人工智能还能赋能于企业?

　　欢迎来到人工智能时代。

　　留意一下就会发现，现在越来越多的新闻头条都和人工智能有关：从亚马逊用人工智能解雇偷懒员工、到人工智能与医疗深度结合、再到我们首次托机器算法的福、一睹黑洞真面目。。.背后都是人工智能作用于各个领域。

　　从研究大脑到个人理财，人工智能多领域赋能

　　大脑或许算得上是宇宙中最复杂的东西了，它如此精密而复杂，以至于我们直到今天对它的了解都极为有限，对大脑的研究自然也成为难度最大的科研领域之一。

　　但现在，借助人工智能的力量，人类对自己大脑的了解将达到前所未有的程度。普林斯顿大学神经科学研究院（Princeton Neuroscience Institute）与英特尔实验室的合作，就是想通过人工智能，开发出可实时绘制人类思维图的软件，以大大推进科研进度。

　　科学家们希望通过使用 fMRI （功能性磁共振成像），能直观地看到人们在思考和感受某种情绪时，大脑内部都在发生哪些变化，从而让人们学会如何更好地集中注意力。

　　具体是怎么操作的呢？首先，科学家们把人们放入 MRI 扫描仪里，记录他们的大脑活动，然后再根据他们大脑的活动模式，判断出他们某一时刻在想些什么。

　　之后，科研人员通过训练其计算机模型，以教会机器不同的大脑图像都是什么意思、反应什么内容。然后，科研人员再给机器一张新的图像，机器就会在之前训练的基础上，试图理解新图像的含义。

　　但这种非常复、需要机器快速处理极大量图片、数据的任务，对计算机的计算能力的要求也极高。

　　我们在之前的这篇文章里也谈到，英特尔近两年来在人工智能领域频频出手。其与普林斯顿的合作，使研究人员能用机器学习、AI、HPC（高性能计算）快速分析从MRI 扫描仪中获取的数据。 它使用高性能计算、机器学习和人工智能，对功能性磁共振成像（fMRI）扫描所得的数据进行分析，从而推断大脑内部正在思考什么。

　　此外，普林斯顿研究所团队还创建了大脑成像分析工具包（Brain Imaging Analysis Kit），让各地的神经科学家们都可以使用普林斯顿的机器学习算法，对脑图像进行分析，以进一步推动新发现。这项研究的发现能让医生及研究人员们更好地诊断、治疗抑郁症、创伤后应激障碍、焦虑等精神方面疾病，大大加快神经领域的科研进度。

　　除了医疗，人工智能在其他诸多领域也扮演着越来越重要的角色。

　　Clinc 是一个基于手机等移动设施的、靠语音激活的人工智能平台创业公司，总部位于美国密歇根州安娜堡（Ann Arbor），目前已完成 A 轮融资。其团队想打造一款语音 App，让这款App 扮演用户的 “个人财务小管家” 的角色，帮用户更便捷、准确地了解自己的财务状况。

　　比如用户可以语音问 App：“过去三个月，我在超市花了多少钱？” App 就会给出总金额，及此项花费在总花费里的占比。

　　由于机器的理解能力有限，这种人机互动往往要求人们提问时遵循一系列规则、不能像人与人交流一样自由发挥，而是用机器可以听懂的方式提问。但 Clinc 的创始人认为，人们在交流时问的问题往往是 “自然的”、“乱糟糟的”。

　　因此，如果要让机器为复杂的问题也能提供个性化、即时的答案，Clinc 团队意识到他们需要利用最新的机器学习及深度学习技术。

　　由于当前的自然语言算法尚不能解决这个问题，他们同样也选择与英特尔合作，一起打造出了名为 “Finie” 的 APP。这样，在用户问更模糊的问题时，例如 “我最近花在鞋子上的钱是不是有点多？” 它也能够明白用户的指令，并作出相应回答。

　　除了医疗、个人理财领域，人工智能在其他领域也有极为广泛的应用，并且随着人工智能在功能、数据量及计算能力方面的增长，及其与高性能计算（HPC）相结合，无疑它将发挥更大的潜力。

　　从探索前沿科技、到自动驾驶、到个人理财、再到医疗领域，各个行业在积极与人工智能融合的同时，也面临着一系列挑战。

　　人工智能不是万能解决方案

　　“人工智能” 的概念这两年才开始火起来，其实我们对于人工智能的研究，早在几十年前就开始了，不过很长时间以来，受制于数据量和计算能力，人工智能一直无法达到支撑获取洞察、并以此做出有力决策的水平。

　　看来，近两年人工智能领域的稳步升温并非偶然现象：随着众多企业、学术组织和政府不断产生新办法收集海量数据，加之计算能力的显著提高、成本的降低，人工智能终于从 “构想”，逐渐变为可应用、可落地的技术。

　　但人工智能的应用与落地，远不像 90年代互联网浪潮时，所谓 “与互联网结合” 就等于给公司做个网站那样粗暴简单。很多企业在考虑为公司业务部署AI时，首先都需要思考一个难题：到底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？

　　通常，融合的方式有以下三种：

　　在企业现有的高性能计算基础设施上，引入并运行人工智能框架，如谷歌的开源项目 TensorFLow 等，不过这对计算机 GPU、CPU、内存和硬盘配置都有较高的要求；

　　另外一种，则是通过人工智能引擎来分析模型运行之后的输出数据，以优化现有的高性能计算工作负载（如仿真和建模）；

　　还有一种，就是使用生成式对抗网络（一类专为无监督机器学习而设计的人工智能算法），来组合复杂的数据源。例如，对暗物质的宇宙学研究，如今可以通过在高性能计算集群上运行线性代数方程来创建统计模型。通过在同一平台上添加人工智能层，就有可能从卫星中直接提取数据和图像，从而加快生成结果、增强模型，推进科研进度。

　　当然，不论哪种方式，人工智能赋能于企业，都需要软件与硬件的双重保障。

　　我们先来说硬件：英特尔 “至强” Xeon 可扩展处理器，就是为针对许多人工智能工作负载进行优化而诞生的。

　　几周前，英特尔刚刚发布了第二代至强 Xeon 处理器，相较于第一代，第二代 Xeon 处理器新增了代号为 Cascade Lake-AP 的铂金 9200 系列，最多可达 56 核心112线程；更重要的是，这代处理器内置了机器学习加速（Intel DL Boost）功能，推理性能提升1.4倍，被认为是将嵌入式AI性能提升到新的水平，也被认为是英特尔过去五年中，在 Xeon 处理器系列中提供的最大一代改进。

　　硬件是其他一切的基础，没有硬件的支持，其他也无从谈起。在有硬件保障后，企业该如何具体把人工智能与自身业务融合、优化呢？

　　企业想与人工智能结合？五个关键步骤

　　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。每个领域与行业所运行的应用不尽相同，此外还有很多人工智能应用，借助公有云或私有云运行，因此在谈及 “人工智能解决方案和高性能计算融合” 时，不存在所谓 “万用解决方案”。

　　不过，企业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。英特尔建议，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。此外，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。

　　第一步，企业需要了解当前的计算基础设施性能，包括计算、内存、储存及 I/O资源，并确定可能需要哪些投资来优化人工智能；

　　第二步，企业需要对可用的人工智能框架和库进行评估，选择出符合企业自身需求的产品。

　　英特尔至强可扩展处理器的最新计算平台也已经针对包括 TensorFLow、Caffe、MXNet 等常见的人工智能框架进行了优化。比如，英特尔 Optimization for TensorFlow 这款产品，就是基于Python 的深度学习框架，用以加强现代深度神经网络的易用性及可扩展性。此外还包括图像识别、语言翻译、推荐引擎和生成式对抗网络等常见的应用；

　　第三步，选中一款人工智能框架后，企业要确保已针对当前的高性能计算基础设施进行优化，以确保计算运行过程中能获得最高可扩展性、最高效率和最佳性能；

　　第四步，如果企业选择自己开发算法，则需要在一开始就专注于针对现有架构环境优化算法，例如英特尔与 Amazon Web Service 合作，优化云端训练算法，同时确保软件使用的是最新工具，有助于增强流程的流畅化；

　　第五步，企业需了解其工作负载会是何种形态，比如，企业将运用到的人工智能计划将需要多少训练及推理、对人工智能的规划占多少比重。具体需求将直接决定设施和技术套件的部署。

　　在这五步骤之外，英特尔还提供了很多其他的援助，比如英特尔与多家行业领先企业合作开发了面向高性能计算的英特尔精选解决方案，以缩短提供可行洞察、设计新产品的时间。

　　当然，即便如此，企业与高性能计算环境实现完全融合都需要时间，其过程本身也充满挑战。但对企业来说，以人工智能赋能，无疑是发展的大趋势、或许也会成为领先于对手的关键一步。