前言:

去年,由于AI运算高性能产品需求在下半年大幅增加,英特尔时隔3年重返半导体厂商销售额榜首。对于未来,AI是英特尔“必须赢下的市场”。

作者 | 方文

半导体行业大型并购频发

英伟达宣布将以400亿美元现金加股票的形式收购Arm。

AMD又宣布将以350亿美元收购赛灵思。

Marvell宣布将通过股票加现金的方式,以总价约100亿美元的价格收购模拟芯片制造商Inphi。

英特尔最新的收购看似不值得关注,但对其AI发展可能意义重大。

在过去的几年中,英特尔将其精力集中在专用芯片领域,包括专门为人工智能(AI)等产品设计的芯片。

AI芯片没有看起来那么拥挤

在PC时代称霸的英特尔,如今想要在人工智能时代,撼动英伟达的领导地位。

AI相关营收激增,动作频繁,加之最新推出的首款云端AI专用芯片,让人不禁猜测:英特尔的追赶之路或将提速。

人工智能时代,GPU被视作训练人工智能的主要方式,全球主流的硬件平台都在使用GPU进行加速。

因此,GPU的领军者英伟达在获得新增长点的同时,也在这一领域站稳了脚跟。

在此之后,许多芯片厂商、AI初创企业,甚至云计算厂商这样的芯片大客户都开始自研AI芯片。

目前真正通用的AI芯片只有GPU。AI芯片的角逐场上,远没有看起来那么拥挤。

英特尔向AI转型抵消下降趋势

英伟达、AMD和Arm这样的竞争对手正在缩小与英特尔的性能差距。

考虑到这一点,英特尔正在利用即将到来的技术和优化的下一代芯片来推动AI的发展。

在第三季度,英特尔报告的收入为183．3亿美元,与去年同期相比下降了3%,英特尔最新一季财报下降的原因是其数据中心集团营收下降7%。

然而,市场预测到2024年AI芯片市场的价值将超过250亿美元。随着行业的不断发展,以及AI在实际部署中逐步普及,英特尔将有更大的增长空间。

内忧外患之下,英特尔选择了买买买和卖卖卖,试图通过收购可以面向未来布局业务和出售当前非核心业务来实现新一轮的转型。

就在上个月,英特尔将NAND闪存业务以90亿美元的价格卖给了SK海力士。

而在这场交易中,英特尔计划将本次交易获得的资金用于开发业界领先的产品和加强其具有长期成长潜力的业务重点,包括AI、5G网络与智能、自动驾驶相关边缘设备。

英特尔的AI投资也使其创造除了CPU之外新收入来源的战略组成部分。

英特尔的目标是在“全芯片”市场中占据30%的市场份额,而提出这个愿景的时候,竞争对手AMD正在向英特尔核心CPU业务施加的更大压力。

在10纳米处理器硬件出现延迟之后,英特尔宣布将推迟其7纳米制造工艺。在斥资20亿美元收购芯片制造商Habana Labs之后,该公司在2月终止了其Nervana AI模型训练技术的开发。

值得关注的是,SigOpt服务了一些非常知名的大公司。这种支持使它得以开发出有趣的技术,这些技术现在将有助于推动英特尔 AI 芯片业务的发展。

考虑到这一点,英特尔正在利用即将到来的技术和优化的下一代芯片来推动 AI 的发展。

去年,英特尔的AI相关业务收入不到40亿美元。收购SigOpt将帮助其在未来的AI市场大幅提高收入。

收购SigOpt聚焦AI芯片整合提升

SigOpt公司位于美国旧金山,开发的软件平台主要被私有公司和OpenAI等研究组织使用,用于提高AI模型的性能,而这主要是通过一种超参数优化的方法做到的。

SigOpt的AI软件技术能够在包括深度学习、机器学习和数据分析方面的软硬件参数、使用场景和工作负载层面提升生产力和性能。

SigOpt的软件技术与英特尔的硬件相结合,预计将推动AI的进一步采用。

英特尔计划在其硬件产品中使用SigOpt的技术,为开发者加速、扩大人工智能软件工具的规模。

超参数是开发人员定义的一种设置,可影响AI处理数据的方式,其中包括模型中人工神经元的数量以及这些神经元彼此交互的方式。

超参数优化是SigOpt的专长,这个过程中各种设置通过优化最大限度提升性能。

SigOpt的平台让开发人员可以指定他们希望改善的AI属性,然后创建一个“优化循环”以对其进行自动微调,在复杂的项目中,可以一次微调多个属性。

该平台可以与很多不同种类的AI配合使用,包括机器学习模型和更复杂的深度学习模型。

英特尔计划在其AI硬件产品中使用SigOpt的软件技术来帮助加速、增强以及扩展英特尔为开发者提供的AI软件解决方案。

英特尔有了SigOpt的性能优化功能,就可以帮忙那些在英特尔芯片上运行AI模型的企业客户实现更高的处理速度。

交易完成后SigOpt的技术将“跨英特尔AI硬件产品”进行集成。

SigOpt首席执行官兼联合创始人Scott Clark与首席技术官兼联合创始人Patrick Hayes将加入英特尔的机器学习性能团队。

他们带来了英特尔所迫切期待的技术人才,来帮助解决某些客户所面临的最严峻挑战。

几年前已布局开展专用芯片

早在2016年8月,为了进入深度学习训练芯片市场,英特尔以大约3．5亿美元收购了Nervana。

Nervana的深度学习芯片有着10倍于GPU的速度,能帮助英特尔在深度学习特定应用的集成电路方面获取竞争优势。

三年后,英特尔公布了首款云端AI专用芯片Nervana神经网络处理器(NNP)系列产品,被视作对GPU的正面回应。

之后,同样在2019年,英特尔再次凭借一起收购引发关注——英特尔花费20亿美元收购以色列AI芯片制造商HabanaLabs。

AI计算不存在一个通用的解决方案,涉及预算、芯片和系统等多个要素。英特尔的策略是给客户选择的空间,来挑选适合具体需求的硬件。

英特尔已拥有从CPU、GPU、FPGA到ASIC的AI芯片,全面的产品线也使英特尔具备了差异化优势。

结尾:

现在,英特尔在CPU的基础上,加入并完善GPU、FPGA、AI芯片、视觉处理芯片等不同类型的计算架构,已经形成了一个完整的芯片家族,将为接下来的数据中心、物联网和边缘计算提供一个全家桶式的计算解决方案。

英特尔能够将这些芯片推广给原有的CPU客户,还要看这些芯片之间的兼容性和通信联接能力,以及产品的性价比。而这都需要时间来证明,但是留给英特尔的时间确实也只有接下来的几年了。