文 | 邱晓芬

编辑 | 苏建勋 

10月12日，英特尔宣布成立全球视频事业部，并且首次把这一总部放在了国内。“视频技术方面，中国不管在硬件设备的部署、技术创新、AI运用等方面都是世界领先的”，英特尔公司物联网事业部副总裁陈伟表示。

不过，这个新部门这并不是要“PK抖音”做短视频，背后是英特尔在边缘计算方面的一盘棋。

可以观察到的一个变化是，在安防、交通这些习以为常遍布天眼的场景之外，摄像头在其他行业的渗透速度还在加快，比如超市出现了越来越多的带识别功能的智能生鲜秤、自主POS机，自动生产线上的缺陷检测摄像头也比比皆是。

“2025年，我们预计会出现10亿的高清摄像头，视频技术已经完全成为了一个横向的基础技术”，陈伟表示。

摄像头的出现，视频数据量暴涨，同时在安全隐私、高实时性需求驱动下，各个领域的运算过程从云端向边缘进军。“有50%的数据需要回归本地”，并且在边缘计算的过程中，“产生的数据有80%都是视频信息”。

要支持边缘计算的落地应用，服务器本身不仅需要有强大的运算能力，还要兼顾更实时更新的能力等等。显然，英特尔正在让自己的产品适应这一变化。

英特尔的产品架构包括CPU、VPU、FPGA，以及不久前刚推出的GPU。工业客户采用英特尔处理器的时候，一般会分出一部分算力去用于边缘计算机器视觉分析。据介绍，新成立的视频事业部的职责是，会在服务器产品中提供相应的视频技术支持，提供适应需求的定制化的芯片。

陈伟表示，视频事业部定下的技术目标是，要提供能支持高密度计算、视频流优化，以及能够支持异构芯片使用的视频能力。

对于新部门的职责、国内边缘计算的发展阶段和挑战，英特尔公司物联网事业部副总裁陈伟和36氪在内的媒体聊了聊。

以下是采访记录（略有摘编）

Q：新事业部主要做哪些方面的业务？

陈伟：物联网事业部一共有5个BU，物联网视频事业部的主要功能是提供横向的视频技术。这个技术会围绕三个技术特征。一是高密度计算，高通道的视频流，不管是获取、存储、传输、编解码。二是AI运算，有效的数据分析，不管是传统的计算视觉或者是深度学习。三是复杂计算层次结构。

云边协同我们谈了几年了，很多云的原生态的技术会切入到边缘来。因为很多需求，安全、隐私、实时性，使得这些运算必须在本地发生，50%的数据将会在本地处理。这里面就涉及到所谓的计算架构层次优化的问题。

这次英特尔首次把总部放在了中国，这不是中国的物联网视频事业部，而是全球的物联网视频事业部。

Q：融合边缘计算的发展预测？定制化芯片是否成为主流？

陈伟：融合边缘是一个非常大的市场，我们认为这个市场在几年后是一个650亿美元的市场，不可能是由一家公司从产品层面解决所有问题。

英特尔物联网事业部的战略是，第一，我们提供芯片，提供高计算性能的芯片，支持负载整合，第二，我们今天强调的视频，我们认为视频可以产生非常大的数据量，前面提到的三个技术特征，都会使得高性能芯片会发挥最强的作用。

整个物联网，整个边缘计算，要真正蓬勃发展的话是整个生态的合作，一定会有定制化的芯片，也会有平台化的芯片一起来推进。

Q：边缘计算在国内面临的挑战？

陈伟：其实物联网的发展，融合边缘的发展，面临的挑战主要是有三个。

第一，大量的数据发生和大量实时性的需求怎么去平衡，怎么从计算架构、硬件、软件、系统设计里去平衡这两个相互矛盾的特征。

第二是碎片化问题，第三，生态搭建的问题。一直以来不管从早期的PC到数据中心到物联网，搭建生态都是英特尔所谓三力齐发当中主要的一个搭建方向。

标准化一定是解决碎片化的主要方向。早在2016年，我们就跟信通院以及国内外几家企业成立了边缘计算联盟，到今天已经有超过300家的会员了。大家一起去探索边缘标准化的问题。当然随着边缘的融合度越来越大，碎片化还会在不同程度继续发生。

在过去物联网的进程当中，我们有一些非常成功的案例是通过标准化来解决的。比如说大屏显示，IWB行业里面有一个非常成功的标准化叫OPS，就是标准化后面的计算的模型，使得不同的显示屏可以用同样的标准化的计算模型去power。所以标准化一定是一个主要的方向之一，去解决碎片化的挑战。

Q：英特尔在视觉边缘上的进展？在哪一个行业推进的比较顺利？

陈伟：中国过去10年摄像头的技术发生了非常大的飞跃，从早期的模拟到数字，到高清，到网络连接的数字高清摄像头。

我们事业部在过去几个月当中也开始密切观察全球视频技术的发展，中国不管在硬件设备的部署、技术创新、AI运用等方面都是世界领先的，我们预计2025年会有10亿的高清摄像头。

融合边缘的产生很大一部分是因为边缘数据量爆发式增长。数据是从边缘产生的，80%的数据是跟视频有关的，视觉数据不仅用在安防行业里，还有工厂、零售、机器视觉、医疗大数据的成像分析等等。它们真正应用的区别只是在于算法、应用场景、应用目的的不同，所以视频已经完全成为了一个横向的技术。

这三个特征确实代表了推进视频技术前沿的三个重要的领域。今天的应用几乎是跨各个行业的，交通、零售、银行各个场景都有，虽然说应用落地的场景不同，但是使用的技术是相似的。

Q：边缘和AI的融合还停留在边缘推理阶段，还没有达到自主学习更高一层，原因是什么？

陈伟：我们把边缘人工智能分为三个阶段。第一个阶段是边缘推理，也就是目前我们可以实现的；

第二个阶段是边缘训练。在边缘推理的时候，我们往往需要依赖数据中心去实现网络模型训练，然后把训练结果推送到边缘来执行推理操作。但是在很多应用场景当中，对于实时模型更新是有需求的。

比如，在智能制造行业当中，这个批次的产品，我发现了一些异常，我希望能够把这些异常数据提炼出来，利用这些数据进行模型的更新，把这个更新结果马上应用到下一个批次的零件处理过程当中。在这里就需要很多的训练的工作，所以我们认为边缘人工智能发展的第二个阶段是边缘训练的阶段。

第三个阶段是自主训练、自主学习的过程。目前人工智能发展还是有很大的局限性，我们很喜欢开一个玩笑说，“现在人工智能50%是人工，50%是智能”，因为现在的人工智能，不管是从模型的设计、训练还是要通过人来做的，人很多的意志在设计这个网络模型的时候，已经把它嵌入进去了。

我们认为今后自主化系统需要达到的是，机器知道你使用者的目的，根据这个目自主得去选择适宜的网络模型，甚至选择适宜的数据去训练、运用这个网络模型。我们认为这也是边缘人工发展到最高的阶段，当然我们现在离这个阶段还有一定的距离。

Q：这三个阶段的阻力来自于什么？

陈伟：这三个阶段都不容易实现，每个阶段都有各个阶段的挑战。

第一个阶段，边缘推理面临算力、存储、价格、碎片化的挑战。现在一个网络模型动辄需要几十亿，甚至是上百亿次的运算才可以完成推理过程，这对前端的边缘AI芯片提出了很高的要求，所以我们看到算力从几T甚至上百T，算力在第一个阶段是很明显的一个挑战。

到了第二个阶段，边缘训练并不是简单把数据中心的训练照搬到边缘就叫边缘训练。

边缘训练是有其自身的特点的：一是它会使用少量的样本去做二次的训练，就像在工业当中拿一些异常的样本去做训练，一个批次当中可能只有十几个异常样本，如何从十几个异常样本当中得到一个好的迭代的模型去更新网络，这是一个挑战。

二是自主化训练的挑战。传统意义上在数据中心做训练，可以通过人工去标注，把一些异常的东西标注出来，让机器做训练。但是到了边缘都是一些动态数据，不可能派一个工人始终盯着结果，这等于增加了新的负担。如何用一些自主化的、易用的手段去实现数据标注，把标注结果给到边缘计算的机器，应用新的边缘计算方法实现这个模型的灯芯，我们认为这是第二阶段的难题。

到了第三个阶段，如何真正实现这种自主化，如何真正实现网络模型的选择和训练，我们业界叫做Auto machine learning，这还是业界在理论研究层面探讨的话题。去年在国际人工智能顶会ICLR上，一篇满分的论文就是关于这个的，很多问题还没有解决。

回到英特尔，除了第一阶段我们提供的芯片以外，还包括OpenVINO这样的软件工具，帮助用户更方便的去实现人工智能推理，目前我们正在做很多第二阶段的工作，我们正在做很多标注的工具，帮助用户更方便的去实现边缘训练，真正完成从训练到推理这样一个完整的Pipeline（流水线），同时我们也在看一些自主机器学习、联邦学习等等这样一些新的技术。

Q：英特尔现在有哪些方法可以帮助现有芯片效能提升，去应对缺芯的情况

陈伟：摩尔定律在过去几十年当中，一直在持之以恒，在单位面积里面提供了指数级增加的计算能力和存储能力。也许正是摩尔定律，使得我们产生数据的能力也在指数级增长，这是一个相互竞争的过程。

疫情也加速了这样一个改变，全世界对芯片的需求爆增，而且是对系统芯片的需求，不仅仅是对最新制程芯片需求爆增。今天一辆汽车可能是1%-4%的成本在芯片当中，过几年，预计到2030年会达到20%，汽车会成为一个带着轮子的计算机。

随着芯片的需求，数字化、智能化需求的不断增长，对芯片的生产商产能的提高就提出了非常高的要求。英特尔在最近这一段时间做出了非常大的投入，在美国的亚利桑那州投资了几百亿美金，建造了两个新的大的芯片生产工厂，现有制程上提高了25%的产能，通过良率、效率的增加，同时在封装测试技术上的突破，这些在提高产能方面我们的贡献。我们认为全球缺芯的状况，会延续到2023年左右。

end