产业的转折点往往是由转折性的新技术造成的——纵然有些绝对，但却禁得住推敲。
人工智能是一系列技术集合。机器时代以大规模工厂化生产取代个体工场手工，人工智能时代，则以智能化取代非智能化的基础设施。在这一时代节点上，企业更关心的是“如何把自己的数据与AI更容易地整合到一起，甚至利用现有的基础设施或数据分析架构直接运行AI服务”。
AI入世：
效力于企业部署是AI的真正价值
今年的AI行业有些降温，企业主和工厂主失去把玩的兴致，转而关注资本回 率和创新价值。
从1997 年IBM“深蓝”超算击败了国际象棋冠军Garry Kasparov开始，“AI战胜人类”成为了群众喜闻乐见的国际重磅八卦，同时也让人们直观地感觉到，人工智能离我们越来越近了。到了2016年，谷歌AlphaGo在围棋比赛中击败李世石，这彻底掀起了AI热潮。这一场表演让AI完成了入世的抢滩登陆，也标志着AI投资繁荣时期的开始。
两三年过去，AI产业经历了“大起小落”的小周期，资本热捧和企业追逐之后，浮潮消退，价值涌出， AI从表演功用走向场景落地。深水区中，AI行业格局却不甚明朗，能看清并找到解决之道的企业只是少数。
企业应用新技术的动力不外乎三种：降低成本、增加效益、创造新机会。现实情况是——以目前的AI技术发展水平，上述效果还只能在产业的某一个环节或某一个步骤实现。
企业对于AI的需求更加理智，也更多元化。理智体现在注重投资回 ，企业希望看到可预见的效用，多元化体现在企业不再盲目追求某种炫目操作，而是希望供应商提供软硬协同的完整解决方案，最好是一个完整成熟的AI生态，让业务本身能够轻量便捷融入AI技术。
一些企业客户在实践过程中发现，应用人工智能最大的痛点就是数据——要么是得不到足够的数据，要么是数据的质量不够好。
数据真的不够吗？
人类历史上90%的数据都是在过去几年产生的，50%的数据都是短短两年所生成的。但目前只有2%的数据被真正的分析过。企业所面临的，不仅不是数据不够的问题，反而是数据产生的速度和规模，远远超过了现有设备的处理和计算能力，导致其价值无法被充分发掘。AI时代更加多样化的数据形态和计算场景，如何释放数据红利，对计算力提出了更高要求。
深度学习是新一轮人工智能发展的核心，构建深度学习的模型只是整个流程的一部分，要构建和应用深度学习模型，还有数据的导入、数据清洗、特征提取、对整个集群的资源的管理和各个应用之间对这个资源的共享等，这些繁琐复杂的工作占据了机器学习或者深度学习应用开发的大部分时间和资源。
该如何解决“人工”和“智能”割裂的问题，让研究算法的研究人员和做大数据处理工作的数据科学家能无缝衔接，需求匹配，是整个业界都在思索的问题。
当下的人工智能时代，数据处理、机器学习，以及算法只有和现有大数据处理工作流整合，才能发挥最高性能，任何深度学习的系统、框架、应用都要能够处理大规模的数据。
英特尔公司架构图形与软件集团副总裁和数据分析技术总监马子雅
“如果人工智能无法真正地效力于生产实践，是没有任何价值的。”英特尔公司架构图形与软件集团副总裁和数据分析技术总监马子雅谈道。
企业的数据需求是一块难嚼的牛轧糖，AI的实际部署自带光环，攻破数据痛点，深挖数据红利，让企业花更少的精力和成本，获得利益最大化的甜头。
AI出山：技术发展赛道明确
在企业AI需求呈指数级增长的今天，让技术创新的增长跟上需求的脚步，是AI时代大多数企业的共同奋斗目标。
在过去的几年中，深度学习逐渐从模型训练发展到推理阶段。经过训练（Training）之后神经 络，可以快速高效地从新的数据中推理（Inference）各种结论，人工智能发展到不同阶段有不同的侧重点，当深度学习模型训练环节变得成熟，如何达到更有效的推理目标就成为当下的重点。
从云端的训练到云端或者边端的推理，对芯片的需求不一致，此前深度学习模型训练与推理使用同一芯片，随着人工智能模型逐渐普及，推理芯片的需求变得愈发明确，注重综合指标、单位能耗算力、时延、成本等。
英特尔公司副总裁兼人工智能产品事业部总经理Naveen Rao
计算力和人工智能正在融为一体。未来几年，AI模型的复杂性以及对大规模深度学习计算的需求将爆发式增长。
在今年的百度AI开发者大会上，英特尔公司副总裁兼人工智能产品事业部总经理Naveen Rao也提到，如今AI的计算力需求平均每3个半月就会翻一番。
算法、数据、算力三大要素皆备，人工智能进入爆发周期，剖析毫厘，人工智能产业的进一步发展将有赖于底层芯片技术的持续突破。而反过来，底层芯片的技术发展，也就是计算力的指数级增长也将依赖于人工智能技术的引入。
英特尔公司首席执行官司睿博（Bob Swan）
“在人工智能领域，我们的目标是在英特尔生产的每颗芯片中部署AI的能力”，英特尔CEO Bob Swan如此表示。
这样看来，人工智能的赛道仿佛很明确，却注定大部分人是陪跑。英特尔认为，虽然人工智能技术在飞速地成熟起来，但仍处于初期阶段，是一场没有终点的马拉松。
英特尔：补全AI时代的技术代差
在不同技术领域都存在同一个现象，即技术代差递补性(Technical Generation Complementary)：指当一项具有代差的全新技术出现时，由于它自身的不完备性，往往需要现有技术作为其补充，与之形成在技术上的“高低搭配”。因此新技术并不能够完全取代现有技术而主宰整个市场。
听起来这与AI所面临的现状何其相似，AI三要素中，算力、算法和数据都呈螺旋上升态势，自身都有其不完备性，英特尔所扮演的角色就是——补全AI时代的技术代差，而这一切依赖的就是硬件、软件和生态的全面创新。
“对于客户来说，他们关心的是如何把自己的数据与AI更容易的整合到一起，甚至利用现有的基础设施或数据分析架构直接运行AI服务。”马子雅点出。
据统计，世界上超过95%的AI推理依赖的是英特尔至强处理器，而这是一款通用型芯片。不是GPU，也不是任何其它的AI芯片。
这意味着什么呢？
这意味着基于已有的英特尔至强可扩展处理器，也就是CPU，企业客户就可以结合运用人工智能来满足其性能需求，并拓展现有解决方案，将变更成本降至最低。全世界最大的内容推荐引擎Taboola，通过CPU进行扩展，不仅将推理速度提高了257%，并且减少了基础设施支出。自2016年开始，英特尔针对百度飞桨（PaddlePaddle）深度学习框架优化至强处理器，利用INT8优化，诸如ResNet-50等CNN，能将每秒图像数/推理吞吐量提升两倍以上。这些优势既有利于开发者，也能惠及最终用户。
今年4月份更新的第二代至强产品，更是为人工智能重塑，集成了英特尔DL Boost技术，以加速数据中心、企业和智能边缘计算环境中的人工智能推理工作负载，例如图像识别、对象检测及图像分割等。同时，第二代英特尔至强可扩展处理器加入了英特尔深度学习加速技术的新矢量神经 络指令（VNI），可显著提高基于硬件的性能。
在AI时代，英特尔看到了一个异构的世界，这意味着AI并不能只靠一块芯片来实现。Naveen Rao甚至提出，在AI解决方案落地企业部署的过程中，软件甚至比硬件更关键。在AI领域，英特尔的软件策略即是以开源技术打通客户端到端的AI实践场景。从基础层、库再到工具包……英特尔将自己的BigDL分布式深度学习库和Analytics Zoo这一大数据分析+AI平台开源化，降低了普通大数据用户和数据科学家在使用深度学习进行数据分析和构建人工智能应用时的门槛。此外，英特尔的软件项目“One API” 提供一个统一的编程模型，以简化跨不同计算架构的应用程序开发工作。而其OpenVINO工具包则实现了跨不同的SVMS架构，为开发者提供一致、优化的深度学习推理能力。英特尔“软硬协同”的技术发展策略，就是通过借助最新的软件库和编译器，发挥现有硬件的最佳性能。英特尔希望构建全栈解决方案，帮助开发者更快速地开发AI应用，让深度学习之前的准备工作最大程度简化，让“人工”和“智能”不再割裂。
英特尔的技术让AI更好开发，也让AI更好用。同时，英特尔抱着开放合作的心态解决复杂挑战，与广泛的产、学、研伙伴深度合作，一起加速AI项目落地，发掘商业价值，探索最佳解决方案。广泛的生态圈与紧密的伙伴式合作，合作的广度与深度，让英特尔这样的具有全面创新能力的企业得以与客户、合作伙伴们分享其在各个领域的经验与创新成果，以航母领舰队，从而全面助推AI与各行各业的融合，真正引领AI这一转折性技术的发展。如今，英特尔已与客户和合作伙伴一起，在智慧零售、精准医疗、工业制造、金融、物流等场景让AI落地生根。
结语
AI是一种快速增长的工作负载。英特尔预计，数据中心AI芯片的总体潜在市场规模（TAM）正以25％的复合年增长率（CAGR）增长，预计到2023年将达到100亿美元。而AI也不仅是单一的工作负载，而是一种广泛的、能够强化所有应用性能的强大能力，无论这些应用是运行在手机上还是大规模数据中心内。
AI时代已来。基于软硬件协同的全面创新，实现指数级增长，这加快的将不仅是人工智能的企业级部署。AI以致用，还能为人类带来什么呢？
声明：本站部分文章及图片源自用户投稿，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！