作为神经科学家，Amir 也不看好神经形态计算——类脑芯片的前景。他认为类脑计算从研究来看很有趣，但要成为产品还不切实际。“去模拟一个你还不理解的东西是没有道理的。”Amir 说。

下面是经过整理的采访全文实录。

深度学习不需要那么高精确度的计算

新智元：2016 年 Nervana 被英特尔收购后，说预计 2017 年 Q1 将推出一款芯片Lake Crest 。现在英特尔宣布 2017 年下半年推出这款芯片。为什么时间一再延迟？

Amir：其中一个原因是，当时 Nervana 那款芯片是只为了 Nervana 自己制作的。如果放在 Nervana Cloud 上很快就可以出一款芯片。但是，到了英特尔，需要制作为很多不同客户使用的处理器，这些客户都是大公司，包括谷歌、Facebook 在内，必须要能完美地运行，在乘积单元之外，还需要做很多事情。Nervana 当时的计划是制作一款在 Nervana 的数据中心运行的处理器。到了英特尔以后，我们的策略、规格、质量标准都改变了，我们要把“Nervana 为自己做的处理器”变成“英特尔给大家的处理器”，这是发布时间延迟很大一部分原因。这是件好事，因为英特尔在这款芯片上投入了很多。

新智元：英特尔未来 3 到 5 年的 AI 产品线是怎样的？

Amir：整合了 Nervana 技术以后，英特尔计划推出名为 Knights Crest 的系列产品线。我们最先公布的是 Lake Crest，这是一款 28 纳米的芯片，预计今年下半年上市。这之后，对于深度学习这一块，我认为未来将朝着两大不同的方向发展——一是拥有越来越强的计算力，一是整合异构计算。

深度学习领域发展非常迅速，我们必须做好多手准备以确保万无一失。不同的问题和不同的工作流需要不同的硬件，因此接下来英特尔将有一系列 Crest 产品推出。第一版 Lake Crest 的特点是有很强的原始计算力（Raw Compute），是你能在一块芯片上放的原始计算力的极限。一方面，随着工艺的提升，从 28 纳米到 16 纳米、14 纳米、10 纳米……Crest 产品将拥有越来越强的计算力，浮点计算和峰值性能也会提升。

另一方面，我们会走一条类似图像［处理器］的进程。上世纪 90 年代初，图像处理是在 CPU 上做的，后来有人发明了 GPU（图像处理器），更适合处理图像数据，再后来又有人把这个 IP 放到 CPU 里，所有现在我们有了同时有一堆 CPU 核和 GPU 核的 CPU。这种 CPU 里，GPU 核占的比例会根据使用场景产生变化，有时候很大（比如在手机），有时候（比如在数据中心）则会很小或没有。我认为 Crest 产品线也会这样，在同一个 CPU 处理器里，既有 CPU 核，也有神经网络核——如果是数据中心用，那么神经网络核就会多一些，如果是笔记本电脑用，那么就有神经网络核、GPU 核和 CPU 核。这就是我们对数据中心处理器的预期（vision），现在我们正式公布的只有 Lake Crest，后面的事情不好说。

新智元：后面的事情不好说？

Amir：领域不同的方向在以不同的速度发展。实际部署一个深度学习模型需要的不仅是模型本身，在工程、产品和客户等其他方面也要配合才能成功并赚钱。有些公司的商业周期很长，因为要打磨产品，而单纯看研究，三年后用的技术可能跟三年前完全不同——现在我们用深度学习，三年后我们或许就不用神经网络了，或许用的是完全不同的神经网络……现在研究里我看到令人兴奋的东西太多了，最后哪个会大获成功现在还说不好。所以，为了做好准备，我们有一个多样化的产品组合，在这方面英特尔有 CPU，也有 FPGA，很多。

在研究方面，英特尔最近成立了人工智能应用实验室，我是负责人，实验室里进行很多研究——有些很疯狂——就是为了应对将来使用神经网络以外的技术时，英特尔也有适合的产品。我们针对很多不同的架构都有做开发。举例来说，做深度学习不需要 32 位计算，我们在实验室开发 16 位、8 位到 2 位、1 位的计算架构。