Intel Outside as Other Companies Prosper fra AI Chips

Verdens førende chipproducent gik glip af en enorm mulighed inden for mobile enheder. Nu giver fremkomsten af ​​kunstig intelligens virksomheden endnu en chance for at bevise sig selv. Ved

• Peter Burrows arkiv side

21. juni 2016

Tilbage i 1997 blev Andy Grove, dengang administrerende direktør i Intel, en af ​​de første corporate titaner til at omfavne læren fra Harvard Business School professor Clayton Christensen. Grove fornemmer, at Intel kan være underbudt af pc-chip-rivaler med billigere varer inviteret Christensen for at tale med sit team om industrielle ledere fra fortiden, der havde ventet for længe med at tage fat på nye trusler. Inden for få kvartaler havde Intel bragt en serie af lavere Celeron-chips til pc'er, som stort set smadrede Intel-wannabes-drømmene såsom Advanced Micro Devices. Innovators dilemma afværget.

Se resten af ​​pakken

• 50 smarteste virksomheder

Intel er ikke længere et casestudie i tilpasningsevne. Tværtimod har det piftet ind på markedet for mobilchips brugt i smartphones og tablets, langt den største nye mulighed for chipproducenter i de seneste 10 år. Den 19. april, samme dag som Intel sagde, at de ville nedlægge 12.000 job, skrottede Intel udviklingen af ​​nogle af sine mobile Atom-chips på trods af mange års store investeringer. Og i de sidste par år har verdens største chipproducent virket ligeglad med et andet potentielt stort marked: det med chips designet til den kunstige intelligens-teknik kendt som deep learning.

Denne historie var en del af vores juli 2016-udgave

• Se resten af ​​problemet
• Abonner

Dette engang så uklare hjørne af AI-forskning er blomstret op til en af ​​teknologiens hotteste trends (se 10 Breakthrough Technologies, maj/juni 2013). Store internetvirksomheder bruger det til at udrulle onlinetjenester, der forstår billeder og tale, og deep-learning-chips bliver designet til droner, førerløse biler og andre produkter i tingenes meget ballade internet. Det er især farligt for Intel, fordi CEO Brian Krzanich har sagde at virksomhedens fremtid afhænger af dens ydeevne i store datacentre og tingenes internet.

Intel introducerer først nu sin første chip designet specielt til deep learning. Det er en ny version af Xeon Phi-coprocessoren, som fungerer sammen med Intels flagskib x86 mikroprocessorer. Men selvom chippen er velegnet til mange deep-learning jobs, er virksomheden, der i det væsentlige monopoliserede pc-markedet med sin Intel Inside-strategi, stadig langt bagud med at udvikle de programmeringsværktøjer, som kunderne har brug for med sådanne chips. Den mindre rival Nvidia har etableret tidlig dominans ved at tilbyde sådanne værktøjer, siger Bryan Catanzaro, en seniorforsker hos Baidu, en stor bruger af deep-learning hardware. Når det bygger disse systemer, pakker Baidu fire gange flere chips fra Nvidia end fra Intel. Intel kan være en stor spiller, men det er et spørgsmål om fokus, siger Catanzaro. De er i gang med at skære ned på en masse områder, så man må spørge sig selv, om de har den institutionelle vilje.

Indtil videre er den økonomiske skade for Intel minimal. Amazon, Google og andre skygiganter vil købe chips til en værdi af godt 133 millioner dollars for at køre deres deep-learning-systemer i år, ifølge Tractica, et markedsundersøgelsesfirma. Det er en lille smule ved siden af ​​Intels 2015-omsætning på 56 milliarder dollars. I stedet for at love revolutionerende innovationer, foreslår Intel, at dets nuværende chips vil være tilstrækkelige til mange job, og at det har den tekniske dygtighed til at skabe nye chips, efterhånden som markedet modnes, siger Catanzaro. Og virksomheden er fast besluttet på ikke at fokusere på dyb læring med udelukkelse af andre AI-tilgange. Intel-veteraner har trods alt set AI-diller tage fat i fortiden; de frygter, at dyb læring ikke er det vidundermiddel, mange gør det til. Vi har set disse cyklusser før, siger Nidhi Chappell, direktør for machine learning for Intels Data Center Group.

Intel skærer wafere som denne til chips i Xeon Phi-produktfamilien. Chipsene er designet til at håndtere dyb-læringsopgaver.

For Nvidia er deep learning dog begyndt at generere omsætningsvækst. Selskabets salg i første kvartal til store cloud-virksomheder steg 63 procent. Med base i nærheden af ​​Intel i Santa Clara, Californien, solgte Nvidia sine grafikprocessorchips (GPU'er) primært til producenter af pc'er og spillekonsoller. Men det har taget en ledende spids på det begyndende marked for dyb læring, siden store internetvirksomheder opdagede, hvor godt grafikchips kunne håndtere AI-relaterede job. Nu, siger Nvidia, arbejder det med 3.500 kunder i industrier lige fra bilindustrien til farmaceutiske produkter til finansielle tjenesteydelser.

Nvidia er ikke det eneste firma, der forsøger at tjene penge, mens Intel spiller det cool. Qualcomm introducerer softwareværktøjer til at hjælpe kunder med at bruge sine mobile chips til dyb læring. Og startups som Knupath og Nervana kommer med endnu mere radikalt redesignede deep-learning-chips. Tactica forventer, at dette marked vil være 3,6 milliarder dollars værd i 2024.

Knupath, som blev startet af den tidligere NASA-chef Dan Goldin, annoncerede en AI-chip kaldet Hermosa i juni sammen med software til at forbinde 512.000 Hermosaer og andre chips. Den første version vil fokusere på at genkende uventede stemmer i støjende omgivelser – for eksempel så du kan logge ind på din bank ved kun at bruge din stemme, mens du kører i en cabriolet med radioen tændt. Virksomheden har rejst 100 millioner dollars i finansiering ud fra den antagelse, at eksisterende chiparkitekturer ikke vil være i stand til at tilfredsstille fremtidig efterspørgsel. Vi går ind i de meget tidlige stadier af maskinintelligens og maskinlæring. Det er ligesom det vilde vesten, siger Goldin. Der kommer til at ske nogle vildt skøre ting.

Hul i markedet

Når folk som Facebook, Google og Microsoft lærer software at registrere indholdet af billeder eller identificere tale, bygger de det, der ofte kaldes neurale netværk, hvor enorme mængder data køres gennem tusindvis af forbundne processorer. Til sidst kan maskinerne genkende mønstre på egen hånd og foretage vurderinger i overensstemmelse hermed. I januar slog et neuralt Google-netværk en af ​​verdens bedste spillere i brætspillet Go i fire ud af fem konkurrencer.

I sådanne applikationer gør Intels x86 mikroprocessorer normalt ikke meget mere end digital husholdning. Mens en top-of-the-line Intel-processor pakker mere end nok kraft til at køre vidtstrakte økonomiske regneark eller virksomhedsdriftssoftware, bryder chips, der er optimeret til dyb læring, bestemte typer problemer – såsom at forstå stemmekommandoer eller genkende billeder – til millioner af bid. -størrelse bidder. Fordi GPU'er som Nvidias består af tusindvis af bittesmå processorkerner, der er proppet sammen på en skive silicium, kan de håndtere tusindvis af disse bidder samtidigt. At tildele en Intel-processor til et sådant arbejde ville være et enormt spild af ressourcer, da hver af disse processorer indeholder et par dusin kerner, der er designet til at køre komplekse algoritmer. Deep-learning chips behøver ikke tænke så meget for at klare alle disse mikroopgaver. Grafikprocessorkerner har den rigtige mængde aritmetiske muskler til en hurtig gang-over for korrekt at klassificere et billede eller andet stykke data.

Denne Nvidia-chip er beregnet til store internetdatacentre og deep-learning-applikationer.

Catanzaro, som hjalp med at lancere Nvidias dybe læringsangreb, inden han gik til Baidu, tester Xeon Phi-coprocessoren og siger, at den kan håndtere nogle dybdelæringsopgaver omkring 90 procent lige så effektivt som grafikprocessorer. Men han er skeptisk. Ikke alene har Intel ikke udviklet nogen af ​​de softwareværktøjer, Nvidia tilbyder for at hjælpe kunder med at forfine og vedligeholde neurale netværk, men også, siger han, skal Intel gøre et bedre stykke arbejde med at få sine chips i hænderne på de dybe-lærende armaturer, der presser felt frem. Indtil videre har Intel bestræbt sig på at sælge Xeon Phi i volumen til store virksomhedskøbere til velforståede applikationer, siger Catanzaro. Jeg trækker efter Intel, siger han. Det er ikke godt for nogen, hvis Nvidia er det eneste levedygtige alternativ, så vi har brug for Intel på dette marked. Men de skal begynde at fokusere.

I maj overraskede Google AI-verdenen ved at annoncere, at den havde brugt en chip af sin egen skabelse, kaldet Tensor Processing Unit, i mere end et år. Selvom Google med glæde har hældt milliarder ind i moon shot-projekter som f.eks. førerløse biler, var det første gang, de dykkede ned i den dyre, vanskelige chipforretning. Hvorfor bekymre sig? Det var den eneste måde at skubbe vores maskinlæringsdrevne applikationer fremad, skrev Norm Jouppi, en fremtrædende hardwareingeniør hos Google, i en e-mail. Mens Google vil fortsætte med at bruge Intel-processorer i sin computerinfrastruktur, sagde han, havde vi brug for mere, end hvad der var tilgængeligt på markedet.

Mærker varmen

Intel har også været stille i et andet lovende hjørne af det dybe læringsmarked: det for chips, der integrerer den visdom, som neurale netværk har lært, i telefoner, biler og andre enheder, vi ønsker at gøre smartere. DJI, verdens største droneproducent, inkluderede en visuel behandlingsenhed lavet af Movidius i sin nye Phantom 4-model. Chippen behandler, hvad Phantoms kameraer ser, hvilket gør det muligt for fartøjet at undgå styrt, en menneskelig pilot er muligvis ikke dygtig nok til at komme afsted fra jorden. Den er designet til at bruge meget lidt batteristrøm - igen, ikke Intels speciale.

Disse chips kan vise sig at være langt mindre rentable end de processorer, der gjorde Intel til et kendt navn, men mængderne kan være for store til at modstå, hvis komponenterne bliver standard i smartere MRI-maskiner, fremstillingsrobotter og overvågningskameraer, siger Jim McGregor, grundlægger af Tirias Research, et forskningsfirma i chipindustrien. Mest fristende er markedet for selvkørende biler, som kan nå op på titusinder af enheder om året. Hvis hvert køretøj har mange af disse chips, kan dette marked alene konkurrere med pc-markedets størrelse.

Intels Chappell afviser ikke sådanne fremskrivninger, men hun siger, at Intels mulighed ligger i at anlægge et bredere, pragmatisk syn på markedet. AI-forskeres mest presserende udfordring er at skabe måder til at træne neurale netværk meget hurtigere - for eksempel på en eftermiddag snarere end i løbet af et par uger. Den nye Xeon Phi-chip vil hjælpe med at løse dette problem, siger hun, til dels fordi forskere kan bruge den til at designe et træningssystem på deres egne computere og blive ved med at bruge det, efterhånden som de udvider til større netværk af servere og til sidst i massiv skala i skyen .

På længere sigt kunne Intel bygge chips, der fungerer i alt fra disse træningssystemer til enheder med lavt strømforbrug på tingenes internet, siger Chappell. I det scenarie ville grafikprocessorer og andre specialiserede deep-learning-chips være en ulempe i forhold til universelle, absolutte mikroprocessorer. Takket være Intels ingeniørtalent og produktionskapaciteter, kan virksomheden muligvis fylde deep-learning-kredsløb i fremtidige processorer til små trinvise omkostninger. Hvis Intel kan skabe et fælles sæt softwareværktøjer til at styre alt fra neurale netværk til droner, kan det gøre deep learning tilgængelig for langt flere virksomheder – og give Intel en strategisk lås på deres forretning.

Dette er de tricks, der hjalp Intel med at monopolisere pc-industrien. Selv nu er de færreste villige til at tælle virksomheden ud. Sidst jeg tjekkede, havde de 15 milliarder dollars i banken, og de er ikke dumme mennesker, siger Remi El-Ouazzane, Movidius’ administrerende direktør. Men på dette tidspunkt mærker vi i hvert fald ikke varmen.

skjule