歡迎來到人工智能時代。

　　留意一下就會發現，現在越來越多的新聞頭條都和人工智能有關：從亞馬遜用人工智能解雇偷懶員工、到人工智能與醫療深度結合、再到我們首次托機器算法的福、一睹黑洞真面目。。.背后都是人工智能作用于各個領域。

　　從研究大腦到個人理財，人工智能多領域賦能

　　大腦或許算得上是宇宙中最復雜的東西了，它如此精密而復雜，以至于我們直到今天對它的了解都極為有限，對大腦的研究自然也成為難度最大的科研領域之一。

　　但現在，借助人工智能的力量，人類對自己大腦的了解將達到前所未有的程度。普林斯頓大學神經科學研究院（Princeton Neuroscience Institute）與英特爾實驗室的合作，就是想通過人工智能，開發出可實時繪制人類思維圖的軟件，以大大推進科研進度。

　　科學家們希望通過使用 fMRI （功能性磁共振成像），能直觀地看到人們在思考和感受某種情緒時，大腦內部都在發生哪些變化，從而讓人們學會如何更好地集中注意力。

　　具體是怎么操作的呢？首先，科學家們把人們放入 MRI 掃描儀里，記錄他們的大腦活動，然后再根據他們大腦的活動模式，判斷出他們某一時刻在想些什么。

　　之后，科研人員通過訓練其計算機模型，以教會機器不同的大腦圖像都是什么意思、反應什么內容。然后，科研人員再給機器一張新的圖像，機器就會在之前訓練的基礎上，試圖理解新圖像的含義。

　　但這種非常復、需要機器快速處理極大量圖片、數據的任務，對計算機的計算能力的要求也極高。

　　我們在之前的這篇文章里也談到，英特爾近兩年來在人工智能領域頻頻出手。其與普林斯頓的合作，使研究人員能用機器學習、AI、HPC（高性能計算）快速分析從MRI 掃描儀中獲取的數據。 它使用高性能計算、機器學習和人工智能，對功能性磁共振成像（fMRI）掃描所得的數據進行分析，從而推斷大腦內部正在思考什么。

　　此外，普林斯頓研究所團隊還創建了大腦成像分析工具包（Brain Imaging Analysis Kit），讓各地的神經科學家們都可以使用普林斯頓的機器學習算法，對腦圖像進行分析，以進一步推動新發現。這項研究的發現能讓醫生及研究人員們更好地診斷、治療抑郁癥、創傷后應激障礙、焦慮等精神方面疾病，大大加快神經領域的科研進度。

　　除了醫療，人工智能在其他諸多領域也扮演著越來越重要的角色。

　　Clinc 是一個基于手機等移動設施的、靠語音激活的人工智能平臺創業公司，總部位于美國密歇根州安娜堡（Ann Arbor），目前已完成 A 輪融資。其團隊想打造一款語音 App，讓這款App 扮演用戶的 “個人財務小管家” 的角色，幫用戶更便捷、準確地了解自己的財務狀況。

　　比如用戶可以語音問 App：“過去三個月，我在超市花了多少錢？” App 就會給出總金額，及此項花費在總花費里的占比。

　　由于機器的理解能力有限，這種人機互動往往要求人們提問時遵循一系列規則、不能像人與人交流一樣自由發揮，而是用機器可以聽懂的方式提問。但 Clinc 的創始人認為，人們在交流時問的問題往往是 “自然的”、“亂糟糟的”。

　　因此，如果要讓機器為復雜的問題也能提供個性化、即時的答案，Clinc 團隊意識到他們需要利用最新的機器學習及深度學習技術。

　　由于當前的自然語言算法尚不能解決這個問題，他們同樣也選擇與英特爾合作，一起打造出了名為 “Finie” 的 APP。這樣，在用戶問更模糊的問題時，例如 “我最近花在鞋子上的錢是不是有點多？” 它也能夠明白用戶的指令，并作出相應回答。

　　除了醫療、個人理財領域，人工智能在其他領域也有極為廣泛的應用，并且隨著人工智能在功能、數據量及計算能力方面的增長，及其與高性能計算（HPC）相結合，無疑它將發揮更大的潛力。

　　從探索前沿科技、到自動駕駛、到個人理財、再到醫療領域，各個行業在積極與人工智能融合的同時，也面臨著一系列挑戰。

　　人工智能不是萬能解決方案

　　“人工智能” 的概念這兩年才開始火起來，其實我們對于人工智能的研究，早在幾十年前就開始了，不過很長時間以來，受制于數據量和計算能力，人工智能一直無法達到支撐獲取洞察、并以此做出有力決策的水平。

　　看來，近兩年人工智能領域的穩步升溫并非偶然現象：隨著眾多企業、學術組織和政府不斷產生新辦法收集海量數據，加之計算能力的顯著提高、成本的降低，人工智能終于從 “構想”，逐漸變為可應用、可落地的技術。

　　但人工智能的應用與落地，遠不像 90年代互聯網浪潮時，所謂 “與互聯網結合” 就等于給公司做個網站那樣粗暴簡單。很多企業在考慮為公司業務部署AI時，首先都需要思考一個難題：到底如何將人工智能解決方案與現有的高性能計算機工作負載進行融合？

　　通常，融合的方式有以下三種：

　　在企業現有的高性能計算基礎設施上，引入并運行人工智能框架，如谷歌的開源項目 TensorFLow 等，不過這對計算機 GPU、CPU、內存和硬盤配置都有較高的要求；

　　另外一種，則是通過人工智能引擎來分析模型運行之后的輸出數據，以優化現有的高性能計算工作負載（如仿真和建模）；

　　還有一種，就是使用生成式對抗網絡（一類專為無監督機器學習而設計的人工智能算法），來組合復雜的數據源。例如，對暗物質的宇宙學研究，如今可以通過在高性能計算集群上運行線性代數方程來創建統計模型。通過在同一平臺上添加人工智能層，就有可能從衛星中直接提取數據和圖像，從而加快生成結果、增強模型，推進科研進度。

　　當然，不論哪種方式，人工智能賦能于企業，都需要軟件與硬件的雙重保障。

　　我們先來說硬件：英特爾 “至強” Xeon 可擴展處理器，就是為針對許多人工智能工作負載進行優化而誕生的。

　　幾周前，英特爾剛剛發布了第二代至強 Xeon 處理器，相較于第一代，第二代 Xeon 處理器新增了代號為 Cascade Lake-AP 的鉑金 9200 系列，最多可達 56 核心112線程；更重要的是，這代處理器內置了機器學習加速（Intel DL Boost）功能，推理性能提升1.4倍，被認為是將嵌入式AI性能提升到新的水平，也被認為是英特爾過去五年中，在 Xeon 處理器系列中提供的最大一代改進。

　　硬件是其他一切的基礎，沒有硬件的支持，其他也無從談起。在有硬件保障后，企業該如何具體把人工智能與自身業務融合、優化呢？

　　企業想與人工智能結合？五個關鍵步驟

　　類似這些項目的成功，背后需要特定的開發人員和技能構建高質量的訓練模型，并且將這些模型集成到計算流程之中，才能真正令計算平臺滿足組織的需求。每個領域與行業所運行的應用不盡相同，此外還有很多人工智能應用，借助公有云或私有云運行，因此在談及 “人工智能解決方案和高性能計算融合” 時，不存在所謂 “萬用解決方案”。

　　不過，企業可以借助英特爾的力量，對現有高性能計算平臺進行評估，從而高效運行人工智能驅動的工作負載。英特爾建議，企業啟動 AI 應用構建時，應該充分評估既有數據儲存、處理和分析平臺，基于它來構建和部署符合自身需求的AI應用。此外，英特爾總結出了五個關鍵步驟來幫助各類組織規劃人工智能技術的實現。

　　第一步，企業需要了解當前的計算基礎設施性能，包括計算、內存、儲存及 I/O資源，并確定可能需要哪些投資來優化人工智能；

　　第二步，企業需要對可用的人工智能框架和庫進行評估，選擇出符合企業自身需求的產品。

　　英特爾至強可擴展處理器的最新計算平臺也已經針對包括 TensorFLow、Caffe、MXNet 等常見的人工智能框架進行了優化。比如，英特爾 Optimization for TensorFlow 這款產品，就是基于Python 的深度學習框架，用以加強現代深度神經網絡的易用性及可擴展性。此外還包括圖像識別、語言翻譯、推薦引擎和生成式對抗網絡等常見的應用；

　　第三步，選中一款人工智能框架后，企業要確保已針對當前的高性能計算基礎設施進行優化，以確保計算運行過程中能獲得最高可擴展性、最高效率和最佳性能；

　　第四步，如果企業選擇自己開發算法，則需要在一開始就專注于針對現有架構環境優化算法，例如英特爾與 Amazon Web Service 合作，優化云端訓練算法，同時確保軟件使用的是最新工具，有助于增強流程的流暢化；

　　第五步，企業需了解其工作負載會是何種形態，比如，企業將運用到的人工智能計劃將需要多少訓練及推理、對人工智能的規劃占多少比重。具體需求將直接決定設施和技術套件的部署。

　　在這五步驟之外，英特爾還提供了很多其他的援助，比如英特爾與多家行業領先企業合作開發了面向高性能計算的英特爾精選解決方案，以縮短提供可行洞察、設計新產品的時間。

　　當然，即便如此，企業與高性能計算環境實現完全融合都需要時間，其過程本身也充滿挑戰。但對企業來說，以人工智能賦能，無疑是發展的大趨勢、或許也會成為領先于對手的關鍵一步。