在基準上面。英偉達在官方博客發(fā)表的文章中表示，英特爾報告中使用的數據來自過去的基準，在與 GPU 進行比較時，容易產生誤導，因為英偉達的 GPU 從 28 納米平面工藝升級為 16 納米 FinFET 之后，在性能上有很大提高。不僅如此，英偉達在過去幾年也針對不同的軟件框架做了 GPU 的優(yōu)化。

　　英偉達表示，英特爾使用的是18個月以前的 Caffe AlexNet 數據，比較的是 4 個 Maxwell GPU 和 4 個 Xeon Phi 處理器。如果英特爾使用更新一些的數據，就會發(fā)現 4 個 Maxwell GPU 比 4 個 Xeon Phi 處理器的速度快 30%。

　　不僅如此，英偉達還進一步指出，根據新的數據，由 4 個 Pascal 架構組成的 TITAN X GPU，速度是 4 個 Xeon Phi 處理器的 5 倍多。

　　英偉達的回應：根據新的數據，由 4 個 Pascal 架構組成的 TITAN X GPU，速度是 4 個 Xeon Phi 處理器的 5 倍多。

　　針對擴展性，英偉達指出，英特爾在比較時，給自己用的是最新的數據、最新的技術，而拿來比較的卻是 4 年前推出的 Titan X 系統(tǒng)。

　　英偉達援引百度的數據，稱語音訓練在 128 Maxwell GPU 上擴展性能更好，幾乎呈直線提升。

　　此外，英偉達在博客文章中還指出，對于深度學習訓練，使用強的結點，哪怕數量少一些，也比使用很多個弱的結點效果要好。英偉達補充，其最新的 DGX-1 超級計算機的速度比 21 個 Xeon Phi 處理器都要快，是 4 個 Xeon Phi 處理器的 5.3 倍。

　　考慮到 OpenAI 上周才成為首家使用 DGX-1 系統(tǒng)的用戶，英特爾在發(fā)布報告時沒有使用 DGX-1 的數據也情有可原。但話說回來，Maxwell 系統(tǒng)確實挺老的了，英特爾使用最新的 Xeon Phi 處理器與隔了幾代的 Maxwell 相比，其用意何在，細思……不得其解。

　　深度學習芯片大戰(zhàn)升溫

　　英偉達博客文章下讀者評論：“究竟信誰的好？”

　　目前根據各種數據看，英特爾的 Xeon Phi 處理器在性能和軟件支持方面，應該比 GPU 稍微弱一點。

　　不過，若真像英偉達自己所說的那樣，一臺 DGX-1 只比 21 個英特爾 Xeon Phi 快一點點，至少從價格上看，英特爾的 Xeon Phi 處理器顯然更具有優(yōu)勢。

　　DGX-1 目前售價 12.9 萬美元一臺，而 Xeon Phi 處理器費用大約在 2500 到 6300 美元之間。即使用上了 21 臺英特爾 Xeon Phi，按 6000 美元/臺計算，整體價格也比買一臺 DGX-1 更有競爭力。

　　英特爾前協(xié)處理器首席架構師、現華為傳感器應用實驗室首席科學家丁險峰認為，由于效益可觀，加速深度學習的能力是當前考察服務器綜合性能的關鍵性指標和最大賣點。

　　“目前，在深度學習加速這個單項上英偉達有很大的領先，在生態(tài)系統(tǒng)的布局已經有很多年，很多學者、數據科學家也非常熟悉英偉達的產品。英特爾能不能搶的一席之地，主要看英特爾能否搭建相同的開發(fā)環(huán)境?！倍‰U峰在接受新智元采訪時表示。

　　“英特爾和英偉達兩家公司未來會在分布式計算架構，內存與Cache之間吞吐能力，加速器與主CPU之間的鏈接這幾個方向不斷挖掘前進，在數據面、控制面、可擴展能力、編譯器，多種算法的API等多方面展開軍備競賽。”

　　不過，丁險峰指出，“從長遠看，英特爾的芯片架構設計與制程肯定領先，另外數據連接也可以實現在芯片內部，不需要板級連接，大大加強CPU與MIC的數據鏈接能力?！?/p>