英特尔用VPU，把更多AI功能玩到PC上

AI，人工智能，这个东西其实一直都不新鲜。

 

从早些年的科幻作品，到后来的逐步落地，从1997年IBM超级电脑“深蓝”击败国际象棋大师卡斯帕罗夫，到2016年Google AlphaGo战胜围棋冠军李世石，AI一直都在进步，也一直在演化。

 

但因为算力算法、技术能力、应用场景等方面的种种限制，AI一直有些空中楼阁的感觉。

 

直到出现了ChatGPT，AI才真正引燃了普通人的热情，让我们发现，AI竟然如此强大，又如此唾手可得，让众多个体、企业为之兴奋，为之癫狂。

 

 

众所周知，足够强大与合理的硬件、算法，是实现高效、实用AI的两大基石，而在这一番AI热潮中，NVIDIA之所以春风得意，就得益于其在高性能计算领域多年来的布局和深耕，非常适合超大规模的云端AI开发。

 

当然，AI无论实现方式还是应用场景都是多种多样的，既有云侧的，也有端侧的。

 

NVIDIA的重点在云侧和生成式AI，Intel在云侧生成式、端侧判定式同时出击，而随着越来越多的AI跑在端侧，更贴近普通用户日常体验，所带来的提升越来越明显，Intel更是大有可为。

 

端侧AI有几个突出的特点：

 

一是用户规模庞大，应用场景也越来越广泛；

 

二是延迟很低，毕竟不需要依赖网络将指令、数据传到云侧处理再返回；

 

三是隐私安全，不用担心个人信息、商业机密等上传后泄露；

 

四是成本更低，不需要大规模服务器和计算，只需本地设备即可完成。

 

端侧AI，说起来大家可能会感觉很陌生，但其实，人们习以为常的背景模糊、视觉美颜、声音美化(音频降噪)、视频降噪、图像分割等等，都是端侧AI的典型应用场景，背后都是AI在努力。

 

这些应用要想获得更好的效果，就需要更完善、复杂的网络模型，对于算力的需求自然也在快速增长。

 

比如噪音抑制，算力需求已经是两年前的50倍，背景分割也增长了10倍以上。

 

更不要说生成式AI模型出现后，对算力的渴求更是飞跃式的，直接就是数量级的提升，无论是Stable Diffusion，还是语言类GTP，模型参数都是非常夸张的。

 

比如GPT3的参数量达到了1750亿左右，相比GPT2增加了几乎500倍，GPT4估计可达到万亿级别。

 

这些都对硬件、算法提出了更苛刻的要求。

 

 

Intel自然也早就开始关注并投入AI，无论是服务器级的至强，还是消费级的酷睿，都在以各种方式参与AI，“XX代智能酷睿处理器”的说法就在很大程度上源于AI。

 

在此之前，Intel AI方案主要是在CPU、GPU的架构、指令集层面进行加速。

 

比如从十代酷睿和二代可扩展至强加入的基于深度学习的DL Boost，包括VNNI向量神经网络指令、BF16/INT8加速等等。

 

 

比如11代酷睿加入的高斯网络加速器GNA 2.0，相当于NPU的角色，只需消耗很低的资源，就能高效进行神经推理计算。

 

比如代号Sapphire Rapids的四代可扩展至强上的AMX高级矩阵扩展，使得AI实时推理和训练性能提升了多达10倍，大型语言模型处理速度提升了足有20倍，同时配套的软件和工具开发也更加完善丰富。

 

 

在Intel看来，没有单一的硬件架构适用于所有的AI场景，不同硬件各有特点，有的算力强大，有的延迟超低，有的全能，有的专攻。

 

AI作为基础设施也有各种各样的场景应用和需求，负载、延迟都各不相同，比如实时语音和图像处理不需要太强的算力，但是对延迟很敏感。

 

这时候，Intel XPU战略就有着相当针对性的特殊优势，其中CPU适合对延迟敏感的轻量级AI处理，GPU适合重负载、高并行的AI应用。

 

Intel另一个无可比拟的优势就是稳固、庞大的x86生态，无论应用还是开发，都有着广泛的群众基础。

 

现在，Intel又有了VPU。

 

 

将在今年晚些时候发布的Meteor Lake，会首次集成独立的VPU单元，而且是所有型号标配，可以更高效地执行特定AI运算。

 

Intel VPU单元的技术源头来自Intel 2017年收购的AI初创企业Movidius，其设计的VPU架构是革命性的，只需要1.5W功耗就能实现4TOPS的强大算力，能效比简直逆天，最早用于无人机避障等，如今又走入了处理器之中，与CPU、GPU协同发力。

 

VPU本质上是专为AI设计的一套新架构，可以高效地执行一些矩阵运算，尤为擅长稀疏化处理，其超低的功耗、超高的能效非常适合一些需要长期打开并执行的场景，比如视频会议的背景虚化、移除，比如流媒体的手势控制。

 

之所以在已经有了CPU、GPU的情况下，还要做一个VPU，Intel的出发点是如今很多端侧应用是在笔记本上进行，对于电池续航非常敏感，高能效的VPU用在移动端就恰如其分。

 

另一个因素是CPU、GPU作为通用计算平台，本身就任务繁重，再给它们增加大量AI负载，执行效率就会大打折扣。

 

 

 

具体到应用场景，VPU也是非常广泛的，比如说视频会议，现在的CPU AI已经可以实现自动构图(Auto-Framing)、眼球跟踪、虚拟头像/人像、姿势识别等等。

 

加入低功耗、高算力的VPU之后，还可以强化背景模糊、动态降噪等处理，让效果更加精准，比如说背景中的物体该模糊的一律模糊、人手/头发等不该模糊的不再模糊。

 

 

有了高效的硬件、合适的场景，还需要同样高效的软件，才能释放全部实力、实现最佳效果，这对于拥有上万名软件研发人员的Intel来说，真不是事儿。

 

Meteor Lake还没有正式发布，Intel已经与众多生态伙伴在VPU方面展开了合作适配，独立软件开发商们也非常积极。

 

比如Adobe，很多滤镜、自动化处理、智能化抠图等，都可以用VPU来跑。

 

比如Unreal Engine虚幻引擎的数字人，比如虚拟主播，VPU都能很好地实时捕捉、渲染处理。

 

Blender、Audacity、OBS、GIMP……这个名单可以拉出很长一串，而且还在不断增加。

 

 

 

更重要的是，CPU、GPU、VPU并非各行其是，而是可以联合起来，充分发挥各自的优势，达到最好的AI体验效果。

 

比如说基于GIMP里就有一个基于Stable Diffusion的插件，可以大大降低普通用户使用生成式AI的门槛，它就能充分调动CPU、GPU、VPU各自的加速能力，把整个模型分散到不同IP之上，彼此配合，获得最好性能。

 

其中，VPU可以承载VNET模块运行，GPU用来负责编码器模块执行，通过这样的合作，生成一张复杂的图片也只需20秒左右。

 

在这其中，VPU的功耗是最低的，CPU次之，GPU则是最高的。

 

 

 

 

Intel已经充分意识到AI对于PC体验增强的重要性，而为了迎接这一挑战，Intel正在硬件、软件两个层面全力推进，对AI在的端侧的发展、普及打下坚实的基础。

 

硬件层面，CPU、GPU、VPU将组成无处不在的底层平台；软件层面，OpenVINO等各种标准化开发软件将大大推动应用场景的挖掘。

 

未来，搭载Meteor Lake平台的轻薄笔记本就可以轻松运行Stable Diffusion这种大模型来实现文生图，大大降低AI的应用门槛，无论判定式AI还是生成式AI都能高效执行，最终实现真正的AI无处不在。