xPU多样化的硬件产品

时间：2022-04-29 16:15:02 | 来源：行业动态

时间：2022-04-29 16:15:02 来源：行业动态

其实在SC19大会之前，英特尔在旧金山举行的2019英特尔人工智能峰会期间（Intel AI Summit 2019）上就展示了面向训练（NNP-T1000）和面向推理（NNP-I1000）的英特尔Nervana神经网络处理器（NNP）。作为英特尔为云端和数据中心客户提供的首个针对复杂深度学习的专用ASIC芯片，英特尔Nervana NNP具备超高扩展性和超高效率。英特尔还发布了下一代英特尔Movidius Myriad视觉处理单元（VPU），用于边缘媒体、计算机视觉和推理应用。





不管是Nervana NNP还是Movidius VPU，英特尔展示的这一系列新产品，旨在加速从云端到边缘的人工智能系统开发和部署，迎接下一波人工智能浪潮的到来。如今，得益于三大趋势的成熟数据科学的新突破、训练数据的指数增长、计算力的不断提升，人工智能正走向历史转折点，得到前所未有的大规模采用。高性能计算也正在加速这一势头，将AI的强大功能应用于现有的高性能计算工作流程，也扩展了人工智能算法的规模，以充分利用高性能计算系统的能力。同时，高性能计算和AI的融合，将从架构灵活性、扩展的内存存储层级结构、软件抽象化等方面变革IT系统范式。

英特尔的芯片产品组合由部署在各类芯片平台上的多种架构组成。英特尔以数据为中心的产品组合提供了构建先进计算系统的根基，使得这些系统能够传输、存储和处理海量数据，更可以将高性能计算数据分析和人工智能加速整合到单一的计算环境中，并提供新的内存和存储模式为计算引擎提供支持，进而解决高性能计算系统面临的独特挑战。

英特尔至强可扩展处理器是英特尔以数据为中心战略的基石，支持着目前全球超算500强中超过90%的超级计算机。英特尔至强可扩展处理器同时也是唯一一款内置人工智能加速的x86处理器，并针对高性能计算工作负载中大量数据集的分析进行了优化。



显然对于英特尔而言，面对多样化的工作负载，一个丰富的产品组合是必不可少的，比如CPU、通用GPU、FPGA到NNP。在SC19上，英特尔展示了一款基于全新架构的全新类别的通用GPU。这款兼具高性能、高灵活性的独立通用GPU，研发代号为Ponte Vecchio，专为高性能计算建模、模拟工作负载以及人工智能训练而设计。

Ponte Vecchio将采用英特尔7纳米工艺进行制造，并将成为英特尔首款基于全新架构的GPU，可为高性能计算和人工智能工作负载进行优化。它采用英特尔Foveros 3D和嵌入式多芯片互连桥接（EMIB）创新封装技术，以及多种其它技术，如高带宽存储器、CXL互连技术以及其它专利技术。

在笔者看来，GPU产品的补位让英特尔真正具备了端到端的产品构建能力。随着当今世界以数据为中心的工作负载日益多样化，处理数据的架构也日益多样化。英特尔提出了SVMS的架构，也就是覆盖标量（Scalar）、矢量（Vector）、矩阵（Matrix）和空间（Spatial）。现在的计算架构已经从CPU时代往XPU方向发展，也就是从原来比较流行的CPU（向量计算）向GPU（矢量计算）、AI（矩阵计算）和FPGA（空间计算）发展。GPU产品的加入让英特尔成为提供SVMS全系产品的厂商。

之所以英特尔提出以数据为中心而不是以前的以CPU为中心，是当前产业变革的结果。单一的CPU已经无法支撑日渐多样化的工作负载，这个时代是专业的人做专业的事，对于计算架构也是如此。如果将各种功能不断叠加到CPU只会让CPU变得更加庞大，以数据为中心，代表了英特尔将众多专属功能卸载到多样化的产品中。

虽然我们能看到在最新一代的英特尔至强可扩展处理器中加入了全新的AVX-512以及VNNI等指令集来加速AI工作负载，但是这些更加侧重AI推理方面。在AI训练方面，GPU架构依然有着不同的优势。这次英特尔基于全新架构的的GPU产品显然与新一代至强可扩展处理器是一种珠联璧合。

日渐丰富的产品为英特尔客户提供了更加多样化的选择，毕竟海量的英特尔客户为新产品提供了很好的基础，也易于用户将其引入到已有的IT系统中，无缝融合已有计算架构这才是最大的想象空间。笔者此前采访过一些AI创业公司或者用户，他们之所以选择英特尔架构，就是看中了英特尔生态，不管是在成本还是丰富性方面为他们进行业务创新提供了更多选择。

另外，我们注意到不管是ISC还是SC或者HPC China的榜单，其实英特尔架构与加速器的组合是常态，那在英特尔推出自己的GPU产品后，其实CPU与GPU的打通更加容易，而且与英特尔傲腾技术实现无缝集成，这样HPC的计算、存储和网络的瓶颈就会打破。毕竟HPC是一个系统，不存在单点瓶颈，需要整体打通。当这些都是Intel inside的产品在一起协同工作的时候，其产生的效应肯定不是简单相加，而是一种乘数效果。