文字| 8月10日，英特尔斥资4亿美元收购成立2年的人工智能深度学习初创公司Nervana Systems，为其芯片添加深度学习功能。
这可能是PC市场的一个突破。
尽管规模缩小，但仍要加强其地位并寻求新机遇。
作为全球最大的芯片制造商，英特尔一直将业务集中在PC领域，在移动芯片大战中早已输给了ARM。
近年来PC市场的萎缩给英特尔的发展带来了极大的阻碍，寻找出路成为了必然的选择。
在英特尔8月初发布的未来发展战略文件中可以看出，未来的重点不是PC电脑芯片业务，而是数据中心和网络设备的芯片开发。
收购Nervana Systems或许意味着英特尔找到了改进PC芯片的方法。
Nirvana首席执行官Naveen Rao在博客中表示，该公司将为英特尔提供相关深度学习框架、平台和硬件，其全部48名员工将加入英特尔数据中心。
什么是 Nervana 系统？ Nervana Systems 成立于 2006 年，总部位于加利福尼亚州圣地亚哥。
它吸引了 DFJ、Data Collective、Fuel Capital、Lux Capital 和 Allen & Co. 等公司的 10,000 美元投资，并在硬件解决方案和训练神经网络方面取得了重大成就。
训练神经网络目前是一个热门市场，GPU 可以用来告诉机器如何处理文本、图像、声音和其他数据形式。
Nervana 正在开发一种加速器和软件，可以提高这些任务的 CPU 性能。
该公司的三位创始人 Arjun Bansal、Naveen Rao 和 Amir Khosrowshahi 在高通工作时相识。
他们对共同投资公司的愿景是如何简化受大脑启发的算法的应用。
Arjun Bansal 在接受采访时表示，很多客户对深度学习不是很了解，不知道如何将深度学习融入到自己的产品中。
他们只是想开发一个平台，能够将深度学习技术推广到各个领域。
去年他们发布了 Neon 系统，这是一个开源软件，任何想要尝试的人都可以免费使用。
基于Neon，他们发布了Nervana Cloud，这是一个平台，可以让所有公司快速构建深度学习工具，而无需花费太多时间研究结构。
与 Neon 相比，Nervana Cloud 针对大规模、复杂的机器学习问题提供了更加优化的处理方法。
Nirvana 表示，他们的平台比其他人工智能平台快十倍以上。
该系统允许科学家利用深度学习技术快速处理内部数据。
潜在的用例包括减少信用卡欺诈和提高医疗诊断的准确性，以及制造智能汽车和提高能源勘探的效率。
Naveen Rao 表示，“深度学习网络一般需要 10-20 周的时间来学习和适应。
我们希望将这个时间缩短到几个小时。
”为什么英特尔需要另一种架构？ GPU非常适合深度学习，因为它拥有数千个可用于并行矩阵运算的浮点单元，这些浮点单元构成了大量的深度神经网络。
但大多数 GPU 还有许多其他功能，例如编辑和输出图像。
此外，GPU还提供更高精度的计算能力，比如金融运算、模拟建模等，这些都不需要深度学习算法。
所有这些功能都占用了GPU芯片的宝贵空间和运行能力。
理论上，Nervana的方法可以拥有更高的性能能力和更低的价格，同时还可以减轻计算机的运行负担。
Nirvana 可以为 Xeon 和 Xeon Phi 等处理器提供深度学习能力，降低开发成本。
Nervana 并没有透露太多他们的进展，目前正专注于 NEON 加速 GPU，以确保今年新产品的完成。
此前有报道称，Nervana 系统包括一个钢模结构，可以以 3D 拓扑连接这些设备。
这一特性使得系统能够测量大量的协作加速器并更好地训练深度神经网络。
如果你想开发这个功能，你将需要使用额外的供应商或英特尔。
也许到明年我们就会知道人工智能是如何工作的。
Gartner分析师Martin Reynolds认为，与Nervana联手将有助于英特尔在目前相对有限的市场中站稳脚跟，并避开Nvidia等潜在竞争对手。
英特尔需要更大的 GPU 吗？英特尔集成了桌面处理器GPU、服务器的Xeon以及高性能计算机的多核Xeon，但没有大型GPU。
芯片上的深度学习是否需要更大的 GPU 来处理更多任务？答案是“不需要”。
现有的芯片基本够用，再加上Nervana的数据深度学习，效率会更高。
英特尔未来开发的自动驾驶系统也将受益于性能要求不高的Nervana深度学习系统。
英特尔的下一步是什么？英特尔很可能会继续走 Nervana 的道路。
但英特尔更擅长的是集成。
未来，英特尔更有可能采用低成本的方法来提高更广泛的处理能力，并按类型进行分类。
可以应用深度学习的场景将会越来越多，可以有效减轻计算机和人的负担。
工作量。
苹果和谷歌都已经在AI方面做出了规划，未来人工智能芯片计算将渗透到广泛的领域。