如何評價英特爾的CPU來做AI（人工智慧）？

1樓：rxcrd-cemm3

CPU中整合足夠的矩陣處理單元和推理單元，做cpu其實有相當重要的作用的。

CPU相比GPU，乙個最重要的優點就是直接訪問記憶體，這使得記憶體延遲敏感的時候CPU的效果往往非常好。

2樓：青031

之前回答過乙個問題：為什麼AI企業（包括網際網路大廠）幾乎都在布局AI晶元？這個問題正好與之對應，為什麼可以用CPU來做AI？

實際上，Intel並不是唯一一家希望使用CPU來做AI的廠商，ARM也提出了SME拓展指令集（專門為AI設計）。兩者在計算矩陣乘法的硬體選擇上尚有差異（Intel的AMX採用了脈動陣列的方式，而ARM的SME採用了外積的方式），但是選擇在CPU中整合矩陣模組的底層邏輯是相似的。

在之前的回答裡，我提到了AI企業不得不布局AI晶元的兩個邏輯：

AI演算法很難有秘密，但AI晶元作為企業對自身AI業務理解的結晶，可以作為AI企業的護城河；AI晶元和AI演算法是相互影響的，AI晶元的特異性促進了AI演算法的差異化發展；

不談CPU廠商眼紅AI市場的因素，在CPU中整合矩陣模組本身也是可行的，並且和AI企業布局AI晶元並不衝突——乙個專注端側，乙個專注雲側。

知乎大佬 @夏晶晶曾經畫過一張價值百萬的圖——如何設計乙個恰當的DSA？。這正是Intel能夠用CPU來做AI的內在原因，犧牲部分的PPA，換取與傳統CPU更緊密的耦合關係。這樣做的潛在的收益在於：

1.可程式設計性可能更好；2. AI任務的解除安裝粒度可以更小。

這都有助於開啟端側市場。

總體來說，個人比較看好CPU+Vector&Matrix拓展來做AI，實際上我也一直在做類似的研究，希望Intel能率先開啟局面吧。

3樓：零零柒

AI有些很大的需求，實驗室研發也因此而來，然而實驗室只是資深人員使用，而非實際應用，如何讓AI技術從基礎設施的方向突進，比如讓演算法的門檻越來越低，推進在各行各業的落地，才是根本。人工智慧發展到現在人機對弈，智慧型家居，同聲傳譯，人工智慧生活助手等如雨後春筍般層出不窮。現在越來越對的企業有已經提出了AI+的概念，人工智慧（AI）確實改變了我們的生活，也改變了很多行業。

不解決使用者實際需求的新技術都是泡沫，早在62年AI就誕生了，在網際網路的整個大環境中誰滿足使用者需求，誰就能獲得市場。目前影響AI大規模落地的主要原因，在於資料的質量和數量必須達到一定要求，而許多初創公司不具備這個條件針對各自的特色進一步分化AI應用布局才算重點。在提公升AI技術的提同時，融入細分領域的附加內容，是AI落地的必經之路。

中國對於ai的應用產業以及規模正在逐年上公升，相信以後ai技術會越來越多的出現在人們的日常生活，從而開啟乙個新的時代。

4樓：範沅

最大的問題是成本吧。

還有就是現實的複雜性要超過能收集到的樣本，而實驗室一般是照著資料集去刷評價函式。

其實程式實用化之後一般不稱之為ai了。

我這做缺陷檢測，很大的難點就是缺陷樣本難以收集，產品和缺陷型別是無止境的，而且不同工廠的標準不一致，結果就是要求高的話，需要無止境的收集資料標註資料，但是說實話大家卷的都掙不到錢。

特斯拉和英偉達都搞了渲染生成樣本的工作，也就是寄希望於虛擬素材去訓練模型，但是我這實驗的人工生成的樣本訓練的模型，在高準確性要求的製造業上有侷限性。

基於現有正規化的煉丹，收集資料，訓練，推理，本身是有侷限性的，出現少量的錯誤就要重新訓練模型的代價有點大，貧窮的製造業肯定不希望這麼做，但是現實是需要高準確性。

國內的日常問題是，製造業都不想為軟體付費，之於工業視覺而言，ai或者說深度學習可能需要類似乙個MATLAB一樣的工具箱，用於解決各種問題，而不是隨便做做資料然後yolo,unet跑下就想解決問題。

5樓：詹鐘

乙個是科學問題，乙個是技術問題啊。Intel也提出這樣的問題，看來也是科研與開發脫節了。

科學僅僅是解決了為什麼的問題，如何做工業化實現那是另外一波人應該做好的事情。兩撥人不搭，你問得好。

如何評價英特爾的CPU來做AI（人工智慧）？

要怎麼通過名稱來判斷英特爾平台CPU的效能呢？

如何看待英特爾正式放緩 CPU 更新時程？

如何評價英特爾宣布推出的 ComputeCard

其他用戶還看了：