英特尔酷睿i9-10980XE-迈向人工智能的一步，向其他一切迈出的一步

英特尔的新i9-10980XE与AMD的新Threadripper系列在同一天推出，占据了一个奇怪的市场领域：“预算高端台式机”。与Intel高端游戏CPU i9-9900KS相比，其18核和36线程听起来非常令人兴奋，但与Threadripper 3970x的32核和64线程相比，它们显得苍白。更糟糕的是，尽管i9-10980XE的内核多于一倍，但在许多基准测试中甚至无法与价格便宜得多的i9-9900KS区别开来。

这就使新零件无法投入使用-初始成本和运营成本。如果您无法使用Threadripper的全部性能输出，则i9-10980XE可以为您提供大约一半的性能，而成本却仅为一半，并且可以将节省的成本扩展到持续的电气成本中。

功率

放大/我们的i9-10980XE系统台式机闲置在69W，在满载CPU的情况下在墙上抽出257W吉姆·索尔特

与竞争的Threadripper 3970x钻机相比，我们的i9-10980XE测试钻机更容易与人共享办公室。它的EVGA X399 Dark主板看起来像是Poltergeist的场景在办公室里玩耍，它消耗的功率少得多，散发出的热量也少得多。

公平地说，Threadripper钻机的某些令人讨厌的现象可能已经通过主板设置得到了缓解-我们的NZXT Kraken x62散热器的风扇在Threadripper运行的整个过程中都处于全叶抽气模式，即使在空转时也是如此。虽然Threadripper系统的空载功耗比i9-10980XE系统的69W高出163W，但这还不足以解释风扇RPM的差异。 i9-10980XE系统即使在全部257W基准负载下也不会将风扇旋转到令人讨厌的水平。

不过，无论我们基于ROG主板的激进默认风扇设置为Threadripper找了多少借口，我们仍然在桌面空闲状态下查看69W vs 163W系统功耗，在满载情况下查看257W vs 403W系统功耗。在当前的HEDT细分市场中，i9-10980XE绝对是最省钱的部分，尤其是对于那些生活在南部气候的人来说，七月在四月的某个时候开始，直到十月下旬才结束。

性能

如果您还没有度过整个2019年的艰难时光，那么与AMD的Threadripper 3970x相比，英特尔的i9-10980XE不足之处也就不足为奇了。 i9-10980XE是Threadripper的32核和64线程的18核36线程部件，而AMD的7nm工艺已经结束了英特尔曾经拥有的任何抵消每核性能的优势。

更令人惊讶的是，i9-10980XE总体上不及去年的i9-9980XE哥哥。其最佳的通用基准测试结果-Cinebench R20-将其放置在较老零件的误差范围内。更糟糕的是，单线程和多线程Passmark评级都强烈支持较旧的芯片。

我们还将i9-10980XE与游戏同级产品i9-9900KS进行了比较。尽管i9-10980XE在Cinebench R20中的得分明显更高，但在更通用的Passmark测试中得分却没有明显提高，尽管内核多于两倍，而成本却高出一倍。同时，在单线程Passmark中，9900KS的速度提高了39％，而i9-10980XE再次落后于其较早的同类产品i9-9980XE。

再者，按照我们都学会识别的模式，i9-10980XE的价格是i9-9980XE的一半，后者的价格为2,000美元，而功能更强大的Threadripper 3970x则是。对于使用现有已购买i9-9980XE股票的任何零售商，我们感到遗憾，因为尽管较旧的部分在通用工作负载方面的性能稍强，但两者之间的差异当然不值得花费两倍的成本。

AI推理工作量

放大/英特尔在AI领域的软件开发工作所赋予的优势非常明显。是的，OpenVINO是英特尔开发的项目，但在AMD或Intel CPU上，它的性能都优于Tensorflow。

人工智能工作负载是i9-10980XE独树一帜的地方。英特尔一直在AI负载优化上投入大量工程精力，而i9-10980XE则具有其Deep Learning Boost x86扩展指令。借助可以利用新指令集的编译器，英特尔一直在告诉我们，人工智能工作负载可以轻松地使其吞吐量增加一倍。

我们运行AIXPRT的参考基准测试工作负载来测试此声明。果然，在OpenVINO图像识别工作中，i9-10980的吞吐量要比原本性能更高的i9-9980翻了一番。值得注意的是，OpenVINO本身是英特尔的一项举措，并且不太可能像英特尔一样针对AMD处理器进行优化。缺乏优化可以解释Threadripper 3970x和i9-10980XE之间的一些性能差异，但是很难找到除Deep Boost以外的任何东西，以此作为摆脱英特尔自己的i9-9980XE的理由。

是的，CPU的推理工作负载性能确实很重要。为了解释原因，让我们首先确保我们对一些基本术语有所了解。神经网络可以两种模式之一进行操作：训练或推理。在训练模式下，神经网络实质上是在醉汉中遍历问题空间，调整值和权重，直到“学习”了导航问题空间的最佳方法。推理模式的重量要轻得多。神经网络不必反复遍历整个空间，而只是根据在训练中所学到的知识，检查空间中的一个问题并为您提供最佳答案。

在进行大量培训时，您需要一个高端GPU（或一堆高端GPU）。它们可以轻松地将通用CPU的性能提高一个数量级甚至更多，从而节省了培训时间和运算能力。但是，推论则是另一回事—尽管GPU可能仍然明显胜过CPU，但如果CPU的操作吞吐量和延迟足以进行实时交互，那么让它完成工作会更加方便。

在通用CPU上运行推理工作负载可以将其广泛部署为可在现场使用的工具，在相对通用的硬件上，而无需始终保持Internet连接。这还可以缓解将数据发送到云以进行远程推理处理时涉及的隐私和延迟问题。

现实世界中现代AI推理处理的一些示例包括语音识别，图像识别和模式分析。尽管目前大部分工作都是在云中完成的，但我们预计对本地处理功能的需求会不断增长。诸如Cortana之类的数字个人助理是一种显而易见的应用程序，但是AI可以做到的甚至更多。

现在，Office365的Insider版允许您键入“什么是第四季度最畅销的产品？”进入文本框，并立即为您生成适当的K线走势图…但这仅在您愿意将数据卸载到云中的情况下进行。如果没有本地推理处理，那么处理无法离开其生成站点的机密数据将变得越来越严格。英特尔将很多未来押注在认识到这一事实上，并且在我们其他人也能做到这一点时处于领先地位。

清单图片由Jim Salter提供