导语：周志华，南京大学教授，计算机科学与技术系副主任，软件新技术国家重点实验室常务副主任，机器学习与数据挖掘研究所（LAMDA）所长，中国计算机学会人工智能专委主任；ACM杰出科学家，IEEE Fellow，AAAI Fellow, IAPR Fellow；长江学者特聘教授，国家杰出青年基金获得者。近日，在其相关论文中，周志华特别提到，对于他的新方法（gcForest），英特尔的KNL可能提供了比GPU更加强大的加速。究竟是什么原因产生了这样的结果？带着这个疑问，雷锋网采访了英特尔中国研究院院长宋继强，以期为广大读者深入剖析KNL在gcForest算法方面的计算优势。

近日，周志华教授开源了其在深度学习领域研究的新型算法——gcForest。他在论文中提到，不同于DNN的神经网络结构，它是一种基于决策树集成的方法。同时相比DNN，gcForest的训练过程效率高且可扩展，在仅有小规模训练数据的情况下也照常运转。不仅如此，作为一种基于决策树的方法，gcForest 在理论分析方面也应当比深度神经网络更加容易。

除此之外，周志华在论文最后特别提到，对于他的新方法，英特尔的KNL可能提供了像GPU之于DNN那样的潜在加速。

究竟是什么原因产生了这样的结果？带着这个疑问，雷锋网采访了英特尔中国研究院院长宋继强，以期为广大读者深入剖析KNL在gcForest算法方面的计算优势。

宋继强告诉雷锋网，乐见类似gcForest这样的新算法思路出现，因为这种多样性对于推动AI技术的发展大有裨益。对于人工智能算法的硬件加速，宋继强表示，并不存在一个通用的方案可以包打天下。对于不同的应用场景，应该选择不同的硬件平台。他从技术的角度系统地阐释了KNL和GPU之间各自适用的范围，并不讳言GPU在深度神经网络方面的计算能力，而是从辩证的角度说明了KNL相对GPU在gcForest甚至是DNN计算上的优势所在。

他还剖析了英特尔在人工智能芯片领域的包括KN系列、Lake Crest、FPGA在内的三条重要的产品线的定位，并给出了相应的选择建议，对于甚嚣尘上的AI芯片架构之争是个很好的回应。

同时，采访中还涉及到了英特尔中国研究院下半年在AI方面的计划，研究院和刚成立不久的AIPG之间的定位关系，以及与周志华团队的合作情况等话题。

人物介绍

宋继强博士现任英特尔中国研究院院长。他的研究兴趣包括智能机器人与外界的交互技术，多种形态的智能设备创新，移动多媒体计算，移动平台的性能优化，新型人机界面，并为新的应用使用模式创建软件和硬件环境。

宋博士于2008年加入英特尔中国研究院，时任清华大学-英特尔先进移动计算中心应用研发总监，是创造英特尔Edison产品原型的核心成员。在Edison成功产品化之后，他推动开发了基于Edison的智能设备开发套件来促进Edison技术在创客社区的普及，并发明了称为交互式瓷器的新的设备类别。目前他致力于研发基于英特尔技术的智能服务机器人平台。

从2001年至2008年，他历任香港中文大学博士后研究员、香港应用科技研究院（ASTRI）首席工程师、北京简约纳电子有限公司多媒体研发总监等职。2003年，他研发的算法获得IAPR GREC 国际圆弧识别算法竞赛一等奖。2006年，他参加的计算机读图技术研究荣“获教育部高等学校科学技术二等奖” (第二完成人)。他是IEEE和CCF高级会员，在IEEE TPAMI、IEEE TCSVT、Pattern Recognition、CVPR、ICPR等国际期刊与会议上发表学术论文40余篇。

宋继强于2001年获得南京大学计算机专业博士学位，博士论文被评为全国优秀博士论文。

以下是宋继强院长接受采访实录，雷锋网做了不改变原意的整理：

1

关于gcForest算法

如何看待深度森林（gcForest）和深度神经网络（DNN）？

宋继强：gcForest现在还处在刚刚开始的阶段，就像2006年的深度神经网络一样。现在周老师把gcForest开源给整个学术界、工业界，这是非常好的事情。目前来看它相对于DNN的优势体现在两方面，一方面在于可解释性，一方面在于适用的领域。

可解释性

神经网络目前来看还是一个黑箱，里面有很多超参数，初始的设置包括后来调优的过程，人们不好去琢磨它的理论基础。虽然现在也有一个研究热点，就是做神经网络的可解释性，但这还是在刚刚起步阶段。