英特爾決心全力發展AI，明年現有的Xeon E5、Xeon Phi處理器平臺都將推出新一代產品，并將以Xeon搭配新開發的「Lake Crest」芯片，專攻類神經網絡的加速應用

【英特爾AI應用主打4種服務器處理器】若要在數據中心環境當中建構AI系統，英特爾預計將提供4種運算平臺：Xeon、Xeon Phi、Xeon搭配FPGA（Arria 10）、Xeon搭配Nervana（Lake Crest），分別主打基本用途、高效能、低延遲與可程序化、類神經網絡加速等不同需求。圖片來源：iThome

這一年來，除了云端服務、大數據、行動應用持續走紅以外，人工智能（AI）無疑是下一個即將起飛的熱門IT技術，許多人已經開始積極投入機器學習、深度學習的開發與應用，繪圖處理器大廠Nvidia今年的營收、獲利、股價持續上漲，也與此有關，而同樣是處理器大廠的英特爾，現在也對AI的發展寄予厚望，并正式宣布調整以AI為重的策略，全力發展軟硬件技術，以支持相關的發展。

在11月18日舉行的「Intel AI Day」活動當中，英特爾執行長Brian Krzanich提出了他們的愿景，并期盼能推動AI普及，將AI變得更平民化，進而引領AI運算時代的來臨，使英特爾能夠成為加速AI發展的催化劑。

而就更實際的產品而言，英特爾在服務器端處理器平臺上，也針對AI有所布局。在2017年，現有的Xeon E5、Xeon Phi處理器平臺都將推出新一代產品，同時，除了以Xeon搭配FPGA（Field Programmable Gate Array）芯片Altera Arria 10之外，英特爾也將以Xeon搭配新開發的「Lake Crest」芯片，專攻類神經網絡的加速應用。

值得注意的是，Lake Crest的形式是一張基于硅芯片的獨立加速卡，技術源自于英特爾今年8月并購的新創公司Nervana Systems，該產品將于2017年第一季問世。之后，英特爾還將推出Xeon結合這種新型態加速AI處理機制的芯片，研發代號稱為「Knights Crest」，屆時，采用這顆芯片的服務器直接具有系統開機的能力，無需搭配Xeon處理器。

英特爾AI服務器平臺的發布時程

在2016這一年，英特爾已經推出了FPGA的系統單芯片解決方案Arria 10，以及Xeon Phi x200系列（Knights Landing）。2017年他們將發表新的Xeon Phi（Knights Mill），以及深度學習專用的運算芯片Lake Crest，而在通用服務器級處理器Xeon系列，基于Skylake微架構的產品也將問世。

強化平行處理與向量處理性能，Xeon與Xeon Phi支持新指令集

英特爾在2017年即將推出的服務器產品，還包括采用Skylake微架構的新一代Xeon處理器，以及Xeon Phi（代號為Knights Mill）。

以現行的Xeon E5-2600 v4系列處理器而言，根據英特爾提供的效能測試數據，若執行大數據與AI領域經常會運用的Apache Spark軟件環境，效能提升的幅度，可望達到18倍之高（以今年推出的Xeon E5-2699 v4搭配MKL 2017 Update 1鏈接庫，對上Xeon E5-2697 v2搭配F2jBLAS鏈接庫）。

英特爾表示，在初期出貨給特定云端服務業者的「Skylake」Xeon處理器版本（preliminary version）當中，將會加入更多整合式加速運算的進階特色。例如，新的進階向量延伸指令集AVX-512，可針對機器學習類型工作負載的執行，提升相關的推理論斷能力。至于Xeon新平臺其他增益的功能與組態支持，預計將會在2017年中正式發布時，才會揭露。

若單看AVX-512這套指令集，目前只有今年6月推出的Xeon Phi x200系列處理器（Knights Landing）支持，接下來，英特爾的主力通用服務器平臺Xeon處理器，會在下一代采用Skylake微架構的產品當中支持。

因此，就目前而言，英特爾現有處理器所支持的AVX指令集，總共可分為三代：Sandy Bridge和Ivy Bridge微架構處理器，內建的是第一代AVX，Haswell和Broadwell微架構處理器改為AVX2，而Skylake微架構和Knights Landing是采用AVX512。基本上，前兩代的AVX指令集，都是基于128位SIMD緩存器，可延伸到256位。

至于Xeon Phi的下一代產品 「Knights Mill」，英特爾表示，會把深度學習的應用效能，提升到現有Xeon Phi處理器（7290）的4倍，并同樣具備直接內存訪問（Direct Memory Access）的能力——最高可存取到400GB（Knights Landing是以384GB的DDR4內存，搭配16GB的MCDRAM）。

同時，在橫向擴展到32節點的系統環境當中，目前的Xeon Phi也已經能大幅縮短機器學習的訓練時間，成效差距可達到31倍之大。