英特尔(Intel)虽拥有傲人的芯片技术，但在近年最热门的人工智能(AI)领域，英特尔还未能有较突出的表现。为扭转劣势，英特尔买下了深度学习芯片厂商Nervana Systems，并计划在2017年底前推出第一款AI专用化(purpose-built) Nervana神经网路处理器(NNP)。 

    据报导，电脑视觉、语音辨识等深度学习应用通常需在大型阵列进行矩阵计算，而这并非英特尔Core或Xeon等通用型芯片的长项。英特尔期望借由即将推出的NNP弥补AI这块缺口，并邀请到致力于深度学习及AI展的Facebook参与芯片设计。 

    除了Facebook擅长的社群媒体应用外，英特尔还计划将其AI芯片推广到健康医疗、汽车、气象等领域。 

    Nervana NNP是一款特定用途积体电路(ASIC)，能以极高运算效率从事深度学习演算法的训练与执行。英特尔舍弃了CPU上常见的快取，改由特殊软体负责特定演算法的芯片存储器管理，希望能借此将芯片的运算密度与性能提升到新的层次。 

    Nervana NNP还可透过芯片内外部的高速互连，支援大量双向资料传输。如果连结多个NNP芯片，就可组成一个巨大的虚拟芯片，应付规模不断升级的深度学习模组。 

    值得一提的是，Nervana NNP采用了一种精度较低的Flexpoint格式。英特尔AI副总裁Naveen Rao表示，神经网路对于资料的杂讯有相当高的容忍度，而这些杂讯甚至还可协助神经网路汇集出新的解决方法。精度较低的Flexpoint有助提升系统平行处理能力、降低延迟、增加频宽。 

    在英特尔投入AI发展前，NVIDIA便借着GPU的平行运算能力抢先一步攻克市场，但GPU擅长的是演算法训练而非执行。另一方面，英特尔最大竞争对手高通(Qualcomm)则投入了擅长执行AI程式的芯片研发。 

    英特尔的NNP芯片同时以AI的训练与执行为目标，并会陆续推出新的版本。除此之外，英特尔还投入了一款名为Loihi的神经形态(neuromorphic)芯片，以及机器视觉芯片Myriad X的研发。 

    就在英特尔努力追赶之际，NVIDIA也针对AI应用程式(App)推出了V100芯片，并延揽到Clement Farabet担任AI架构副总，希望能提升其芯片执行深度学习程式的能力。 

    在此同时，Google为数据中心应用自行打造了一款Tensor Processing Unit (TPU)芯片，IBM也发表了名为True North的仿神经型态芯片。