Intel außerhalb, während andere Unternehmen von KI-Chips profitieren

Der weltweit führende Chiphersteller verpasste eine riesige Chance bei mobilen Geräten. Jetzt gibt der Aufstieg der künstlichen Intelligenz dem Unternehmen eine weitere Chance, sich zu beweisen. Durch

• Peter Burrows Archivseite

21. Juni 2016

Bereits 1997 war Andy Grove, damals Chief Executive Officer von Intel, einer der ersten Unternehmenstitanen, der sich die Lehren von Clayton Christensen, Professor an der Harvard Business School, aneignete. Grove hat das Gefühl, dass Intel von PC-Chip-Konkurrenten mit billigeren Waren unterboten werden könnte eingeladen Christensen, um mit seinem Team über Industrieführer der Vergangenheit zu sprechen, die zu lange gewartet hatten, um auf aufkommende Bedrohungen zu reagieren. Innerhalb weniger Quartale hatte Intel eine Reihe von Low-End-Celeron-Chips für PCs herausgebracht, die die Träume von Intel-Möchtegern wie Advanced Micro Devices ziemlich zerstörten. Dilemma des Innovators abgewendet.

Siehe den Rest des Pakets

• 50 intelligenteste Unternehmen

Intel ist keine Fallstudie mehr für Anpassungsfähigkeit. Im Gegenteil, es hat den Markt für mobile Chips, die in Smartphones und Tablets verwendet werden, erschüttert, die mit Abstand größte neue Chance für Chiphersteller in den letzten 10 Jahren. Am 19. April, dem gleichen Tag, an dem angekündigt wurde, 12.000 Stellen zu streichen, stellte Intel die Entwicklung einiger seiner mobilen Atom-Chips trotz jahrelanger hoher Investitionen ein. Und in den letzten Jahren schien der weltgrößte Chiphersteller einem anderen potenziell riesigen Markt gegenüber gleichgültig zu sein: dem Markt für Chips, die für die als Deep Learning bekannte Technik der künstlichen Intelligenz entwickelt wurden.

Diese Geschichte war Teil unserer Juli-Ausgabe 2016

• Siehe den Rest des Problems
• Abonnieren

Diese einst obskure Ecke der KI-Forschung hat sich zu einem der heißesten Trends der Technologie gemausert (siehe 10 Breakthrough Technologies, Mai/Juni 2013). Große Internetunternehmen nutzen es, um Online-Dienste einzuführen, die Bilder und Sprache verstehen, und Deep-Learning-Chips werden in Drohnen, fahrerlose Autos und andere Produkte im viel gepriesenen Internet der Dinge eingebaut. Das ist besonders gefährlich für Intel, denn CEO Brian Krzanich hat es getan sagte dass die Zukunft des Unternehmens von seiner Leistung in großen Rechenzentren und dem Internet der Dinge abhängt.

Intel stellt erst jetzt seinen ersten Chip vor, der speziell für Deep Learning entwickelt wurde. Es handelt sich um eine neue Version des Xeon Phi-Coprozessors, der mit Intels x86-Flaggschiff-Mikroprozessoren zusammenarbeitet. Doch obwohl der Chip für viele Deep-Learning-Jobs gut geeignet ist, bleibt das Unternehmen, das mit seiner Intel-Inside-Strategie den PC-Markt im Wesentlichen monopolisiert hat, bei der Entwicklung der Programmiertools, die Kunden mit solchen Chips benötigen, weit zurück. Der kleinere Konkurrent Nvidia hat durch das Anbieten solcher Tools schon früh eine Dominanz aufgebaut, sagt Bryan Catanzaro, ein leitender Forscher bei Baidu, einem großen Nutzer von Deep-Learning-Hardware. Beim Bau dieser Systeme verbaut Baidu viermal mehr Chips von Nvidia als von Intel. Intel kann ein wichtiger Akteur sein, aber es ist eine Frage des Fokus, sagt Catanzaro. Sie sind dabei, in vielen Bereichen Kürzungen vorzunehmen, also muss man sich fragen, ob sie den institutionellen Willen haben.

Bisher ist der finanzielle Schaden für Intel minimal. Laut Tractica, einem Marktforschungsunternehmen, werden Amazon, Google und andere Cloud-Giganten in diesem Jahr Chips im Wert von etwas mehr als 133 Millionen US-Dollar kaufen, um ihre Deep-Learning-Systeme zu betreiben. Das ist ein Hungerlohn neben Intels Umsatz von 56 Milliarden US-Dollar im Jahr 2015. Anstatt revolutionäre Innovationen zu versprechen, suggeriert Intel, dass seine aktuellen Chips für viele Jobs ausreichen werden und dass es über die technischen Fähigkeiten verfügt, um neue Chips zu entwickeln, wenn der Markt reift, sagt Catanzaro. Und das Unternehmen ist entschlossen, sich nicht auf Deep Learning zu konzentrieren, um andere KI-Ansätze auszuschließen. Immerhin haben Intel-Veteranen in der Vergangenheit gesehen, wie sich der KI-Wahnsinn durchgesetzt hat; Sie befürchten, dass Deep Learning nicht das Allheilmittel ist, als das viele es darstellen. Wir haben diese Zyklen schon einmal gesehen, sagt Nidhi Chappell, Director of Machine Learning für Intels Data Center Group.

Intel schneidet solche Wafer in Chips der Xeon-Phi-Produktfamilie. Die Chips sind für Deep-Learning-Aufgaben ausgelegt.

Für Nvidia beginnt Deep Learning jedoch, Umsatzwachstum zu generieren. Die Verkäufe des Unternehmens an große Cloud-Unternehmen stiegen im ersten Quartal um 63 Prozent. Nvidia mit Sitz in der Nähe von Intel in Santa Clara, Kalifornien, verkaufte seine Grafikprozessoren (GPUs) früher hauptsächlich an Hersteller von PCs und Spielkonsolen. Aber es hat eine beherrschende Führung auf dem aufstrebenden Deep-Learning-Markt übernommen, seit große Internetunternehmen entdeckt haben, wie gut Grafikchips KI-bezogene Aufgaben bewältigen können. Jetzt, sagt Nvidia, arbeitet es mit 3.500 Kunden in Branchen zusammen, die von der Automobilindustrie über die Pharmazie bis hin zu Finanzdienstleistungen reichen.

Nvidia ist nicht das einzige Unternehmen, das versucht, Geld zu verdienen, während Intel es cool spielt. Qualcomm führt Software-Tools ein, um Kunden bei der Nutzung seiner mobilen Chips für Deep Learning zu unterstützen. Und Startups wie Knupath und Nervana warten mit noch radikaler umgestalteten Deep-Learning-Chips auf. Tactica prognostiziert, dass dieser Markt bis 2024 einen Wert von 3,6 Milliarden US-Dollar haben wird.

Knupath, das vom ehemaligen NASA-Chef Dan Goldin gegründet wurde, kündigte im Juni einen KI-Chip namens Hermosa an, zusammen mit Software zur Verbindung von 512.000 Hermosas und anderen Chips. Die erste Version konzentriert sich auf das Erkennen unerwarteter Stimmen in lauten Umgebungen – sagen wir, damit Sie sich nur mit Ihrer Stimme bei Ihrer Bank anmelden können, während Sie in einem Cabrio mit eingeschaltetem Radio fahren. Das Unternehmen hat 100 Millionen US-Dollar an Finanzmitteln aufgebracht, in der Annahme, dass bestehende Chiparchitekturen die zukünftige Nachfrage nicht befriedigen können. Wir treten in die sehr frühen Stadien der maschinellen Intelligenz und des maschinellen Lernens ein. Es ist wie im Wilden Westen, sagt Goldin. Einige wild verrückte Dinge werden passieren.

Loch im Markt

Wenn Unternehmen wie Facebook, Google und Microsoft Software beibringen, den Inhalt von Bildern zu erkennen oder Sprache zu identifizieren, bauen sie sogenannte neuronale Netze auf, in denen enorme Datenmengen durch Tausende verbundener Prozessoren laufen. Irgendwann können die Maschinen selbstständig Muster erkennen und entsprechende Urteile fällen. Im Januar schlug ein neuronales Netzwerk von Google einen der weltbesten Spieler des Brettspiels Go in vier von fünf Wettbewerben.

In solchen Anwendungen leisten die x86-Mikroprozessoren von Intel in der Regel kaum mehr als digitale Haushaltsführung. Während ein Intel-Prozessor der Spitzenklasse mehr als genug Leistung bietet, um umfangreiche Finanztabellen oder Unternehmensbetriebssoftware auszuführen, zerlegen Chips, die für Deep Learning optimiert sind, bestimmte Arten von Problemen – wie das Verstehen von Sprachbefehlen oder das Erkennen von Bildern – in Millionen von Bissen -große Stücke. Da GPUs wie die von Nvidia aus Tausenden winziger Prozessorkerne bestehen, die auf einer Siliziumscheibe zusammengepfercht sind, können sie Tausende dieser Brocken gleichzeitig verarbeiten. Die Zuweisung eines Intel-Prozessors für solche Arbeiten wäre eine enorme Ressourcenverschwendung, da jeder dieser Prozessoren einige Dutzend Kerne enthält, die für die Ausführung komplexer Algorithmen ausgelegt sind. Deep-Learning-Chips müssen nicht so viel nachdenken, um all diese Mikroaufgaben zu bewältigen. Grafikprozessorkerne verfügen über die richtige Menge an Rechenleistung, um ein Bild oder andere Daten schnell noch einmal richtig zu klassifizieren.

Dieser Nvidia-Chip ist für große Internet-Rechenzentren und Deep-Learning-Anwendungen gedacht.

Catanzaro, der half, Nvidias Deep-Learning-Angriff zu starten, bevor er zu Baidu ging, testet den Xeon Phi-Coprozessor und sagt, dass er einige Deep-Learning-Aufgaben zu etwa 90 Prozent so effektiv bewältigen kann wie Grafikprozessoren. Aber er ist skeptisch. Intel hat nicht nur keines der Software-Tools entwickelt, die Nvidia anbietet, um Kunden dabei zu helfen, neuronale Netze zu verfeinern und zu warten, sondern Intel muss auch besser daran arbeiten, seine Chips in die Hände der Deep-Learning-Koryphäen zu bringen, die das vorantreiben Feld nach vorn. Bisher habe sich Intel bemüht, den Xeon Phi in großen Stückzahlen an große Unternehmenskäufer für wohlverstandene Anwendungen zu verkaufen, sagt Catanzaro. Ich ziehe für Intel, sagt er. Es ist für niemanden gut, wenn Nvidia die einzige praktikable Alternative ist, also brauchen wir Intel auf diesem Markt. Aber sie müssen anfangen, sich zu konzentrieren.

Im Mai überraschte Google die KI-Welt mit der Ankündigung, dass es seit mehr als einem Jahr einen Chip seiner eigenen Entwicklung namens Tensor Processing Unit verwendet. Obwohl Google gerne Milliarden in Moonshot-Projekte wie fahrerlose Autos gesteckt hat, war dies das erste Mal, dass es sich mit dem teuren und schwierigen Chipgeschäft befasste. Warum die Mühe? Nur so könnten wir unsere auf maschinellem Lernen basierenden Anwendungen vorantreiben, schrieb Norm Jouppi, ein angesehener Hardware-Ingenieur bei Google, in einer E-Mail. Google werde zwar weiterhin Intel-Prozessoren in seiner Computerinfrastruktur verwenden, sagte er, aber wir bräuchten mehr als das, was auf dem Markt verfügbar sei.

Die Hitze spüren

Intel war auch in einer anderen vielversprechenden Ecke des Deep-Learning-Marktes ruhig: der für Chips, die die von neuronalen Netzwerken gelernte Weisheit in Telefone, Autos und andere Geräte einbetten, die wir intelligenter machen wollen. DJI, der weltgrößte Drohnenhersteller, hat in sein neues Modell Phantom 4 eine visuelle Verarbeitungseinheit von Movidius eingebaut. Der Chip verarbeitet, was die Kameras der Phantom sehen, und ermöglicht es dem Fahrzeug, Abstürze zu vermeiden, die ein menschlicher Pilot möglicherweise nicht geschickt genug hat, um vom Boden abzuheben. Es ist darauf ausgelegt, sehr wenig Akkuleistung zu verbrauchen – wiederum nicht Intels Spezialität.

Diese Chips könnten sich als weit weniger rentabel erweisen als die Prozessoren, die Intel zu einem bekannten Namen gemacht haben, aber die Mengen könnten zu groß sein, um ihnen zu widerstehen, sollten die Komponenten zum Standard in intelligenteren MRT-Geräten, Fertigungsrobotern und Überwachungskameras werden, sagt Jim McGregor, Gründer von Tirias Research, ein Forschungsunternehmen der Chipindustrie. Am verlockendsten ist der Markt für selbstfahrende Autos, der jährlich mehrere zehn Millionen Einheiten erreichen könnte. Wenn jedes Fahrzeug über viele dieser Chips verfügt, könnte allein dieser Markt mit der Größe des PC-Marktes mithalten.

Chappell von Intel weist solche Prognosen nicht zurück, aber sie sagt, Intels Chance liege darin, eine breitere, pragmatische Sicht auf den Markt einzunehmen. Die dringendste Herausforderung für KI-Forscher besteht darin, Wege zu finden, um neuronale Netze viel schneller zu trainieren – sagen wir, an einem Nachmittag und nicht im Laufe von ein paar Wochen. Der neue Xeon Phi-Chip wird helfen, dieses Problem zu lösen, sagt sie, zum Teil, weil Forscher damit ein Trainingssystem auf ihren eigenen Computern entwerfen und es weiter verwenden können, wenn sie auf größere Servernetzwerke und schließlich in großem Umfang in der Cloud expandieren .

Längerfristig könnte Intel Chips bauen, die in allem funktionieren, von diesen Trainingssystemen bis hin zu stromsparenden Geräten im Internet der Dinge, sagt Chappell. In diesem Szenario wären Grafikprozessoren und andere spezialisierte Deep-Learning-Chips gegenüber Allzweck-Mikroprozessoren im Nachteil. Dank des technischen Talents und der Fertigungskapazitäten von Intel ist das Unternehmen möglicherweise in der Lage, Deep-Learning-Schaltkreise zu geringen Mehrkosten in zukünftige Prozessoren zu stecken. Wenn Intel einen gemeinsamen Satz von Softwaretools für die Verwaltung von neuronalen Netzwerken bis hin zu Drohnen entwickeln kann, könnte dies Deep Learning für weit mehr Unternehmen zugänglich machen – und Intel eine strategische Sicherung ihres Geschäfts verschaffen.

Dies sind die Tricks, die Intel geholfen haben, die PC-Industrie zu monopolisieren. Selbst jetzt sind nur wenige bereit, das Unternehmen auszuschalten. Als ich das letzte Mal nachgesehen habe, hatten sie 15 Milliarden Dollar auf der Bank, und sie sind keine dummen Leute, sagt Remi El-Ouazzane, CEO von Movidius. Aber zumindest an diesem Punkt spüren wir die Hitze nicht.

verbergen