赋能AI：深度解析英特尔至强处理器如何成为强大算力后盾

一个实时的、高效的，能在几十毫秒之内就完成决策判断的数据计算平台是AI发展的关键。

文 |OolongT

麻省理工学院 Katie Bouman 的团队借助8台望远镜观测M87星云的7000TB数据，通过 CHIRP 机器学习算法，首次呈现了黑洞的影像。

机器学习作为人工智能的一种实现方式，通过解析和学习数据，为现实世界提供决策与预测。将重要但重复性的任务交给AI，能提升效率、降低成本并获得更可靠的结果，使人类能专注于更具创造性的工作。

科研领域需要从海量数据中提取有效信息，产品公司需要对客户进行分类以提供个性化服务，而企业招聘环节也越来越多地引入AI，从大量简历中筛选合适人选。

中国庞大的人口和产业技术为AI发展提供了得天独厚的数据优势。制造、家居、金融、教育、交通、安防、医疗、物流等众多领域已广泛应用AI技术，且未来需求将持续增长。

“数据分析和处理”是整个AI过程的核心。一个能够毫秒级完成决策的数据计算平台至关重要。几十年来，AI研究一直受限于数据量和计算能力，未能为学术界、政府和企业提供强有力的决策支持。

同时，许多企业在部署AI时，面临如何将AI解决方案与现有高性能计算工作负载融合的挑战。

通常有三种融合方式：一是在现有高性能计算基础设施上运行AI框架（如TensorFlow），这需要对GPU、CPU、内存和硬盘有较高配置要求。二是利用AI引擎分析模型输出数据，主要用于仿真和建模，这需要强大的算力平台支撑。三是利用生成式对抗网络组合复杂数据源。

由于各行业应用场景不同，AI解决方案与高性能计算的融合没有“万能药”。然而，借助英特尔的技术，可以评估现有高性能计算平台，从而高效运行AI驱动的工作负载。

普林斯顿大学神经科学研究院与英特尔实验室合作，利用高性能计算、机器学习和AI分析fMRI数据，实时绘制思维图，开发出能推断大脑思维活动的软件，助力精神疾病的诊断和治疗。

英特尔还与中国银联合作，将开源的BigDL导入其计算集群，使其能够开发深度学习程序。企业可借鉴此模式，在现有至强处理器基础上构建AI应用，这比从零开始建设新设施的成本和风险更低。

这些项目的成功，离不开开发人员构建高质量训练模型并将之集成到计算流程中。英特尔认为，企业启动AI应用构建时，应充分评估现有数据存储、处理和分析平台，并在此基础上构建和部署AI应用。

英特尔至强可扩展处理器专为在现有工作负载硬件上运行复杂AI工作而设计，集成了英特尔深度学习增强功能。

英特尔在与众多客户合作中，总结出帮助组织规划AI实现的五个关键步骤。

首先，了解当前的计算基础设施性能，包括计算、内存、存储和I/O资源。

其次，评估可用AI框架和库，并选择适合企业需求的产品。英特尔至强可扩展处理器平台已针对TensorFlow、Caffe、MXNet等主流AI框架进行了优化，涵盖图像识别、语言翻译、推荐引擎和生成式对抗网络等常见应用。

选择的AI框架必须针对当前高性能计算基础设施进行优化，以确保计算过程中的可扩展性、效率和性能。

如果企业选择自行开发算法，应从一开始就专注于针对现有架构环境进行优化。例如，英特尔与AWS合作优化云端训练算法，确保软件使用最新工具以增强流程流畅性。

最后，企业需明确工作负载形态以及AI规划所占比例，这将直接决定设施和技术套件的部署。

麦肯锡调查显示，企业在AI技术上的投资较2013年翻了三倍。越来越多的企业认识到AI能改变运营方式、提升效率，并改善用户体验，预计2019年将有更多企业采用AI技术。

为应对未来业务扩张，高性能计算架构与AI的融合至关重要。在英特尔的协助下，企业能以最低成本、最快速度升级计算基础设施。

Infinia ML的CEO Robbie Allen曾表示：“现在加入机器学习，还不算晚。”

请点击“阅读原文”，深入了解如何构建您的AI能力。