AI，人工智能，這個東西其實一旦都不新鮮。
從早些年的科幻作品，到后來的逐步落地，從1997年IBM超級電腦深藍”擊敗國際象棋大師卡斯帕羅夫，到2016年Google AlphaGo戰(zhàn)勝圍棋冠軍李世石，AI一直都在進步，也一直在演化。
但因為算力算法、技術(shù)能力、應用場景等方面的種種限制，AI一直有些空中樓閣的感覺。
(資料圖片僅供參考)
直到出現(xiàn)了ChatGPT，AI才真正引燃了普通人的熱情，讓我們編程客棧發(fā)現(xiàn)，AI竟然如此強大，又如此唾手可得，讓眾多個體、企業(yè)為之興奮，為之癲狂。
眾所周知，足夠強大與合理的硬件、算法，是實現(xiàn)高效、實用AI的兩大基石，而在這一番AI熱潮中，NVIDIA之所以春風得意，就得益于其在高性能計算領域多年來的布局和深耕，非常適合超大規(guī)模的云端AI開發(fā)。
當然，AI無論實現(xiàn)方式還是應用場景都是多種多樣的，既有云側(cè)的，也有端側(cè)的。
NVIDIA的重點在云側(cè)和生成式AI，Intel在云側(cè)生成式、端側(cè)判定式同時出擊，而隨著越來越多的AI跑在端側(cè)，更貼近普通用戶日常體驗，所帶來的提升越來越明顯，Intel更是大有可為。
端側(cè)AI有幾個突出的特點：
一是用戶規(guī)模龐大，應用場景也越來越廣泛；
二是延遲很低，畢竟不需要依賴網(wǎng)絡將指令、數(shù)據(jù)傳到云側(cè)處理再返回；
三是隱私安全，不用擔心個人信息、商業(yè)機密等上傳后泄露；
四是成本更低，不需要大規(guī)模服務器和計算，只需本地設備即可完成。
端側(cè)AI，說起來大家可能會感覺很陌生，但其實，人們習以為常的背景模糊、視覺美顏、聲音美化(音頻降噪)、視頻降噪、圖像分割等等，都是端側(cè)AI的典型應用場景，背后都是AI在努力。
這些應用要想獲得更好的效果，就需要更完善、復雜的網(wǎng)絡模型，對于算力的需求自然也在快速增長。
比如噪音抑制，算力需求已經(jīng)是兩年前的50倍，背景分割也增長了10倍以上。
更不要說生成式AI模型出現(xiàn)后，對算力的渴求更是飛躍式的，直接就是數(shù)量級的提升，無論是Stable Diffusion，還是語言類GTP，模型參數(shù)都是非常夸張的。
比如GPT3的參數(shù)量達到了1750億左右，相比GPT2增加了幾乎500倍，GPT4估計可達到萬億級別。
這些都對硬件、算法提出了更苛刻的要求。
Intel自然也早就開始關注并投入AI，無論是服務器級的至強，還是消費級的酷睿，都在以各種方式參與AI，XX代智能酷睿處理器”的說法就在很大程度上源于AI。
在此之前，Intel AI方案主要是在CPU、GPU的架構(gòu)、指令集層面進行加速。
比如從十代酷睿和二代可擴展至強加入的基于深度學習的DL Boost，包括VNNI向量神經(jīng)網(wǎng)絡指令、BF16/INT8加速等等。
比如11代酷睿加入的高斯網(wǎng)絡加速器GNA 2.0，相當于NPU的角色，只需消耗很低的資源，就能高效進行神經(jīng)推理計算。
比如代號Sapphire Rapids的四代可擴展至強上的AMX高級矩陣擴展，使得AI實時推理和訓練性能提升了多達10倍，大型語言模型處理速度提升了足有20倍，同時配套的軟件和工具開發(fā)也更加完善豐富。
在Intel看來，沒有單一的硬件架構(gòu)適用于所有的AI場景，不同硬件各有特點，有的算力強大，有的延遲超低，有的全能，有的專攻。
AI作為基礎設施也有各種各樣的場景應用和需求，負載、延遲都各不相同，比如實時語音和圖像處理不需要太強的算力，但是對延遲很敏感。
這時候，Intel XPU戰(zhàn)略就有著相當針對性的特殊優(yōu)勢，其中CPU適合對延遲敏感的輕量級AI處理，GPU適合重負載、高并行的AI應用。
Intel另一個無可比擬的優(yōu)勢就是穩(wěn)固、龐大的x86生態(tài)，無論應用還是開發(fā)，都有著廣泛的群眾基礎。
現(xiàn)在，Intel又有了VPU。
將在今年晚些時候發(fā)布的Meteor Lake，會首次集成獨立的VPU單元，而且是所有型號標配，可以更高效地執(zhí)行特定AI運算。
Intel VPU單元的技術(shù)源頭來自Intel 2017年收購的AI初創(chuàng)企業(yè)Movidius，其設計的VPU架構(gòu)是革命性的，只需要1.5W功耗就能實現(xiàn)4TOPS的強大算力，能效比簡直逆天，最早用于無人機避障等，如今又走入了處理器之中，與CPU、GPU協(xié)同發(fā)力。
VPU本質(zhì)上是專為AI設計的一套新架構(gòu)，可以高效地執(zhí)行一些矩陣運編程客棧算，尤為擅長稀疏化處理，其超低的功耗、超高的能效非常適合一些需要長期打開并執(zhí)行的場景，比如視頻會議的背景虛化、移除，比如流媒體的手勢控制。
之所以在已經(jīng)有了CPU、GPU的情況下，還要做一個VPU，Intel的出發(fā)點是如今很多端側(cè)應用是在筆記本上進行，對于電池續(xù)航非常敏感，高能效的VPU用在移動端就恰如其分。
另一個因素是CPU、GPU作為通用計算平臺，本身就任務繁重，再給它們增加大量AI負載，執(zhí)行效率就會大打折扣。
具體到應用場景，VPU也是非常廣泛的，比如說視頻會議，現(xiàn)在的CPU AI已經(jīng)可以實現(xiàn)自動構(gòu)圖(Auto-Framing)、眼球跟蹤、虛擬頭像/人像、姿勢識別等等。
加入低功耗、高算力的VPU之后，還可以強化背景模糊、動態(tài)降噪等處理，讓效果更加精準，比如說背景中的物體該模糊的一律模糊、人手/頭發(fā)等不該模糊的不再模糊。
有了高效的硬件、合適的場景，還需要同樣高效的軟件，才能釋放全部實力、實現(xiàn)最佳效果，這對于擁有上萬名軟件研發(fā)人員的Intel來說，真不是事兒。
Meteor Lake還沒有正式發(fā)布，Intel已經(jīng)與眾多生態(tài)伙伴在VPU方面展開了合作適配，獨立軟件開發(fā)商們也非常積極。
比如Adobe，很多濾鏡、自動化處理、智能化摳圖等，都可以用VPU來跑。
比如Unreal Engine虛幻引擎的數(shù)字人，比如虛擬主播，VPU都能很好地實時捕捉、渲染處理。
Blender、Audacity、OBS、GIMP這個名單可以拉出很長一串，而且還在不斷增加。
更重要的是，CPU、GPU、VPU并非各行其是，而是可以聯(lián)合起來，充分發(fā)揮各自的優(yōu)勢，達到最好的AI體驗效果。
比如說基于GIMP里就有一個基于Stable Diffusion的插件，可以大大降低普通用戶使用生成式AI的門檻，它就能充分調(diào)動CPU、GPU、VPU各自的加速能力，把整個模型分散到不同IP之上，彼此配合，獲得最好編程性能。
其中，VPU可以承載VNET模塊運行，GPU用來負責編碼器模塊執(zhí)行，通過這樣的合作，生成一張復雜的圖片也只需20秒左右。
在這其中，VPU的功耗是最低的，CPU次之，GPU則是最高的。
Intel已經(jīng)充分意識到AI對于PC體驗增強的重要性，而為了迎接這一挑戰(zhàn)，Intel正在硬件、軟件兩個層面全力推進，對AI在的端側(cè)的發(fā)展、普及打下堅實的基礎。
硬件層面，CPU、GPU、VPU將組成無處不在的底層平臺；軟件層面，OpenVINO等各種標準化開發(fā)軟件將大大推動應用場景的挖掘。
未來，搭載Meteor Lake平臺的輕薄筆記本就可以輕松運行Stable Diffusion這種大模型來實現(xiàn)文生圖，大大降低AI的應用門檻，無論判定式AI還是生成式AI都能高效執(zhí)行，最終實現(xiàn)真正的AI無處不在。
關鍵詞：
責任編輯：Rex_06
營業(yè)執(zhí)照公示信息