Nervana这家成立于2014年、专注于AI业务的公司在2016年8月9日被Intel以4.08亿美元的价格收购了，之后他们一直在为Intel开发深度学习方面的加速芯片，主要有NNP-T这款训练用途的大ASIC和NNP-I这款推理用途的小ASIC。从官方声明来看，确定已经被取消的是NNP-T这款较大的用于神经网络训练的ASIC，而NNP-I还将存活一段时间：

……作为本次（路线图）更新的一部分，我们计划兑现当前在NNP-I系列推理加速器（代号“Spring Hill”）上面的承诺，并停止NNP-T（代号“Spring Crest”）的开发。

Intel突然宣布砍掉Nervana产品线这个决定可能与Intel最近收购的Habana Labs有关，Nervana和Habana Labs都是研发神经网络处理器的公司，在业务范围上实际是有重叠的，Intel没有必要保留两条拥有类似目标客户的产品线，砍掉一条，将开发资源集中到另一条产品线上去才是较为合理的选择，所以砍掉Nervana产品线这个举措也算不上是太意外的事情。

根据Wikichip的分析，Nervana的架构更优越一些，但Intel在声明中称Habana的统一式架构更有“战略优势”（The Habana product line offers the strong, strategic advantage of a unified, highly-programmable architecture for both inference and training.）。事实确实如此，NNP-I和NNP-T采用了两种完全不同的架构，前者非常像Intel自家的Ice Lake架构，而后者则用的是完全不同的神经网络架构。切换到Habana的统一式架构上对于未来的产品开发应该是具有相当的好处的。

在IEEE旗下的CVPR（计算机视觉与模式识别）会议中，三星引入了一篇题为《通过优化量化间隔与任务损失进行量化深度网络》的论文，旨在阐述设备上的AI轻量级算法。新算法比现有算法轻量4倍，速度快8倍，从此前的解决方案中得到了显著改进，可作为AI计算的低功耗、高速解决方案的关键。

这也是三星高级技术研究院（SAIT）的成果之一，其保持准确数据识别的情况下要比现有方案更快更节能。三星通过研究深度学习数据的计算方式，除了加法及乘法外，允许引入计算“和”以及“或”，使得将该算法引入到NPU中时，保持了相同结果的同时，还减少了很多的晶体管，从而达到低功耗的目的。

三星想要将该技术引入设备上的AI处理，与云计算中的AI不同，设备上的AI处理直接从设备本身计算数据，可以为虚拟现实、自动驾驶等提供快速稳定的性能。如用于设备认证的个人生物信息也可以更安全的保存在移动设备中。

三星已经在去年推出的Exynos 9（9820）SoC中采用了三星专属的NPU，所以三星早已开始布局人工智能领域，而三星也表示未来还将其研究的算法应用在如传感器等更多产品中，增强和扩展其在AI领域的应用。

来自venturebeat的消息，三位人工智能领域的先驱——多伦多大学教师兼Google Brain研究员Geoffrey Hinton，纽约大学教授兼Facebook首席人工智能科学家Yann LeCun，以及Element AI创始人兼蒙特利尔大学教授Yoshua Bengio——于昨日上午获得了图灵奖。三人将分享今年的奖项，以及100万美元奖金，其中部分奖金由谷歌提供。

“人工智能现在是所有科学领域发展最快的领域之一，也是社会上最受关注的话题之一，”ACM总裁Cherri M. Pancake在一份声明中表示。“人工智能的增长和兴趣在很大程度上归功于Bengio，Hinton和LeCun奠定基础的深度学习的最新进展。数十亿人使用这些技术。任何在口袋里都装有智能手机的人都可以体验到自然语言处理和计算机视觉方面的进步，这在10年前是不可能实现的。除了我们每天使用的产品之外，深度学习的新进展为科学家提供了强大的新工具——从医学到天文学到材料科学。“

Hinton过去30年来一直在处理人工智能的一些最大挑战，他被一些人称为“人工智能教父”。除了他在神经网络方面的开创性工作，他还撰写或合著了200多篇经过同行评审的机器学习、感知、记忆和符号处理方面的出版物，其中包括一篇于1986年写的关于机器学习技术的论文。在越来越便宜，越来越强大的计算机硬件的帮助下，现在已经实现了计算机视觉，自然语言处理（NLP），机器翻译，药物设计和材料检查的巨大飞跃，一些神经网络算法产生的结果甚至优于人类专家。

Bengio是最早将神经网络与序列概率模型相结合的人之一，这一概念已经扩展到当代语音识别系统。在近二十年前发表的一篇论文中，他介绍了词嵌入的概念，再加上Bengio最近与计算机科学家和Google Brain研究员Ian Goodfellow关于生成对抗网络（GAN）的工作——这些彻底改变了机器翻译，图像生成，音频合成和文本到语音等系统领域。

LeCun也同样伟大，由他开发的卷积神经网络常用于分析视觉图像，也应用于其他许多应用，包括自动驾驶，医学图像分析，声控助理和信息过滤。此外，他推广了分层特征表示的概念以及可以操纵结构化数据的AI模型体系结构。

谷歌高级研究员和Google Brain负责人Jeff Dean说：“Yoshua Bengio，Geoff Hinton和Yann LeCun通过深度神经网络不仅改变了计算领域，显著提高了计算机理解世界的能力，而且几乎改变了科学和人类努力的每一个领域。”

在此向伟大的科学家致敬。

关于DLSS技术，我们以前已经介绍过很多，详情可以点击这里延伸阅读，大概来说就是一种能够提升图形性能的技术，而且幅度还很明显，根据我们之前基于《最终幻想XV Windows Edition》的测试，有20%-30%的性能提升，所以还是颇为可观的，有时候架构更新换代相同定位都未必有这么多。然而需要注意的是，无论是之前的《古墓丽影：暗影》还是现在的《地铁》都还是计划而已，无论是光线追踪还是深度学习抗锯齿，支持的游戏分别是《战地V》、《最终幻想XV Windows》，仅仅这两款而已。

其实不仅仅是这样，《地铁》新作按照之前德语媒体PCGamesHardware的爆料，会支持毛发技术HairWorks、高级物理加速效果Advanced PhysX，这些都让这款作品成为无论是技术上，还是图形效果上的盛宴，当然，按照4A Games一贯的风格，硬件配置肯定不会低。

图片来自PCGamesHardware.de

EEtimes日前采访了AMD首席技术官Mark Papermarster，谈到了AMD的AI战略、7nm Vega、Zen 2处理器以及未来的制程工艺选择等问题，不过大家放心，Papermarster对于新产品、新技术及新工艺等问题一点劲爆的料都没提，严守了公司秘密，比较重要的内容就是确认了AMD会在AI市场大展宏图。

Mark Papermarster宣称AMD公司有着全面的机器学习策略，将会为数据中心、边缘计算等提供AI引擎，但是具体的细节就没了，AMD到底会提供什么样的产品用于AI市场？会为AI、深度学习等计算做有什么优化？这些问题就没得说了。

EEtimes提到了AMD早在2016年就推出了面向深度学习的GPU加速，这就是Radeon Instinct加速卡，其中Radeon Instinct MI25采用了新一代Vega架构，拥有64组NCU单元，换算过来就是4096个SP流处理器，配合16GB的HBM2显存，显存带宽高达484 GB/s。半精度浮点性能有了很大进步，达到了24.6TFLOP，而单精度也有12.3TFLOPS。

在这之后，谷歌推出了用于深度学习的TensorFlow处理器，在硬件中添加了MAC（乘法累加单元）加速深度学习计算。2017年5月份NVIDIA推出了Volta显卡，这是第一款加入MAC单元的显卡，被NVIDIA称为Tensor单元。

英特尔今年早些时候计划将其收购来的Movidius加速器单元转移到运行Windows ML的PC平台上，分析师认为英特尔最终会把Movidius单元集成到CPU中。

Mark Papermarster没有确认AMD今年底将要发布的Vega或者明年初发布的7nm Zen2处理器上是否添加MAC运算单元，不过他表示即将推出的Vega GPU支持16位浮点意外的运算——这点其实也不是新闻了，早在发布之前，AMD就提到了7nm Vega加入了新的深度学习指令，支持了8位运算。

现在各大公司都在研究加速深度学习研究的算法，ARM在ML Core中加入了8位运算，NVIDIA已经在研究2位操作，英特尔则在计划单位操作。

根据百度方面的信息，他们从2011年开始就在研究基于FPGA的AI加速器，在数据中心中则开始使用GPU，如今推出的昆仑AI芯片则是集合了多年来在CPU、GPU及FPGA领域研究的所长，迭代了20多次才研发出来的。

昆仑AI芯片除了能计算深度学习算法之外，还可以适配自然语言处理、大规模语音识别、自动驾驶、大规模推荐等终端场景计算要求。百度CEO李彦宏表示昆仑是目前业内设计算力最高的AI芯片。

具体来说，昆仑AI芯片使用三星14nm工艺代生产，内部有成千上万个小核心，30倍性能于FPGA加速器，带宽512GB/s，100W功耗下能带来260TFOPS的AI性能。

260TFLOPS的性能确实不低，此前AI独角兽寒武纪发布的MLU100加速器在80W、100W功耗下分别能提供128TFLOPS、166TFLOPS的性能，NVIDIA的Telsa V100 NVLink版的深度学习性能是125TFLOPS，TDP功耗300W，不过V100是GPU加速AI运算，其本身也是高性能GPU，跟专用的AI芯片还不一样，这里只是比较下AI性能。

VACnet将会采用深度学习的策略分析玩家的作弊行为，然后将他们的行为深度识别-分类，在这之后还有很多复杂的判断和算法，不过大家或许没有想到的是这套VACnet系统是运转在非常昂贵、高成本的硬件平台上，这其实也是非常正常的事，虽然受欢迎程度不及《绝地求生》，但是Valve运营的游戏同时还包括很多热门的作品，每天的玩家和战斗都非常多，为支撑起这套系统，Valve共购置64套刀锋式服务器（Blade Servers），每套服务器拥有54颗处理器，也就是共有3456颗处理器，同时每套还拥有128GB内存，才能支撑起每天浩如烟海般的玩家信息、战局信息，并且支持VACnet需要的大数据训练。