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。

文 | OolongT

麻省理工学院 Katie Bouman 的团队将8台望远镜观测5500万光年之外的M87星云所拍摄的照片，共计7000TB数据，经由 CHIRP 机器学习算法，第一次将黑洞的“样貌”呈现在我们眼前。

机器学习不仅可以在科研领域发光发热，它也是人工智能的一种实现方法——通过对数据进行解析、学习，从而为真实世界提供决策和预测。一些重要但重复的任务，我们大可交给人工智能，以此提高工作效率、降低成本，并获得更可靠的结果，人类则可以节省时间和精力去从事更具创造性的工作。

科研项目需要从大量数据中筛选出有效信息，产品公司需要将客群和用户分类后为他们提供对应的服务，甚至很多企业的招聘环节都已经由人工智能代替，从海量的简历中为部门筛选最适合的人选。

我国庞大的人口和产业技术为人工智能创造价值带来了先天性的数据优势，制造、家居、金融、 教育、交通、安防、医疗、物流等领域都有人工智能技术的身影，并且，可以预见的是，未来这些领域对相关技术的需求还将进一步扩大。

不可否认的是，“数据分析和处理”是整个过程中的关键。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，很多企业在考虑为公司业务部署AI时，都会面临如何将人工智能解决方案与现有的高性能计算机工作负载进行融合的难题。

通常融合的方式有三种：在现有的高性能计算基础设施上引入并运行人工智能框架，例如谷歌的开源项目TensorFLow等，这对GPU、CPU、内存和硬盘配置都有较高的要求。

其次是通过人工智能引擎来分析模型运行之后的输出数据，主要运用于仿真和建模，这自然需要一个拥有极强算力的平台来支撑。

再者，就是使用生成式对抗网络来组合复杂的数据源。

由于每个领域和行业所运行的应用不尽相同，也有很多人工智能应用借助公有云或私有云运行，因此也就没有一个“万能的解决方案”来对人工智能解决方案和高性能计算进行融合。不过倒是可以借助英特尔的力量，对现有高性能计算平台进行评估，从而高效运行人工智能驱动的工作负载。

普林斯顿大学神经科学研究院就曾和英特尔实验室合作，采用高性能计算、机器学习和人工智能来对功能性磁共振成像扫描所得的数据进行分析，实时绘制人类思维图，从此就诞生了一款可以推断大脑正在想什么的软件，帮助全球神经科学家进行精神疾病的诊断和治疗。

像这样的成功案例还有很多，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导入其原本的计算集群，让实验室能开发自己的深度学习程序。很多企业都可以仿照这个案例，在既有的至强处理器“核芯”及其支持的既有数据应用的基础之上去构建AI应用，这显然比另起炉灶、从零开始的设施升级成本和风险更低。

类似这些项目的成功，背后需要特定的开发人员和技能构建高质量的训练模型，并且将这些模型集成到计算流程之中，才能真正令计算平台满足组织的需求。正如英特尔所认为的那样，企业启动AI 应用构建时，应该充分评估既有数据储存、处理和分析平台，基于它来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就是能够通过英特尔深度学习增强功能专为那些需要在现有工作负载硬件上运行复杂AI工作而诞生的。

在与众多客户合作过程中，英特尔总结出了五个关键步骤来帮助各类组织规划人工智能技术的实现。

首先，需要了解当前的计算基础设施性能，包括计算、内存、储存和I/O资源。