人工智能再赋能企业的关键突破点

# 人工智能时代已经来了 关注新闻动态，你会发现如今与人工智能相关的热点话题越来越多。从亚马逊利用AI检测员工工作效率，到人工智能与医疗领域深度融合，再到我们首次借助算法力量一睹黑洞真容——这些案例背后，都是人工智能在不同行业发挥实际作用的真实写照。 ## 从研究大脑到个人理财，人工智能正在重新定义“可能” 大脑或许是宇宙中最复杂的结构之一。它的精密程度远超我们目前的认知，研究大脑也因此成为最具挑战性的科研方向之一。但如今，借助人工智能的力量，人类对大脑的理解正迈入一个前所未有的新阶段。 普林斯顿大学神经科学研究院与英特尔实验室的合作项目，正是希望通过人工智能开发出能够实时绘制人类思维图谱的软件。这可以说是目前全球最前沿的研究方向之一。 具体实现方式如下：科学家先将受试者置于fMRI（功能性磁共振成像）扫描仪中，记录其大脑活动模式，再根据这些模式判断他们在某一时刻的思维内容。随后，科研人员训练计算机模型，让机器学会识别不同脑部图像的含义。当机器面对新图像时，就能基于之前的学习成果，尝试解读图像所表达的内容。 这类任务极为复杂，要求机器快速处理海量图像与数据，对计算性能提出了极高要求。英特尔与普林斯顿的合作，使研究人员能够利用机器学习、人工智能和高性能计算，快速分析MRI扫描仪输出的数据，从而推断大脑内部的活动状态。 值得一提的是，普林斯顿团队还研发了大脑成像分析工具包（Brain Imaging Analysis Kit）。这样一来，全球各地的神经科学家都能借助普林斯顿的机器学习算法分析脑部图像。这项研究成果有望帮助医生和研究人员更精准地诊断和治疗抑郁症、创伤后应激障碍、焦虑等精神类疾病，从而大幅推动神经科学领域的科研进展。 人工智能的应用当然不仅限于医疗领域。 Clinc是一家总部位于美国密歇根州安娜堡的创业公司，他们希望开发一款语音App，让它扮演用户的“个人财务助理”。例如，用户可以直接询问：“过去三个月，我在超市花费了多少钱？” 这款App不仅能给出总额，还能计算该支出在总支出中所占的比例。 但这里存在一个难点：由于机器的理解能力有限，传统的人机交互往往要求用户按照特定规则提问，无法像人与人之间那样自由交流。然而，Clinc的创始人认为，人们在日常交流中提出的问题本来就是“自然”甚至“杂乱”的。如果想让机器为复杂问题提供个性化且即时的回答，就必须借助最新的机器学习与深度学习技术。 他们最终与英特尔合作，打造了名为“Finie”的应用。现在，当用户问出“我最近买鞋花的钱是不是有点多？”这类模糊问题时，它也能理解指令并给出回应。 从医疗到个人理财，从自动驾驶到前沿科技探索——人工智能正与各行各业深度融合。然而，融合的过程远非想象中那么简单。 ## 人工智能并非万能解决方案 “人工智能”这个概念近两年才火起来，但相关研究早在几十年前就已启动。只是长期以来，受限于数据量与计算能力，人工智能始终无法达到支撑获取洞察并做出决策的水平。 近两年的升温并非偶然。随着企业、学术机构和政府部门不断探索新方法收集海量数据，同时计算能力显著提升、成本持续降低，人工智能终于从“构想”转化为可实际落地的技术。 但AI的应用与落地，远不像90年代互联网浪潮那样——所谓的“与互联网结合”不过是给公司建个网站。许多企业在考虑部署AI时，首先面临的难题是：如何将人工智能解决方案与现有的高性能计算工作负载有效融合？ 目前主要有几种主流方式： 第一种，在现有高性能计算基础设施上引入并运行人工智能框架，例如谷歌开源的TensorFlow。不过，这对计算机的GPU、CPU、内存和硬盘配置提出了较高要求。 第二种，通过人工智能引擎分析模型运行后的输出数据，从而优化现有的高性能计算工作负载（如仿真与建模）。 第三种，使用生成式对抗网络整合复杂的数据源。例如，在宇宙学研究中，原本需要通过在高性能计算集群上运行线性代数方程来创建暗物质统计模型。如果在同一平台上添加AI层，就可以直接从卫星中提取数据和图像，加速结果生成并增强模型。 无论采用哪种方式，AI赋能企业都需要软件与硬件的双重保障。先说硬件：英特尔至强可扩展处理器正是为了针对大量AI工作负载进行优化而设计。几周前，英特尔发布了第二代至强处理器，新增了Cascade Lake-AP铂金9200系列，最高可达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功能，推理性能提升了1.4倍——被视为过去五年中至强处理器系列最大的一次升级。 硬件是基础。有了硬件保障之后，企业又该如何将人工智能与自身业务深度融合并优化呢？ ## 企业想与AI结合？这五个关键步骤值得参考 类似前面提到的那些项目，都需要专业的开发人员与技能来构建高质量的训练模型，并将这些模型集成到计算流程中。每个行业运行的应用不同，还有很多AI应用借助公有云或私有云运行。因此，在谈“人工智能解决方案与高性能计算融合”时，并不存在所谓的“万能方案”。 不过，企业可以借助英特尔的力量，对现有的高性能计算平台进行评估，从而高效运行AI驱动的工作负载。以下是五个关键步骤： **第一步**，企业需要全面了解当前的计算基础设施性能，包括计算、内存、存储及I/O资源，并评估需要哪些投资来优化AI应用。 **第二步**，对可用的人工智能框架与库进行评估，选择适合自身需求的产品。英特尔至强可扩展处理器平台已针对TensorFlow、Caffe、MXNet等常见框架进行了优化。例如，英特尔Optimization for TensorFlow是基于Python的深度学习框架，用于增强现代深度神经网络的易用性和可扩展性，覆盖图像识别、语言翻译、推荐引擎和生成式对抗网络等常见应用场景。 **第三步**，选定框架后，要确保针对当前的高性能计算基础设施进行优化，以保证计算运行过程中获得最高的可扩展性、效率和性能。 **第四步**，如果企业选择自研算法，需要从一开始就专注于针对现有架构环境进行优化。例如，英特尔与Amazon Web Service合作优化云端训练算法，同时确保软件使用最新工具，有助于流程顺畅化。 **第五步**，企业需要明确自己的工作负载形态——AI计划需要多少训练和推理？人工智能规划占多大比重？具体需求直接决定了设施与技术套件的部署方式。 此外，英特尔还与多家行业领先企业合作开发了面向高性能计算的精选解决方案，帮助缩短提供可行洞察和设计新产品的时间。 当然，即便如此，企业与高性能计算环境的完全融合也需要时间，这一过程的挑战性不容低估。但对于企业而言，用人工智能赋能，已经不仅是一个大趋势，更是可能领先竞争对手的关键一步。