尊龙凯时 (中国)人生就是搏!神经网络训练处理器NNP-T中的“T”指Train，也就是说这款芯片用于AI推理，处理器代号为Spring Crest。
训练机器学习模型是开发AI过程中计算量较大的部分，这部分包含大量的矩阵和矢量数学运算发生时，正是英特尔CPU能力欠缺的部分。
NNP-T将由英特尔的竞争对手台积电（TSMC）制造尊龙凯时 (中国)人生就是搏!，采用16nm FF+工艺。
每个张量处理单元都有一个微控制器，用于指导是数学协处理器的运算，还可以通过定制的微控制器指令进行扩展。
在算力方面，英特尔表示，这款芯片较高可以达到每秒119万亿次操作（119TOPS），但是英特尔并未透露是在INT8还是INT4上的算力。作为对比，英伟达Tesla T4在INT8上算力为130TOPS，在INT4上为260TOPS。
另一款是用于AI推理的芯片NNP-I，代号Spring Hill，它采用英特尔自己的10nm工艺，基于Ice Lake处理器。
对于这款芯片，英特尔主打的是其能效比，在数据中心推理工作负载中，它的效率达4.8TOPs/W，功率范围可以在10W到50W之间。
NNP-I接口为PCIe 4 x4/x8，如果说NNP-T从外观上来看像显卡，那么NNP-I则像是一块SSD。NNP-I的特点是集成了12个推理计算引擎（ICE）。
ICE由深度学习计算网格、可编程矢量处理器、高带宽内存接口、超大本地缓存几个部分组成，支持FP16、INT8、INT 4/2/1。
在ResNet50上，NNP-I在10W的功率水平上每秒可以完成3600次推理，每瓦每秒可以处理360张图片。
针对主要数据中心推理工作负载，NNP-I能做到在很宽的功率范围内具有可扩展的性能、不影响能效比的高度可编程性，从而在单位功率上实现较佳性能尊龙凯时 (中国)人生就是搏!。
“数据中心和云计算需要访问高性能和可扩展的通用计算，以及复杂AI应用程序的专用加速。在未来的AI愿景中，需要采用从硬件到软件再到应用程序的整体方法。”
英特尔NNP的发布，意味着企业在谷歌、英伟达的硬件之外又有了新的选项，AI硬件行业的竞争越来越激烈尊龙凯时 (中国)人生就是搏!。
从英特尔的官方数据来看，NNP-I在推理上的速度已经超过英伟达Tesla P4的水平，虽然和V100仍有差距，但是已经缩小到50%以内，而不再是数量级上的差距。
不仅为了在硬件上取得突破，英特尔收购Nervana还有软件上的考量，Nervana这家公司有深度学习模型的Python软件Neon，还有一个全栈的AI云端平台Nervana Cloud。
2018年，英特尔的AI芯片部门收入达10亿美元，英特尔预计这一市场还会以每年30%的速度增长，从2017年的25亿美元，到2022年增长至100亿美元。
为了在与英伟达、高通和AMD等公司的竞争中立于不败之地，英特尔这家半导体领域的巨头不仅每年投入上百亿美元的研发资金，还实施了不少颇具战略价值的收购计划。
2015年，英特尔收购了现场可编程门阵列（FPGA）制造商Altera，之后推出了基于FPGA的专用深度学习加速卡。
2016年，并购深度学习芯片公司Nervana Systems，填补其在硬件平台产品的空白，并为全新一代AI加速器芯片组奠定了基础。同时，Nervana的首席执行官兼联合创始人Naveen Rao也加入了英特尔，成为英特尔AI战略的总策划师。
同年，英特尔还收购了Movidius，这家公司专门为计算机视觉设计低功耗处理器芯片。
2018年，英特尔又将开发AI模型套件的创业公司Vertex.ai收入囊中。
研发并购双头并进，于是早在2017年，英特尔就宣布其正在研发两款AI芯片，并在2018年1月的国际消费电子展（CES）新闻发布会上进一步详细介绍了Nervana神经网络处理器（NNP-I）。
而在去年的英特尔人工智能开发者大会（AI DevCon 2018）上，英特尔首次演示了开发中的第一个商用神经网络处理器（NNP）产品Spring Crest，与初代NNP芯片Lake Crest相比，这款产品的训练性能提升了3-4倍。
有超过50%的美国企业正在转向基于英特尔至强处理器的云解决方案，以满足他们在人工智能方面的需求，这肯定了包括英特尔至强处理器，英特尔Nervana和英特尔Movidius技术以及英特尔FPGA的方法，满足了人工智能工作负载的独特需求。
不久之前的百度AI开发者大会上，Naveen Rao也亲临现场，宣布与百度携手打造用于训练AI的神经网络处理器。
因为NNP-T使用的是台积电的16nm工艺，而英伟达V100早已用上了12nm工艺，还没上市开卖就已经落后，芯片核心面积上，V100也比NNP-T大20%左右。
声明：本文版权归原作者所有，文章收集于网络，为传播信息而发，如有侵权，请联系小编及时处理，谢谢！
视觉数据就是天生的大数据，解决计算机视觉的问题就是解决机器学习的问题。《端到端(End TO End)--由传统方法到深度学习》课程立足图像处理实践，积极引入深度学习内容。通过11+个DNN算法例子和2+个部署例子的教授，帮助学习者建立牢固基础、激发思考能力、并服务产品实践。返回搜狐，查看更多
