文 | 邱曉芬

編輯 | 蘇建勛 

10月12日，英特爾宣布成立全球視頻事業部，并且首次把這一總部放在了國內。“視頻技術方面，中國不管在硬件設備的部署、技術創新、AI運用等方面都是世界領先的”，英特爾公司物聯網事業部副總裁陳偉表示。

不過，這個新部門這并不是要“PK抖音”做短視頻，背后是英特爾在邊緣計算方面的一盤棋。

可以觀察到的一個變化是，在安防、交通這些習以為常遍布天眼的場景之外，攝像頭在其他行業的滲透速度還在加快，比如超市出現了越來越多的帶識別功能的智能生鮮秤、自主POS機，自動生產線上的缺陷檢測攝像頭也比比皆是。

“2025年，我們預計會出現10億的高清攝像頭，視頻技術已經完全成為了一個橫向的基礎技術”，陳偉表示。

攝像頭的出現，視頻數據量暴漲，同時在安全隱私、高實時性需求驅動下，各個領域的運算過程從云端向邊緣進軍。“有50%的數據需要回歸本地”，并且在邊緣計算的過程中，“產生的數據有80%都是視頻信息”。

要支持邊緣計算的落地應用，服務器本身不僅需要有強大的運算能力，還要兼顧更實時更新的能力等等。顯然，英特爾正在讓自己的產品適應這一變化。

英特爾的產品架構包括CPU、VPU、FPGA，以及不久前剛推出的GPU。工業客戶采用英特爾處理器的時候，一般會分出一部分算力去用于邊緣計算機器視覺分析。據介紹，新成立的視頻事業部的職責是，會在服務器產品中提供相應的視頻技術支持，提供適應需求的定制化的芯片。

陳偉表示，視頻事業部定下的技術目標是，要提供能支持高密度計算、視頻流優化，以及能夠支持異構芯片使用的視頻能力。

對于新部門的職責、國內邊緣計算的發展階段和挑戰，英特爾公司物聯網事業部副總裁陳偉和36氪在內的媒體聊了聊。

以下是采訪記錄（略有摘編）

Q：新事業部主要做哪些方面的業務？

陳偉：物聯網事業部一共有5個BU，物聯網視頻事業部的主要功能是提供橫向的視頻技術。這個技術會圍繞三個技術特征。一是高密度計算，高通道的視頻流，不管是獲取、存儲、傳輸、編解碼。二是AI運算，有效的數據分析，不管是傳統的計算視覺或者是深度學習。三是復雜計算層次結構。

云邊協同我們談了幾年了，很多云的原生態的技術會切入到邊緣來。因為很多需求，安全、隱私、實時性，使得這些運算必須在本地發生，50%的數據將會在本地處理。這里面就涉及到所謂的計算架構層次優化的問題。

這次英特爾首次把總部放在了中國，這不是中國的物聯網視頻事業部，而是全球的物聯網視頻事業部。

Q：融合邊緣計算的發展預測？定制化芯片是否成為主流？

陳偉：融合邊緣是一個非常大的市場，我們認為這個市場在幾年后是一個650億美元的市場，不可能是由一家公司從產品層面解決所有問題。

英特爾物聯網事業部的戰略是，第一，我們提供芯片，提供高計算性能的芯片，支持負載整合，第二，我們今天強調的視頻，我們認為視頻可以產生非常大的數據量，前面提到的三個技術特征，都會使得高性能芯片會發揮最強的作用。

整個物聯網，整個邊緣計算，要真正蓬勃發展的話是整個生態的合作，一定會有定制化的芯片，也會有平臺化的芯片一起來推進。

Q：邊緣計算在國內面臨的挑戰？

陳偉：其實物聯網的發展，融合邊緣的發展，面臨的挑戰主要是有三個。

第一，大量的數據發生和大量實時性的需求怎么去平衡，怎么從計算架構、硬件、軟件、系統設計里去平衡這兩個相互矛盾的特征。

第二是碎片化問題，第三，生態搭建的問題。一直以來不管從早期的PC到數據中心到物聯網，搭建生態都是英特爾所謂三力齊發當中主要的一個搭建方向。

標準化一定是解決碎片化的主要方向。早在2016年，我們就跟信通院以及國內外幾家企業成立了邊緣計算聯盟，到今天已經有超過300家的會員了。大家一起去探索邊緣標準化的問題。當然隨著邊緣的融合度越來越大，碎片化還會在不同程度繼續發生。

在過去物聯網的進程當中，我們有一些非常成功的案例是通過標準化來解決的。比如說大屏顯示，IWB行業里面有一個非常成功的標準化叫OPS，就是標準化后面的計算的模型，使得不同的顯示屏可以用同樣的標準化的計算模型去power。所以標準化一定是一個主要的方向之一，去解決碎片化的挑戰。

Q：英特爾在視覺邊緣上的進展？在哪一個行業推進的比較順利？

陳偉：中國過去10年攝像頭的技術發生了非常大的飛躍，從早期的模擬到數字，到高清，到網絡連接的數字高清攝像頭。

我們事業部在過去幾個月當中也開始密切觀察全球視頻技術的發展，中國不管在硬件設備的部署、技術創新、AI運用等方面都是世界領先的，我們預計2025年會有10億的高清攝像頭。

融合邊緣的產生很大一部分是因為邊緣數據量爆發式增長。數據是從邊緣產生的，80%的數據是跟視頻有關的，視覺數據不僅用在安防行業里，還有工廠、零售、機器視覺、醫療大數據的成像分析等等。它們真正應用的區別只是在于算法、應用場景、應用目的的不同，所以視頻已經完全成為了一個橫向的技術。

這三個特征確實代表了推進視頻技術前沿的三個重要的領域。今天的應用幾乎是跨各個行業的，交通、零售、銀行各個場景都有，雖然說應用落地的場景不同，但是使用的技術是相似的。

Q：邊緣和AI的融合還停留在邊緣推理階段，還沒有達到自主學習更高一層，原因是什么？

陳偉：我們把邊緣人工智能分為三個階段。第一個階段是邊緣推理，也就是目前我們可以實現的；

第二個階段是邊緣訓練。在邊緣推理的時候，我們往往需要依賴數據中心去實現網絡模型訓練，然后把訓練結果推送到邊緣來執行推理操作。但是在很多應用場景當中，對于實時模型更新是有需求的。

比如，在智能制造行業當中，這個批次的產品，我發現了一些異常，我希望能夠把這些異常數據提煉出來，利用這些數據進行模型的更新，把這個更新結果馬上應用到下一個批次的零件處理過程當中。在這里就需要很多的訓練的工作，所以我們認為邊緣人工智能發展的第二個階段是邊緣訓練的階段。

第三個階段是自主訓練、自主學習的過程。目前人工智能發展還是有很大的局限性，我們很喜歡開一個玩笑說，“現在人工智能50%是人工，50%是智能”，因為現在的人工智能，不管是從模型的設計、訓練還是要通過人來做的，人很多的意志在設計這個網絡模型的時候，已經把它嵌入進去了。

我們認為今后自主化系統需要達到的是，機器知道你使用者的目的，根據這個目自主得去選擇適宜的網絡模型，甚至選擇適宜的數據去訓練、運用這個網絡模型。我們認為這也是邊緣人工發展到最高的階段，當然我們現在離這個階段還有一定的距離。

Q：這三個階段的阻力來自于什么？

陳偉：這三個階段都不容易實現，每個階段都有各個階段的挑戰。

第一個階段，邊緣推理面臨算力、存儲、價格、碎片化的挑戰。現在一個網絡模型動輒需要幾十億，甚至是上百億次的運算才可以完成推理過程，這對前端的邊緣AI芯片提出了很高的要求，所以我們看到算力從幾T甚至上百T，算力在第一個階段是很明顯的一個挑戰。

到了第二個階段，邊緣訓練并不是簡單把數據中心的訓練照搬到邊緣就叫邊緣訓練。

邊緣訓練是有其自身的特點的：一是它會使用少量的樣本去做二次的訓練，就像在工業當中拿一些異常的樣本去做訓練，一個批次當中可能只有十幾個異常樣本，如何從十幾個異常樣本當中得到一個好的迭代的模型去更新網絡，這是一個挑戰。

二是自主化訓練的挑戰。傳統意義上在數據中心做訓練，可以通過人工去標注，把一些異常的東西標注出來，讓機器做訓練。但是到了邊緣都是一些動態數據，不可能派一個工人始終盯著結果，這等于增加了新的負擔。如何用一些自主化的、易用的手段去實現數據標注，把標注結果給到邊緣計算的機器，應用新的邊緣計算方法實現這個模型的燈芯，我們認為這是第二階段的難題。

到了第三個階段，如何真正實現這種自主化，如何真正實現網絡模型的選擇和訓練，我們業界叫做Auto machine learning，這還是業界在理論研究層面探討的話題。去年在國際人工智能頂會ICLR上，一篇滿分的論文就是關于這個的，很多問題還沒有解決。

回到英特爾，除了第一階段我們提供的芯片以外，還包括OpenVINO這樣的軟件工具，幫助用戶更方便的去實現人工智能推理，目前我們正在做很多第二階段的工作，我們正在做很多標注的工具，幫助用戶更方便的去實現邊緣訓練，真正完成從訓練到推理這樣一個完整的Pipeline（流水線），同時我們也在看一些自主機器學習、聯邦學習等等這樣一些新的技術。

Q：英特爾現在有哪些方法可以幫助現有芯片效能提升，去應對缺芯的情況

陳偉：摩爾定律在過去幾十年當中，一直在持之以恒，在單位面積里面提供了指數級增加的計算能力和存儲能力。也許正是摩爾定律，使得我們產生數據的能力也在指數級增長，這是一個相互競爭的過程。

疫情也加速了這樣一個改變，全世界對芯片的需求爆增，而且是對系統芯片的需求，不僅僅是對最新制程芯片需求爆增。今天一輛汽車可能是1%-4%的成本在芯片當中，過幾年，預計到2030年會達到20%，汽車會成為一個帶著輪子的計算機。

隨著芯片的需求，數字化、智能化需求的不斷增長，對芯片的生產商產能的提高就提出了非常高的要求。英特爾在最近這一段時間做出了非常大的投入，在美國的亞利桑那州投資了幾百億美金，建造了兩個新的大的芯片生產工廠，現有制程上提高了25%的產能，通過良率、效率的增加，同時在封裝測試技術上的突破，這些在提高產能方面我們的貢獻。我們認為全球缺芯的狀況，會延續到2023年左右。

end