英特尔揭露了骑士磨坊，Xeon Phi用于深度学习

　　在本周在旧金山举行的英特尔开发人员论坛（IDF）上，英特尔透露，它正在为旨在深入学习应用程序的新的Xeon Phi处理器工作。英特尔数据中心集团的执行副总裁和总经理黛安·布莱恩特（Diane Bryant）在本周的IDF主题演讲期间宣布了新芯片，称为骑士工厂。

　　英特尔的丹妮丝·布莱恩特（Denise Bryant）揭露了骑士厂

　　揭幕可能太强烈了，因为没有提供有关新产品的视觉效果或规格，该产品计划于2017年发布。科比仅将设计特征为“下一代” Xeon Phi，它将针对深度学习进行优化，该应用程序是高度标准，AI研究人员以及其他过去几年的高度标准，其他研究人员的启发。骑士工厂并不是要篡夺最近发射的骑士降落的骑士，也不是取代骑士山，而骑士山的后续芯片将使用10nm的晶体管建造。这两者仍然被定位为更通用的多核核心处理器，适用于矢量密集型HPC工作。Knights Landing于6月在2016年ISC正式启动，在此期间，芯片制造商表示，它预计仅在今年就出售约100,000辆。

　　尽管英特尔一直在收集HPC胜利，但在深度学习方面，比赛已经很晚了，Nvidia的Tesla GPU在这个市场上处于早期和优势地位。是的，Intel Xeons是那些深度学习群集中最普遍的CPU主机，但是GPU的协同处理器最终会进行繁重的工作，尤其是在培训模型方面。对于此应用程序集，NVIDIA GPU已成为Hyperscale神经网络上事实上的处理器平台，在微软，亚马逊，阿里巴巴和百度进行了大量部署。

　　NVIDIA从深度学习客户的收入目前占其数据中心销售的一半，HPC约为三分之一，其余的则用于VDI等虚拟化市场。为了了解这对硬数字的含义，NVIDIA的数据中心收入从上一季度（第二季度）达到1.51亿美元。

　　在过去几年中一直建立的这种兴趣水平是NVIDIA开始调整其GPU以在深度学习工作负载上进行更好的性能的原因，首先是在Maxwell处理器中最大化单个精度（FP32）性能，并在Pascal架构中添加一半的精度功能（FP16）。与HPC不同，深度学习软件能够利用这些较低的精度功能发挥出很大的作用，从而显着改善了吞吐量。

　　毫不奇怪，英特尔不想将这样的市场割让给主要的竞争对手，尤其是考虑到其在数据中心中的广泛野心以及Xeon Phi中合适的设计的可用性。实际上，当英特尔在骑士登陆中推出了对建筑的最新演绎时，它吹捧了处理器的深度学习能力，这是旨在宣传一些Nvidia成功的一部分。在发布庆祝活动中，英特尔声称，新的Xeon Phi在这些工作量上的运行速度比GPU更快，比GPU更快，但Nvidia对此类主张进行了例外，尤其是在最新的Pascal GPU硬件方面。

　　英特尔对深度学习筹码的计划反映了某种认识，该公司在这一领域已经失去了自己的立场。专门建造的深度学习设计可能是一个精明的举动，并且认识到Xeon Phi Architecture将无法从严格的失败的角度来超越其GPU竞争。只要市场足够大以支持它，硬件专业化似乎是一种合理的方法。

　　尽管英特尔已经表明它将像NVIDIA所做的那样，在实际功能中如何播放这主要是猜想，尽管英特尔已经表示它将在芯片中增加较低的精度电路。也许骑士磨坊平台还将使用更慷慨的混合记忆立方体（HMC）技术来包括额外的内存和带宽，该技术是在骑士着陆时引入的。英特尔甚至可以将一些非易失性的3D XPoint Memory投入到混合物中。在独立的处理器中，将所有这些功能都没有需要运行的主机CPU运行就足以吸引某些高分标的NVIDIA CAMP。

　　一个更令人兴奋的前景是利用Nervana的硬件和软件IP，一家深入学习的创业公司在获取过程中。就其价值而言，Nervana正在为自己的自定义深度学习处理器工作，该处理器还计划在2017年发布。该芯片本来应该比GPU快10倍。Nervana的深度学习电路是否可以将其置于骑士米尔斯硅上，甚至与之兼容。但是，拥有这种内部专业知识可能比其将继承的任何特定技术更重要。

　　自2017年即将来临以来，深度学习爱好者不必等待太久就可以看到Intel的想法。到那时，我们几乎一定会在其帕斯卡（Pascal）阵容中看到NVIDIA的其他调整，直至和包括深度学习的零件，就像Maxwell M40和M4 GPU所做的那样。当然，这对技术用户来说都是个好消息。如果您以为此硬件以前很快移动，请等到您看到一些竞争带来的事情。