解密 AI 算法背后的至强算力引擎
构建一个具备实时响应、高效运转，且能在数十毫秒内完成决策判定的数据计算平台，显得尤为关键。
文 |OolongT
麻省理工学院 Katie Bouman 所率团队，利用 8 台望远镜捕捉了距地 5500 万光年外 M87 星云的影像，汇聚成高达 7000TB 的海量数据，并借助 CHIRP 机器学习算法，首次让人类得以目睹黑洞的“真容”。
机器学习不仅在科研界大放异彩，更是实现人工智能的核心路径之一——通过解析与学习数据，为现实世界提供精准的决策支持与预测。对于那些重要却重复的作业，完全可交由人工智能处理，从而提效降本、确保结果可靠，让人类得以释放精力，投身于更具创造性的工作中。
科研项目需从庞杂数据中提炼有效信息，企业需对用户群体进行分类以提供定制化服务，甚至众多公司的招聘流程也已引入人工智能，旨在从海量简历中为各部门甄选出最匹配的人选。
我国庞大的人口基数与产业技术积淀，为人工智能的价值创造赋予了天然的数据优势。在制造、家居、金融、教育、交通、安防、医疗及物流等诸多领域，人工智能技术已无处不在。可以预见，未来这些领域对相关技术的需求将持续攀升。
毋庸置疑，“数据的分析与处理”是贯穿全程的核心环节。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必不可少。事实也表明，人工智能应用的研究开展至今几十年，一直受制于数据量和计算能力而无法为学术组织、政府和企业提供强有力的决策。
与此同时，许多企业在筹划部署 AI 业务时，往往面临如何将 AI 解决方案与现有高性能计算工作负载深度融合的难题。
常见的融合路径主要有三：其一，在既有高性能计算设施上引入并运行如谷歌 TensorFlow 等开源 AI 框架，这对 GPU、CPU、内存及硬盘配置提出了较高要求。
其二是利用人工智能引擎分析模型运行后的输出数据，主要应用于仿真建模领域，这自然需要一个拥有极强算力的平台作为支撑。
其三，则是运用生成式对抗网络来整合复杂的数据源。
鉴于各行业运行的应用场景各异，且不少 AI 应用依托公有云或私有云运行，因此并不存在一种“万能方案”能完美融合 AI 解决方案与高性能计算。不过，我们可以借助英特尔的技术力量，评估现有高性能计算平台，从而高效承载由人工智能驱动的工作负载。
普林斯顿大学神经科学研究院曾与英特尔实验室携手，利用高性能计算、机器学习及人工智能技术，分析功能性磁共振成像扫描数据，实时绘制人类思维图谱，由此诞生了一款能推断大脑所思的软件，助力全球神经科学家诊断和治疗精神疾病。
此类成功案例不胜枚举。例如，英特尔在与“中国银联电子商务与电子支付国家工程实验室”合作时，将开源的 BigDL 导入原有计算集群，使实验室得以开发专属深度学习程序。众多企业皆可借鉴此例，在既有的至强处理器“核芯”及其支持的数据应用基础上构建 AI 应用，相较于推倒重来的设施升级，其成本与风险显然更低。
类似项目的成功，背后离不开特定开发人员与专业技能的支持，以构建高质量训练模型并将其集成至计算流程，方能使计算平台真正契合组织需求。正如英特尔所主张，企业在启动 AI 应用构建时，应充分评估既有数据存储、处理及分析平台，并据此构建和部署符合自身需求的 AI 应用。
英特尔至强可扩展处理器，正是凭借英特尔深度学习增强功能，专为那些需在现有工作负载硬件上运行复杂 AI 任务的需求而生。
在与众多客户的协作中，英特尔总结出五个关键步骤，助力各类组织规划人工智能技术的落地。
首先，需摸清当前计算基础设施的性能底数，涵盖计算、内存、存储及 I/O 资源。
其次，评估各类可用的人工智能框架与库，从中甄选契合企业需求的产品。英特尔至强可扩展处理器的最新计算平台，已针对包括 TensorFlow、Caffe、MXNet 等主流 AI 框架进行了优化，同时也覆盖了图像识别、语言翻译、推荐引擎及生成式对抗网络等常见应用。
所选中的这些人工智能框架，必须已针对当前高性能计算基础设施完成优化，方能确保计算运行过程中实现最高的可扩展性、效率及性能表现。
若企业选择自研算法，则需在一开始便聚焦于针对现有架构环境优化算法。例如英特尔与亚马逊 AWS 合作优化云端训练算法，同时确保软件采用最新工具，以增强流程的流畅度。
最后，企业务必明确自身工作负载的形态，以及人工智能规划所占的比重，这将直接决定设施与技术套件的部署策略。
麦肯锡公司的调查数据显示，相较于 2013 年，企业平均在引入人工智能技术方面的投资额在近些年翻了三倍。毫无疑问，越来越多企业投身 AI 部署，是因为 AI 确能变革企业运营模式、提升工作效率，同时为用户推荐契合需求的服务，大幅提升产品体验。预计 2019 年将有更多企业采用人工智能技术来改写公司命运。
在为公司未来业务规模扩张做准备时，也必须将高性能计算架构与人工智能的融合纳入考量，在英特尔的助力下，以最低成本、最快速度完成企业计算基础设施的升级。
正如 Infinia ML 的 CEO Robbie Allen 在其博客中所言：“现在加入机器学习，还不算晚。”
扫描下方二维码或点击“阅读原文”，来拼出你的“数据”关键词