如果我两年前这么说，吴恩达肯定会站出来反对。但现在，吴恩达也是第一批意识到深度学习不需要那么高精确度计算的人。英特尔与百度合作，在百度大脑开始了实验室，专门研究低精度运算。现在，我们研究用于激活的 1 位低精度计算。从 32 位到 16 位、8 位……2 位、1 位，这样从高精度到低精度的发展是必然的趋势吗？还是说到了 1 位，就是与 32 位在原理上完全不同的计算了？这是都开放的问题，我们正在研究。

新智元：你们与百度合作，atv，百度有意向研发自己的芯片吗？

Amir：百度有很强的硬件团队，也在开发自己的 FPGA 产品。但这个问题你得问陆奇（笑）。

深度学习模型在某种程度上可能朝着暴力计算发展

新智元：CPU 的未来会怎么样？

Amir：Nervana 在初创公司时曾经跟 CPU 抗争，很难，现在我们发现这更难了。现在的深度学习模型在某种程度上可能朝着暴力计算发展，需要输入大量的数据才能分辨事物。未来的深度学习模型可能更小、模型利用率更高，这样就不需要几十亿的 TPFLOTS——实际上，深度学习，要成功，要超越竞争者，不仅仅看 TPFLOTS。

另外，有一个很好的例子 AlphaGo，AlphaGo 展现了一种非常有趣的架构，一方面有不同的卷积神经网络，一方面是蒙特卡洛搜索树。两者有机地结合——你很难将两者区分开来。而开发一种架构做这些不同的事情是很难的，因此 CPU 可能是为这种综合架构做计算最好的选择。所以，将来你要做深度学习 + 演化搜索 + 蒙特卡洛树搜索 + ……，CPU 足够灵活。我认为，在未来 CPU 将永远重要（relevant）。

当然，就像我刚才说的那样，要成功不仅仅是靠处理器，还有生态系统和商业模式要考虑，以及真正做出能用、能卖得出去的东西。

硬件团队最该过硬的是软件部门

新智元：去年新智元采访了 Nervana CEO，也是现在英特尔公司副总裁兼英特尔人工智能产品事业部总经理 Naveen Rao，他说英特尔的一大强项是有非常完备的产品组合，能够针对不同的需求提供不同的产品。但正如你所说，技术和市场在快速发展，尤其是人工智能和深度学习。英特尔如何确保自己随时都能满足客户新的需求？

Amir：技术周期是比较长的，这期间芯片的架构确实可能过时，或者有竞争对手出现。但是，在Nervana 也好，在英特尔也一样，我们发现做机器学习是非常难的一件事情——并不是难在你做出一款能解决一切的超级芯片，而是难在周围的事情。谷歌在 2015 年发表了一篇很有意思的论文，叫《构建机器学习系统的技术难点》（注释：实际上论文题为“Hidden Technical Debt In Building A Machine Learning System”，谷歌团队在 2015 年 NIPS 发表）。

论文里面有张图，芯片是中间黑色的小小一块，周围是其他各种工程上的问题，比如安全、延迟……只有集齐了这些才能做出一个好的解决方案。要做好深度学习不仅仅是靠处理器。

当然，话说回来，在英特尔，我们有实验室，在很多很酷很激动人心的项目，我们也有把其中一些做成产品——那就是 AIPG （英特尔的人工智能产品集团）上场的地方——我希望这些将来都能有所应用。在你看见的产品之外，英特尔在研发方面有很大的投资。另一方面，现在你看到的已经做出来的产品，它们之所以存在，不仅仅是由于技术好用，也是因为它们足够稳定可靠。

新智元：确实，除了芯片或者说硬件以外，更多是构建生态系统的过程。在愈发讲究“软硬结合”的现在，英特尔 AI 产品在软件方面有什么布局呢？

Amir：在业内有句话叫，“硬件团队最该过硬的是软件部门”（The hardest part of your hardware team is your software team）。软件团队总是比硬件团队要大得多得多。开发在硬件处理器上跑的软件是一项浩大的工程，在英特尔 AIPG 是这样，Xeon 和 Xeon Phi 团队也是如此。