平台转变扼杀了公司。大型机公司错过了小型机、小型机到台式机、台式机到移动设备的转变。机器学习是下一个平台转变。机器学习的硬件平台还没有被定义。
创建为下一代自动驾驶汽车、家庭助理和语言翻译提供动力的机器学习模型，将需要速度快得多、存储空间大得多的新型硬件架构。
+也在网络世界:有个足球雷竞技app5G将帮助自主汽车巡航街道安全+
为了确保它不会错过这次平台转变，英特尔花了153亿美元收购移动眼。它的目标是尽早进入自动驾驶汽车市场，在自动驾驶、安全和方便方面，这个市场将比现在的汽车消耗更多的硅。
控制自动驾驶汽车和为数据中心提供动力的机器学习硬件还没有被完全定义，这为构建特殊处理器提供了巨大的机会——目前英伟达在这方面处于领先地位。雷竞技电脑网站英特尔不希望在为下一代汽车提供动力的芯片市场上姗姗来迟。
如果要从英特尔在Windows台式机和服务器市场的主导地位以及arm在移动平台市场的主导地位中学到什么的话，那就是机器学习硬件是一个赢者通吃的市场机会。最先进的芯片不足以赢得下一个平台。芯片要成为一个平台，需要一个庞大的可启用生态系统。看看为什么英特尔较晚进入移动芯片系统(SoC)市场，并对英特尔在数据中心的处理器主导地位构成挑战，就能解释为什么早期进入自动驾驶汽车和其他机器学习业务是至关重要的。雷竞技电脑网站
英特尔不想再一次迟到
因特尔未能为其Atom移动SoC建立一个有竞争力的生态系统，因为它进入市场较晚。从架构的角度来看，Atom具备了手机设计师想要的所有功能，除了ARM指令集及其庞大的生态系统。
几乎每一个移动SoC的制造商授权的ARM指令集，包括市场领先者高通和联发科，因为它的编译器，调试工具和开发套件生态系统的依赖。英特尔的移动SoC的生态系统不符合ARM完全兼容，迫使公司退出该业务去年。下载到的英特尔Atom的智能手机很多应用程序不得不效仿ARM指令集的软件，降低性能。说服开发人员构建他们的应用程序的原生的Intel Atom版本是因为它微小的市场份额非首发。
尽管98%的云运行在英特尔的服务器上，但当微软上周宣布将Windows服务器移植到高通(Qualcomm)和鱼子酱(Cavium)的arm设计上时，英特尔的服务器业务告上了讣告，引发了互联网的轩然大波。但大多数大型平台云公司，如亚马逊、Facebook、谷歌、IBM，甚至微软的部分业务，都不在Windows服务器上运行云。这些云运行在Intel驱动的服务器上的Linux上，这是由于生态系统、工具链和Intel对其架构的适应，比如适应开源标准发展的flashable控制器。
+也在网络世界:有个足球雷竞技app仅仅一辆自动驾驶汽车每天就需要使用4000 GB的数据+
五年前，ARM和Ubuntu(一个较大的Linux发行版)宣布了他们的服务器合作，这并没有吸引一个生态系统，也没有削弱英特尔在服务器市场的份额。ARM在5年前进入市场较晚，这是一个巨大的障碍。除非芯片周围有一个供软件开发人员和设计人员开发产品的生态系统，否则它的运行速度是否能提高一倍、成本是否能降低或能耗是否能降低都无关紧要。
ARM上的Windows桌面系统也清楚地说明了生态系统的重要性，以及上市晚带来的挑战。去年12月，微软和高通宣布了另一项合作，在高通arm兼容的骁龙835的模拟器上演示了Windows 10。运行在模拟器上的x86 win32应用程序做了一个很好的演示，但它重复了英特尔将其芯片植入手机的问题;仿真器是一种捷径，一种没有多大吸引力的边缘案例。
应用程序需要被设计和编译成本地二进制文件运行，才能有良好的稳定性和运行速度。微软曾在搭载基于arm的英伟达(NVIDIA) Tegra 3的Surface Pro RT上尝试过这种做法，这迫使其内部和外部开发人员为Surface重新编译。直到Surface Pro 2具有Wintel x86二进制兼容性，该产品才开始获得关注，这主要是由于软件生态系统。自Surface Pro 2推出以来，微软从未回头。随后，Surface Pro 3、4和5都采用了x86处理器。处理器生态系统，就像Karma一样，是一个bitch。
一个永恒的主题遮蔽了机器学习的历史:硬件性能落后于理论研究人员创造的新的机器学习突破。一旦新的机器学习研究得到证实，研究人员就开始对其进行优化，以便在可用的硬件上运行。
实现机器学习和人工智能
很多机器学习和人工智能在过去20年得到了证明，但直到最近，还没有人尝试实现它，因为可用的硬件不可行。2011年，谷歌需要一个完整的数据中心来训练机器学会在YouT雷竞技电脑网站ube视频中寻找猫。如果没有谷歌规模的数据中心，机器学习是不可访问的，因此，虽然这是一个有趣的发展，但并没有激起人们对谷歌的兴趣。雷竞技电脑网站
2012年，蒙特利尔大学(University of Montreal)约舒亚·本乔(Yoshua Bengio)实验室的一名博士生利用NVIDIA gpu的并行性编写了高性能机器学习模型。他证明了一个装满NVIDIAs gpu的小型系统机架可以像谷歌数据中心一样运行，而且成本对每个数据科学实验室来说都是可触及的。突然之间，开发人员和研究人员对人工智能和机器学习的兴趣复兴雷竞技电脑网站了。
NVIDIA在模型培训领域的市场份额已达到90%，但由于存在许多未解决的架构问题，其市场主导地位尚未得到保证。从构建大型模型到创建下一代人工智能，机器学习模型的开发人员受到架构的限制。这是一个类似于超级计算的问题，在超级计算中，软件开发人员还需要创建操作系统软件的一部分，以分割应用程序并将其分发到数百台甚至数千台机器上，同时还要协调和同步计算任务。这样的任务可以通过与硬件的低级操作系统接口更好地执行，这在许多方面类似于将开发人员从管理虚拟内存中抽象出来。
+也在网络世界:有个足球雷竞技app微软希望将机器学习带入主流+
机器学习的速度太快了硬件制造商承诺的处理器架构，因为它可能会改变今年年底之前。现在，应用程序开发人员也解决分布在多个系统中的应用工作负载的问题，容纳GPU的机架，一般显影特征之间的比总线慢速光纤互连的操作系统和硬件预期会做 -仅举几例。
英特尔收购移动眼，以及去年8月收购深度学习(deep learning)芯片初创公司涅槃(Nirvana)，并不是为了立即获得收入。收购他们是为了让英特尔取得成功:定义客户需求，将需求转化为适合特定用例的硅，并围绕它创建一个生态系统，使硬件和软件工程师能够构建产品。
英特尔正斥巨资抢占先机，因为错过了机器学习平台转型的可怕后果。当机器学习硬件需求趋同时，赢家将向数据中心和汽车行业销售大量机器学习处理器，以控制自动驾驶汽车。雷竞技电脑网站英特尔不希望像在移动领域那样被冷落在外。