专访英特尔陈伟:英特尔为什么要在中国成立视频事业部?
科技

专访英特尔陈伟:英特尔为什么要在中国成立视频事业部?

2021年10月14日 15:18:46
来源:36氪

文 | 邱晓芬

编辑 | 苏建勋

10月12日,英特尔宣布成立全球视频事业部,并且首次把这一总部放在了国内。“视频技术方面,中国不管在硬件设备的部署、技术创新、AI运用等方面都是世界领先的”,英特尔公司物联网事业部副总裁陈伟表示。

不过,这个新部门这并不是要“PK抖音”做短视频,背后是英特尔在边缘计算方面的一盘棋。

可以观察到的一个变化是,在安防、交通这些习以为常遍布天眼的场景之外,摄像头在其他行业的渗透速度还在加快,比如超市出现了越来越多的带识别功能的智能生鲜秤、自主POS机,自动生产线上的缺陷检测摄像头也比比皆是。

“2025年,我们预计会出现10亿的高清摄像头,视频技术已经完全成为了一个横向的基础技术”,陈伟表示。

摄像头的出现,视频数据量暴涨,同时在安全隐私、高实时性需求驱动下,各个领域的运算过程从云端向边缘进军。“有50%的数据需要回归本地”,并且在边缘计算的过程中,“产生的数据有80%都是视频信息”。

要支持边缘计算的落地应用,服务器本身不仅需要有强大的运算能力,还要兼顾更实时更新的能力等等。显然,英特尔正在让自己的产品适应这一变化。

英特尔的产品架构包括CPU、VPU、FPGA,以及不久前刚推出的GPU。工业客户采用英特尔处理器的时候,一般会分出一部分算力去用于边缘计算机器视觉分析。据介绍,新成立的视频事业部的职责是,会在服务器产品中提供相应的视频技术支持,提供适应需求的定制化的芯片。

陈伟表示,视频事业部定下的技术目标是,要提供能支持高密度计算、视频流优化,以及能够支持异构芯片使用的视频能力。

对于新部门的职责、国内边缘计算的发展阶段和挑战,英特尔公司物联网事业部副总裁陈伟和36氪在内的媒体聊了聊。

以下是采访记录(略有摘编)

Q:新事业部主要做哪些方面的业务?

陈伟:物联网事业部一共有5个BU,物联网视频事业部的主要功能是提供横向的视频技术。这个技术会围绕三个技术特征。一是高密度计算,高通道的视频流,不管是获取、存储、传输、编解码。二是AI运算,有效的数据分析,不管是传统的计算视觉或者是深度学习。三是复杂计算层次结构。

云边协同我们谈了几年了,很多云的原生态的技术会切入到边缘来。因为很多需求,安全、隐私、实时性,使得这些运算必须在本地发生,50%的数据将会在本地处理。这里面就涉及到所谓的计算架构层次优化的问题。

这次英特尔首次把总部放在了中国,这不是中国的物联网视频事业部,而是全球的物联网视频事业部。

Q:融合边缘计算的发展预测?定制化芯片是否成为主流?

陈伟:融合边缘是一个非常大的市场,我们认为这个市场在几年后是一个650亿美元的市场,不可能是由一家公司从产品层面解决所有问题。

英特尔物联网事业部的战略是,第一,我们提供芯片,提供高计算性能的芯片,支持负载整合,第二,我们今天强调的视频,我们认为视频可以产生非常大的数据量,前面提到的三个技术特征,都会使得高性能芯片会发挥最强的作用。

整个物联网,整个边缘计算,要真正蓬勃发展的话是整个生态的合作,一定会有定制化的芯片,也会有平台化的芯片一起来推进。

Q:边缘计算在国内面临的挑战?

陈伟:其实物联网的发展,融合边缘的发展,面临的挑战主要是有三个。

第一,大量的数据发生和大量实时性的需求怎么去平衡,怎么从计算架构、硬件、软件、系统设计里去平衡这两个相互矛盾的特征。

第二是碎片化问题,第三,生态搭建的问题。一直以来不管从早期的PC到数据中心到物联网,搭建生态都是英特尔所谓三力齐发当中主要的一个搭建方向。

标准化一定是解决碎片化的主要方向。早在2016年,我们就跟信通院以及国内外几家企业成立了边缘计算联盟,到今天已经有超过300家的会员了。大家一起去探索边缘标准化的问题。当然随着边缘的融合度越来越大,碎片化还会在不同程度继续发生。

在过去物联网的进程当中,我们有一些非常成功的案例是通过标准化来解决的。比如说大屏显示,IWB行业里面有一个非常成功的标准化叫OPS,就是标准化后面的计算的模型,使得不同的显示屏可以用同样的标准化的计算模型去power。所以标准化一定是一个主要的方向之一,去解决碎片化的挑战。

Q:英特尔在视觉边缘上的进展?在哪一个行业推进的比较顺利?

陈伟:中国过去10年摄像头的技术发生了非常大的飞跃,从早期的模拟到数字,到高清,到网络连接的数字高清摄像头。

我们事业部在过去几个月当中也开始密切观察全球视频技术的发展,中国不管在硬件设备的部署、技术创新、AI运用等方面都是世界领先的,我们预计2025年会有10亿的高清摄像头。

融合边缘的产生很大一部分是因为边缘数据量爆发式增长。数据是从边缘产生的,80%的数据是跟视频有关的,视觉数据不仅用在安防行业里,还有工厂、零售、机器视觉、医疗大数据的成像分析等等。它们真正应用的区别只是在于算法、应用场景、应用目的的不同,所以视频已经完全成为了一个横向的技术。

这三个特征确实代表了推进视频技术前沿的三个重要的领域。今天的应用几乎是跨各个行业的,交通、零售、银行各个场景都有,虽然说应用落地的场景不同,但是使用的技术是相似的。

Q:边缘和AI的融合还停留在边缘推理阶段,还没有达到自主学习更高一层,原因是什么?

陈伟:我们把边缘人工智能分为三个阶段。第一个阶段是边缘推理,也就是目前我们可以实现的;

第二个阶段是边缘训练。在边缘推理的时候,我们往往需要依赖数据中心去实现网络模型训练,然后把训练结果推送到边缘来执行推理操作。但是在很多应用场景当中,对于实时模型更新是有需求的。

比如,在智能制造行业当中,这个批次的产品,我发现了一些异常,我希望能够把这些异常数据提炼出来,利用这些数据进行模型的更新,把这个更新结果马上应用到下一个批次的零件处理过程当中。在这里就需要很多的训练的工作,所以我们认为边缘人工智能发展的第二个阶段是边缘训练的阶段。

第三个阶段是自主训练、自主学习的过程。目前人工智能发展还是有很大的局限性,我们很喜欢开一个玩笑说,“现在人工智能50%是人工,50%是智能”,因为现在的人工智能,不管是从模型的设计、训练还是要通过人来做的,人很多的意志在设计这个网络模型的时候,已经把它嵌入进去了。

我们认为今后自主化系统需要达到的是,机器知道你使用者的目的,根据这个目自主得去选择适宜的网络模型,甚至选择适宜的数据去训练、运用这个网络模型。我们认为这也是边缘人工发展到最高的阶段,当然我们现在离这个阶段还有一定的距离。

Q:这三个阶段的阻力来自于什么?

陈伟:这三个阶段都不容易实现,每个阶段都有各个阶段的挑战。

第一个阶段,边缘推理面临算力、存储、价格、碎片化的挑战。现在一个网络模型动辄需要几十亿,甚至是上百亿次的运算才可以完成推理过程,这对前端的边缘AI芯片提出了很高的要求,所以我们看到算力从几T甚至上百T,算力在第一个阶段是很明显的一个挑战。

到了第二个阶段,边缘训练并不是简单把数据中心的训练照搬到边缘就叫边缘训练。

边缘训练是有其自身的特点的:一是它会使用少量的样本去做二次的训练,就像在工业当中拿一些异常的样本去做训练,一个批次当中可能只有十几个异常样本,如何从十几个异常样本当中得到一个好的迭代的模型去更新网络,这是一个挑战。

二是自主化训练的挑战。传统意义上在数据中心做训练,可以通过人工去标注,把一些异常的东西标注出来,让机器做训练。但是到了边缘都是一些动态数据,不可能派一个工人始终盯着结果,这等于增加了新的负担。如何用一些自主化的、易用的手段去实现数据标注,把标注结果给到边缘计算的机器,应用新的边缘计算方法实现这个模型的灯芯,我们认为这是第二阶段的难题。

到了第三个阶段,如何真正实现这种自主化,如何真正实现网络模型的选择和训练,我们业界叫做Auto machine learning,这还是业界在理论研究层面探讨的话题。去年在国际人工智能顶会ICLR上,一篇满分的论文就是关于这个的,很多问题还没有解决。

回到英特尔,除了第一阶段我们提供的芯片以外,还包括OpenVINO这样的软件工具,帮助用户更方便的去实现人工智能推理,目前我们正在做很多第二阶段的工作,我们正在做很多标注的工具,帮助用户更方便的去实现边缘训练,真正完成从训练到推理这样一个完整的Pipeline(流水线),同时我们也在看一些自主机器学习、联邦学习等等这样一些新的技术。

Q:英特尔现在有哪些方法可以帮助现有芯片效能提升,去应对缺芯的情况

陈伟:摩尔定律在过去几十年当中,一直在持之以恒,在单位面积里面提供了指数级增加的计算能力和存储能力。也许正是摩尔定律,使得我们产生数据的能力也在指数级增长,这是一个相互竞争的过程。

疫情也加速了这样一个改变,全世界对芯片的需求爆增,而且是对系统芯片的需求,不仅仅是对最新制程芯片需求爆增。今天一辆汽车可能是1%-4%的成本在芯片当中,过几年,预计到2030年会达到20%,汽车会成为一个带着轮子的计算机。

随着芯片的需求,数字化、智能化需求的不断增长,对芯片的生产商产能的提高就提出了非常高的要求。英特尔在最近这一段时间做出了非常大的投入,在美国的亚利桑那州投资了几百亿美金,建造了两个新的大的芯片生产工厂,现有制程上提高了25%的产能,通过良率、效率的增加,同时在封装测试技术上的突破,这些在提高产能方面我们的贡献。我们认为全球缺芯的状况,会延续到2023年左右。