Intel Outside as Other Companies Prosper från AI Chips

Världens ledande chiptillverkare missade en enorm möjlighet inom mobila enheter. Nu ger uppkomsten av artificiell intelligens företaget ytterligare en chans att bevisa sig själv. Förbi

• Peter Burrows arkivsida

21 juni 2016

Redan 1997 blev Andy Grove, då verkställande direktör för Intel, en av de första företagstitanerna att anamma lärorna från Harvard Business School professor Clayton Christensen. Grove känner att Intel kan vara underskattat av PC-chiprivaler med billigare varor inbjudna Christensen för att tala med sitt team om industriledare från det förflutna som hade väntat för länge med att ta itu med nya hot. Inom några kvartal hade Intel tagit fram en rad Celeron-chips av lägre ände för PC, som i stort sett krossade drömmarna för Intel-wannabes som Advanced Micro Devices. Innovatörens dilemma avvärjdes.

Se resten av paketet

• 50 smartaste företagen

Intel är inte längre en fallstudie i anpassningsförmåga. Tvärtom, det har snurrat på marknaden för mobilchips som används i smartphones och surfplattor, den överlägset största nya möjligheten för chiptillverkare under de senaste 10 åren. Den 19 april, samma dag som Intel sa att de skulle avskaffa 12 000 jobb, skrotade Intel utvecklingen av några av sina mobila Atom-chips trots år av tunga investeringar. Och under de senaste åren har världens största chiptillverkare verkat likgiltig inför en annan potentiellt stor marknad: den för chip designade för den artificiella intelligenstekniken känd som djupinlärning.

Den här historien var en del av vårt julinummer 2016

• Se resten av frågan
• Prenumerera

Detta en gång så oklara hörn av AI-forskning har utvecklats till en av teknikens hetaste trender (se 10 Breakthrough Technologies, maj/juni 2013). Stora internetföretag använder det för att rulla ut onlinetjänster som förstår bilder och tal, och djupinlärningschips designas till drönare, förarlösa bilar och andra produkter i det omtyckta Internet of things. Det är särskilt farligt för Intel, eftersom vd Brian Krzanich har gjort det sa att företagets framtid beror på dess prestanda i stora datacenter och Internet of things.

Intel introducerar först nu sitt första chip designat speciellt för djupinlärning. Det är en ny version av Xeon Phi-samprocessorn, som fungerar tillsammans med Intels flaggskepp x86-mikroprocessorer. Men även om chippet är väl lämpat för många djupinlärningsjobb, ligger företaget som i huvudsak monopoliserat PC-marknaden med sin Intel Inside-strategi långt efter när det gäller att utveckla de programmeringsverktyg som kunderna behöver med sådana chips. Den mindre rivalen Nvidia har etablerat tidig dominans genom att erbjuda sådana verktyg, säger Bryan Catanzaro, senior forskare hos Baidu, en stor användare av hårdvara för djupinlärning. När man bygger dessa system packar Baidu in fyra gånger fler chips från Nvidia än från Intel. Intel kan vara en stor aktör, men det är en fråga om fokus, säger Catanzaro. De håller på att skära ner på många områden, så du måste undra om de har den institutionella viljan.

Än så länge är den ekonomiska skadan för Intel minimal. Amazon, Google och andra molnjättar kommer att köpa marker till ett värde av drygt 133 miljoner dollar för att köra sina djupinlärningssystem i år, enligt Tractica, ett marknadsundersökningsföretag. Det är en spottstyver bredvid Intels 2015 års intäkter på 56 miljarder dollar. Istället för att lova revolutionerande innovationer, föreslår Intel att dess nuvarande chips kommer att räcka för många jobb och att de har den tekniska förmågan att skapa nya chips när marknaden mognar, säger Catanzaro. Och företaget är fast beslutet att inte fokusera på djupinlärning med undantag för andra AI-metoder. När allt kommer omkring har Intel-veteraner sett AI-crazes ta fäste tidigare; de fruktar att djupinlärning inte är det universalmedel som många gör det till. Vi har sett dessa cykler förut, säger Nidhi Chappell, chef för maskininlärning för Intels Data Center Group.

Intel skär sådana här wafers till chips i Xeon Phi-produktfamiljen. Chipsen är designade för att hantera djuplärande uppgifter.

För Nvidia börjar dock djupinlärning generera intäktstillväxt. Företagets försäljning till stora molnföretag ökade med 63 procent under första kvartalet. Nvidia, som var baserat nära Intel i Santa Clara, Kalifornien, brukade sälja sina grafikprocessorkretsar (GPU) främst till tillverkare av datorer och spelkonsoler. Men det har tagit en ledande ställning på den begynnande marknaden för djupinlärning sedan stora internetföretag upptäckte hur väl grafikkretsar kunde hantera AI-relaterade jobb. Nu, säger Nvidia, arbetar man med 3 500 kunder i branscher som sträcker sig från bilindustrin till läkemedel till finansiella tjänster.

Nvidia är inte det enda företaget som försöker tjäna pengar medan Intel spelar det coolt. Qualcomm introducerar mjukvaruverktyg för att hjälpa kunder att använda sina mobila chips för djupinlärning. Och startups som Knupath och Nervana kommer med ännu mer radikalt omdesignade djupinlärningschips. Tactica räknar med att denna marknad kommer att vara värd 3,6 miljarder dollar 2024.

Knupath, som startades av den tidigare NASA-chefen Dan Goldin, tillkännagav ett AI-chip som heter Hermosa i juni, tillsammans med mjukvara för att länka ihop 512 000 Hermosas och andra marker. Den första versionen kommer att fokusera på att känna igen oväntade röster i bullriga miljöer – till exempel så att du kan logga in på din bank med enbart din röst när du kör i en cabriolet med radion på. Företaget har samlat in 100 miljoner dollar i finansiering, under antagandet att befintliga chiparkitekturer inte kommer att kunna tillfredsställa framtida efterfrågan. Vi går in i de mycket tidiga stadierna av maskinintelligens och maskininlärning. Det är som vilda västern, säger Goldin. En del galna saker kommer att hända.

Hål i marknaden

När sådana som Facebook, Google och Microsoft lär mjukvara hur man upptäcker innehållet i bilder eller identifierar tal, bygger de vad som ofta kallas neurala nätverk, där enorma mängder data körs genom tusentals anslutna processorer. Så småningom kan maskinerna känna igen mönster på egen hand och göra bedömningar därefter. I januari slog ett neuralt nätverk från Google en av världens bästa spelare i brädspelet Go i fyra av fem tävlingar.

I sådana applikationer gör Intels x86-mikroprocessorer vanligtvis lite mer än digital hushållning. Medan en förstklassig Intel-processor har mer än tillräckligt med kraft för att köra vidsträckta ekonomiska kalkylblad eller programvara för företagsdrift, bryter chips optimerade för djupinlärning vissa typer av problem – som att förstå röstkommandon eller känna igen bilder – i miljontals bitar -storlek bitar. Eftersom GPU:er som Nvidias består av tusentals små processorkärnor ihophopade på en skiva kisel, kan de hantera tusentals av dessa bitar samtidigt. Att tilldela en Intel-processor till sådant arbete skulle vara ett enormt slöseri med resurser, eftersom var och en av dessa processorer innehåller några dussin kärnor som är designade för att köra komplexa algoritmer. Deep-learning chips behöver inte tänka så mycket för att hantera alla dessa mikrouppgifter. Grafikprocessorkärnor har rätt mängd aritmetiska muskler för att snabbt kunna klassificera en bild eller annan databit.

Detta Nvidia-chip är avsett för stora internetdatacenter och applikationer för djupinlärning.

Catanzaro, som hjälpte till att starta Nvidias djupinlärningsangrepp innan han gick till Baidu, testar Xeon Phi-samprocessorn och säger att den kan hantera vissa djupinlärningsuppgifter runt 90 procent lika effektivt som grafikprocessorer. Men han är skeptisk. Inte bara har Intel inte utvecklat något av de mjukvaruverktyg som Nvidia erbjuder för att hjälpa kunder att förfina och underhålla neurala nätverk, utan också, säger han, måste Intel göra ett bättre jobb för att få sina kretsar i händerna på de djupa lärande armaturerna som driver fältet framåt. Hittills har Intel strävat efter att sälja Xeon Phi i volym till stora företagsköpare för välförstådda applikationer, säger Catanzaro. Jag drar för Intel, säger han. Det är inte bra för någon om Nvidia är det enda genomförbara alternativet, så vi behöver Intel på den här marknaden. Men de måste börja fokusera.

I maj överraskade Google AI-världen genom att tillkännage att de hade använt ett eget chip, kallat Tensor Processing Unit, i mer än ett år. Även om Google med glädje har hällt in miljarder i månskottsprojekt som förarlösa bilar, var det första gången man grävde ner sig i den dyra, svåra chipbranschen. Varför bry sig? Det var det enda sättet att driva våra maskininlärningsdrivna applikationer framåt, skrev Norm Jouppi, en framstående hårdvaruingenjör på Google, i ett e-postmeddelande. Medan Google kommer att fortsätta använda Intel-processorer i sin datorinfrastruktur, sa han, behövde vi mer än vad som fanns tillgängligt på marknaden.

Känner värmen

Intel har också varit tyst i ett annat lovande hörn av marknaden för djupinlärning: den för chips som bäddar in den visdom som lärts av neurala nätverk i telefoner, bilar och andra enheter som vi vill göra smartare. DJI, världens största drönartillverkare, inkluderade en visuell bearbetningsenhet tillverkad av Movidius i sin nya Phantom 4-modell. Chipet bearbetar det som Phantoms kameror ser, vilket gör att farkosten kan undvika krascher, en mänsklig pilot kanske inte är skicklig nog att ge sig av från marken. Den är designad för att använda väldigt lite batterikraft – återigen, inte Intels specialitet.

Dessa chips kan visa sig vara mycket mindre lönsamma än de processorer som gjorde Intel till ett känt namn, men volymerna kan vara för stora för att motstå om komponenterna skulle bli standard i smartare MRI-maskiner, tillverkningsrobotar och övervakningskameror, säger Jim McGregor, grundare av Tirias Research, ett forskningsföretag inom chipindustrin. Mest lockande är marknaden för självkörande bilar, som kan nå tiotals miljoner enheter per år. Om varje fordon har många av dessa chips, kan denna marknad ensam konkurrera med storleken på PC-marknaden.

Intels Chappell avfärdar inte sådana prognoser, men hon säger att Intels möjlighet ligger i att ta en bredare, pragmatisk syn på marknaden. AI-forskares mest angelägna utmaning är att skapa sätt att träna neurala nätverk mycket snabbare – till exempel på en eftermiddag snarare än under loppet av några veckor. Det nya Xeon Phi-chippet kommer att hjälpa till att lösa detta problem, säger hon, delvis för att forskare kan använda det för att designa ett träningssystem på sina egna datorer och fortsätta använda det när de expanderar till större nätverk av servrar och så småningom i massiv skala i molnet .

På längre sikt skulle Intel kunna bygga kretsar som fungerar i allt från de där träningssystemen till enheter med låg effekt i Internet of things, säger Chappell. I det scenariot skulle grafikprocessorer och andra specialiserade djupinlärningschip ha en nackdel i förhållande till allmänt brukbara mikroprocessorer. Tack vare Intels ingenjörstalang och tillverkningskapacitet kan företaget kanske stoppa in djupinlärningskretsar i framtida processorer till en liten inkrementell kostnad. Om Intel kan skapa en gemensam uppsättning mjukvaruverktyg för att hantera allt från neurala nätverk till drönare, kan det göra djupinlärning tillgänglig för långt fler företag – och ge Intel en strategisk låsning av sin verksamhet.

Det här är tricken som hjälpte Intel att monopolisera PC-industrin. Redan nu är det få som är villiga att räkna bort företaget. Senast jag kollade hade de 15 miljarder dollar på banken, och de är inga dumma människor, säger Remi El-Ouazzane, Movidius vd. Men vid det här laget känner vi åtminstone inte värmen.

Dölj