經過對傳統推理、一般機器學習、深度學習等人工智能（AI）主要技術路徑的梳理，我們瞭解了AI技術路徑的多樣性，也認識到在實際應用中，特別是在解決複雜問題時，基於CPU平臺來實現這些路徑的融合或搭配或許才是更佳的解決方案。通過重新審視數據在AI應用中的重要性，我們又看到企業在既有IT基礎設施和數據應用平臺之上構建AI，其實是更為快速、便捷、低風險和靈活的選擇。
這種再認識的過程，很容易讓我們聯想到《星球大戰》中的一句經典臺詞：“原力一直與你同在！”也就是說：適合多數企業開始AI之旅的平臺、基石，其實一直就在他們的身邊，從未遠離。
那麼，問題就來了：為什麼企業對於這種能讓他們使用熟悉且信任的基礎設施，無需大量額外投資，還能平滑和低風險地構建AI應用的選擇如此缺乏瞭解呢？為什麼一談起AI，他們就會立即想到那些新興的、專用的硬件架構或平臺呢？
用戶們這種“燈下黑”式的認知，主要是因為既有IT基礎設施此前未能真正釋放出它在AI應用上的潛能，畢竟，其算力的核心——CPU平臺一直都需要同時滿足多種應用的需求，在全新類別的應用出現時，往往需要一段時間來完成與之相關的優化，特別是軟件上的優化。
英特爾為AI提供端到端的、全棧式的技術支持，在以至強處理器為核心的硬件平臺之上，還有立足於軟件的三個層面的支持和優化，它們涵蓋了基礎層面、庫的層面和工具層面。根據AI應用需求來充分利用它們，是釋放既有基礎設施潛能的關鍵所在
好在今天，這種優化正走向完善，特別是在英特爾完成了面向數據科學家的，針對Caffe、TensorFlow、MXNet、BigDL等主流深度學習框架的優化，為使用庫（Library）的開發者們提供了包括英特爾MKL、MKL-DNN，DAAL在內的優化支持,以及為AI應用的開發者們提供了OpenVINO、Saffron AI等工具包後，企業既有基礎設施在承載AI應用時已變得更為遊刃有餘。
你要是不信，請看如下實錘：
京東在基於至強的集群上將圖像檢測和提取方案升級為英特爾開源的BigDL，其性能相比原有的基於專有架構的解決方案提升達3.83 倍。由於BigDL允許以Scala或Python編寫深度學習應用程序，也為開發、運維人員帶來了極大便利。
UCloud基於至強平臺構建的AI在線服務在搭配面向英特爾架構優化的 Caffe 框架後，同時運行的線程數量顯著增加，整體執行性能提高了10倍以上。它在人臉表情識別的測試中，在併發數為8-16節點時，性能可與專用架構的平臺相媲美。
GE 醫療集團在使用至強處理器的四個或四個以下的專用內核對CT影像進行分類測試時發現，使用由英特爾深度學習開發工具包和MKL-DNN生成的優化代碼，相比在同樣系統上運行的基準TensorFlow模型，在推理吞吐量上平均提高了14倍。
英特爾至強處理器E5-2650 v4在四個內容上的推理性能超過GE目標接近6倍
國內愛爾眼科針對特定眼底病變的智能閱片平臺在導入面向英特爾優化的Caffe框架和MKL-DNN 2017的優化後，不但將病變辨識準確率提高到了93%，處理速度也加快達70倍以上。
中國銀聯電子商務與電子支付國家工程實驗室基於至強平臺、Cloudera CDH、Apache Spark和BigDL構建的人工神經網絡風控系統，與基於規則的風控系統相比，能提供高達20%的正確度，並具備60%的涵蓋率，從而在短短數月內就達到了最佳訓練模式。由該實驗室主導開發的GBDT→GRU→RF三明治結構欺詐偵測模型，在至強平臺以及BigDL、面向英特爾架構優化的TensorFlow、英特爾MKL-DNN和DAAL等框架和工具的支持下，效率也得以大幅提升。
圖：GBDT→GRU→RF三明治結構欺詐偵測模型在信用卡偽卡偵測場景中的實測結果，其有效F1值（一種準確率和召回率的加權平均值，用於衡量偵測模型性能）超過0.4,遠超其他方法或模型的性能
相信上述這一組組鮮活的用例和數據，足以說明企業既有IT基礎設施在AI應用上的潛能到底有多強。只需對它稍做升級，如換用性能更強的至強處理器，並導入英特爾在框架、工具和庫等軟件層面的最新優化，即可充分釋放這種潛能，而且此前談到的至強平臺在AI應用上的兼容性、靈活性、便捷和低風險等優勢，也可照單全收。試問如此高效、省心的AI應用構建方式，在大家真正瞭解之後，誰還能做到視而不見？忍得住不去嘗試一把？
如何開始人工智能之旅：技術路徑不只一條 您的選擇也不只一個
https://mp.weixin.qq.com/s/fi5EGBfNEC_wxfv4h-W1hA
如何開始人工智能之旅：改弦更張不合算 別忽視既有平臺
https://mp.weixin.qq.com/s/1kzXkPweTJEO4AEhI1tGUw
閱讀更多 英特爾中國 的文章
