下面我們從7個方面，展開闡述英特爾如何從性能、數(shù)據(jù)預處理、可擴展性、內(nèi)存、模型部署、大數(shù)據(jù)分析、跨平臺部署應用等多方面實現(xiàn)優(yōu)化和升級，全面支持企業(yè)AI的 規(guī)?；瘧寐涞?。

很多人可能都認為AI這種新出現(xiàn)的技術，或者說應用負載，也應該用新的架構來支撐，其實不然。實際上隨著 CPU 性能的數(shù)量級提升，以及在軟硬件層面針對AI應用的不斷優(yōu)化，CPU平臺也能很好地承載 AI 應用?，F(xiàn)在CPU 能兼容幾乎所有的 AI 主流技術，深度學習的應用任務，特別是推理，完全可以用 CPU來搞定。而且CPU還有一個特定的優(yōu)勢，就是當用戶混合使用機器學習和深度學習方法時，CPU更適合承載這樣的任務。

不斷更新?lián)Q代的英特爾CPU平臺，已經(jīng)在AI應用特別是推理上提供了強大的算力。以第二代英特爾®至強®可擴展處理器為例，它集成了加速人工智能深度學習推理的英特爾®深度學習加速（英特爾®DL Boost）技術，將人工智能性能提升到一個全新的水平，可加速數(shù)據(jù)中心、企業(yè)和智能邊緣計算環(huán)境中的人工智能推理工作負載。以常見的 Caffe Resnet-50 模型為例來看性能變化，第二代英特爾®至強®鉑金8280處理器借助英特爾DL Boost技術，圖像識別的速度可比上一代英特爾至強可擴展處理器提升14倍。

另外，英特爾CPU平臺還與各類主流深度學習框架 （包括 TensorFlow、PyTorch、caffe 、MXNet、PaddlePaddle、BigDL 等）合作，針對CPU的AI訓練和AI推理功能進行全面優(yōu)化，Xeon處理器訓練性能因此得到不斷提升，客戶也可以選擇使用適合自身需求的深度學習框架做模型訓練，而無需購買或者設置不同的硬件基礎設施。

隨著軟件工具的不斷更新及面向主流框架的深度優(yōu)化，CPU 平臺不論是支持基于單一 AI 技術的應用，還是在運行融合了多種 AI 技術的應用時，其性能表現(xiàn)都更為突出。對于全新硬件架構的每一個數(shù)量級的性能提升潛力，軟件能帶來超過兩個數(shù)量級的性能提升。以第二代英特爾至強可擴展處理器上的VNNI深度學習加速指令為例，過去卷積神經(jīng)需要三條指令，而現(xiàn)在的話一條指令就可以了，通過在底層的軟硬件協(xié)同優(yōu)化，可根據(jù)不同深度學習框架將推理性能加速2-3倍甚至更多。

盡管當前市場對于AI技術抱有很大興趣，但實施水平仍然相當?shù)拖?。我們需要根?jù)應用需求構建起完整的數(shù)據(jù)分析/AI流水線，從高質(zhì)量數(shù)據(jù)源整理、數(shù)據(jù)預處理與清洗、適當特征數(shù)據(jù)的選擇與構建等前期工作開始，這就要求數(shù)據(jù)工程師、算法工程師等協(xié)同工作。

算法工程師往往要花很多時間，來處理用于深度學習模型訓練和測試的龐大數(shù)據(jù)，數(shù)據(jù)預處理會涉及很多很零碎的事情，比如校對數(shù)據(jù)的標注是否符合某種邏輯。在進行數(shù)據(jù)預處理時，所寫的代碼不一定是執(zhí)行起來效率最高的，因為有可能這些零碎的校驗數(shù)據(jù)功能只用一次，而不是反復使用。在這種情況下，可以使用方便快速實現(xiàn)功能的 Python 語言調(diào)用 CPU 來實現(xiàn)，而且基于 CPU 有很多現(xiàn)成的包和工具，具有更快數(shù)據(jù)預處理的優(yōu)勢。CPU還可以通過使用更多內(nèi)存、減少I/O 操作來提升AI運行效率。

如今的深度學習和AI領域，優(yōu)秀的算法和框架數(shù)不勝數(shù)，但英特爾開源的BigDL和采用了這一技術的Analytics Zoo平臺選擇了一個頗具獨特性的切入點，那就是專為已有大數(shù)據(jù)集群的場景設計。目前，來自零售業(yè)、金融服務行業(yè)、醫(yī)療保健業(yè)、制造業(yè)及電信業(yè)等領域的企業(yè)客戶都已經(jīng)開始在英特爾至強服務器上利用Analytics Zoo、或基于BigDL構建更為平滑無縫的數(shù)據(jù)分析-AI應用流水線。

在深度學習和機器學習領域，不管是模型訓練還是推理，為了分配和部署計算能力，常常需要基于現(xiàn)有的 IT 基礎設施或者云平臺進行硬件擴展。目前一些專有的AI架構平臺只能以卡或芯片為單位來管理和擴展，而英特爾至強平臺不僅更容易在更多節(jié)點上擴展，還能按核實現(xiàn)彈性的擴展和調(diào)配，能真正做到精細化的資源管理和調(diào)配。這使得AI平臺可以盡可能通過云化來提高靈活性，提升自動化管理水平，并充分利用到每個計算核心的價值等。換句話說，現(xiàn)在的基礎設施就是為可擴展性而搭建。

比如有開發(fā)者指出，在新一代Skylake-SP微構架芯片設計上，英特爾首次開始采用了全新網(wǎng)格互連構架（Mesh Interconnect Architecture）設計方式，從傳統(tǒng)的利用環(huán)形連接，到了新設計則全面改采用網(wǎng)格互連的方式，來進行資料存取與控制指令的傳送。因為最小單位可以是以每行、每列來連接，所以每顆 Skylake-SP 核心、緩存、內(nèi)存控制器及 I/O 控制器之間的路徑選擇變得更多元，還可以跨不同的節(jié)點互連，以尋找最短的數(shù)據(jù)傳遞捷徑，即使是加大核心數(shù)量，也能夠維持很快存取數(shù)據(jù)，并支持更高內(nèi)存頻寬，以及更高速的 I/O 傳輸。

不論是AI訓練還是推理，靠近計算單元的內(nèi)存或者說較高速的數(shù)據(jù)緩存都非常重要。在 AI 分析中，它們對訓練中的神經(jīng)網(wǎng)絡構建，并通過該網(wǎng)絡進行推理比較都有著重要的影響。因此我們希望在靠近計算單元的地方盡可能緩存更多數(shù)據(jù)。其容量的增加，會很大程度上提高 AI 的整體性能、準確性、響應速度。

訓練深度學習模型時，占用CPU 內(nèi)存比較大，一般來說單臺刀片可以輕松做到 256GB 以上的內(nèi)存，做分布式訓練時還可以把數(shù)據(jù)分配到不同機器上進行計算，而且可以盡量把數(shù)據(jù)預存到 CPU。此外，CPU 大內(nèi)存的優(yōu)勢不僅體現(xiàn)在訓練上，更主要的是推理，比如對尺寸很大的醫(yī)療影像模型進行推理處理。

即使沒有英特爾®傲騰™ 數(shù)據(jù)中心級持久內(nèi)存 的出現(xiàn)，英特爾至強處理器平臺也很容易擴展內(nèi)存的容量。但有了這種全新類型的產(chǎn)品后，內(nèi)存的存儲密度/價格比可能會更理想，其性能也接近 DRAM，讓更大量的數(shù)據(jù)可以更接近 CPU 進行移動和處理，極大地降低從系統(tǒng)存儲獲取數(shù)據(jù)的延遲。相比之下，專有架構平臺要擴展緩存，還是很不方便的。

在深度學習實踐中，是否應該去搭建一套新的專用平臺？持否定意見的開發(fā)者認為，目前主要用于 AI 模型推理的平臺都是基于 CPU 架構的，應該利用現(xiàn)有的數(shù)據(jù)中心基礎設施，利用現(xiàn)有的、熟悉的處理器平臺，以最低的成本部署人工智能，這相比另起爐灶、尋找其他計算平臺的方法，用時更短 、風險更低、性價比更高。

有開發(fā)者據(jù)此總結了三條理由：首先，現(xiàn)如今標準 CPU 平臺完全能夠勝任 AI 所有應用；其次，現(xiàn)在AI屬于“試錯階段“，同時技術也在快速演變和迭代，利用現(xiàn)有的 CPU 平臺，可以最小成本做最大的事，無需大量額外投資，但如果另起爐灶可能得不償失；最后，用多年熟悉且信任的 CPU 平臺，構建“激進”的 AI 項目，本身就是一個絕好的平衡，讓技術風險變得可控。

在現(xiàn)有英特爾架構支持的數(shù)據(jù)應用基礎上構建 AI 應用，生產(chǎn)環(huán)境非常成熟，易于部署，運維人員學習難度低。英特爾從云到端都有硬件平臺就緒，不論是通用計算還是專用芯片（如Movidius），而且還有相關的軟件支持，如眾多優(yōu)化庫、框架和工具。另外，英特爾為 AI 應用的開發(fā)者們提供了 OpenVINO 等工具包，可以方便實現(xiàn)模型部署，優(yōu)勢顯著。

Hadoop 和 Spark 是目前非常流行的大數(shù)據(jù)管理和處理框架，想利用它們承載的數(shù)據(jù)進行深度學習訓練，通常需要把這些數(shù)據(jù)導出，然后進行處理，這個過程不僅耗時而且投資較大，所以在這些大數(shù)據(jù)平臺上進行深度學習訓練顯得尤為重要。

有開發(fā)者認為，可以針對各種不同來源的數(shù)據(jù)，首先根據(jù)目標算法需要的數(shù)據(jù)格式，進行數(shù)據(jù)整合。得到目標數(shù)據(jù)之后，再根據(jù)業(yè)務需要，按照對應的比例，將最原始的數(shù)據(jù)分成訓練數(shù)據(jù)和測試數(shù)據(jù)，通過算法對數(shù)據(jù)不斷進行訓練，后期進行相應的測試。

其實更好的方式是打通數(shù)據(jù)流水線。英特爾的 Analytics Zoo （內(nèi)含BigDL）打通端到端數(shù)據(jù)流水線，在 Hadoop 和 Spark 等主流的大數(shù)據(jù)框架上，把數(shù)據(jù)的收集、存儲、傳輸、預處理、后期處理等環(huán)節(jié)，與 AI 的訓練和預測等部分有機結合起來，就可以讓企業(yè)的數(shù)據(jù)分析流水線變得高效而統(tǒng)一。例如，英特爾協(xié)助美的公司基于Analytics Zoo構建了一套端到端的產(chǎn)品缺陷檢測方案，準確率優(yōu)于人工檢查方法，并避免了檢查工作給生產(chǎn)線帶來侵入性影響。Analytics Zoo將Spark、TensorFlow以及BigDL程序整合至同一流水線當中，整個流水線能夠在Spark集群之上以透明方式實現(xiàn)擴展，從而進行分布式訓練與推理。最終使美的的圖像預處理時長由200毫秒降低至50毫秒，并將延遲影響由2,000毫秒縮短至124毫秒。

深度學習應用的開發(fā)周期很長，而且往往會涉及多個工具和平臺，如何將新技術、新創(chuàng)新應用到非常大規(guī)模、大數(shù)據(jù)的生產(chǎn)系統(tǒng)中，目前在軟硬件架構上有非常大的斷層。這提升了技術開發(fā)門檻，開發(fā)者十分期待從云端到終端能跨平臺部署深度學習應用。

2018年，英特爾開源了Analytics Zoo，構建了端到端的大數(shù)據(jù)分析+AI平臺，無論是用TensorFlow還是Keras，都能將這些不同模塊的程序無縫運行在端到端流水線上，大大提升了開發(fā)效率。

并且，Analytics Zoo 也兼容 OpenVINO™在 AI 應用上的加速特性?；谟⑻貭栍布脚_、專注于加速深度學習的OpenVINO™工具套件，是一個快速開發(fā)高性能計算機視覺和深度學習視覺應用的工具包。 

英特爾®OpenVINO工具套件不僅適用于開發(fā)可模擬人類視覺的應用和解決方案，它還可以通過英特爾®FPGA深度學習加速套件支持FPGA，旨在通過優(yōu)化廣泛使用的Caffe和TensorFlow框架來簡化采用英特爾®FPGA的推理工作負載，并用于包括圖像分類、機器視覺、自動駕駛、軍事以及醫(yī)療診斷等應用。

OpenVINO™工具包基于卷積神經(jīng)網(wǎng)絡（CNN），可擴展英特爾硬件（包括加速器）的工作負載，并最大限度地提高性能。

具體來說，OpenVINO具有面向OpenCV和OpenVx的優(yōu)化計算機視覺庫，并支持跨計算機視覺加速器的異構執(zhí)行，可通過基于英特爾架構的處理器（CPU）及核顯（Integrated GPU）和深度學習加速器（FPGA、Movidius™ VPU）的深度學習加速芯片，增強視覺系統(tǒng)功能和性能。它支持 在邊緣端進行深度學習推理，并加速高性能計算機視覺應用， 幫助開發(fā)人員和數(shù)據(jù)科學家提高計算機視覺應用性能，簡化深度學習部署過程。

上面分析了AI應用落地時，開發(fā)者需要重點關注的七大維度——性能、數(shù)據(jù)預處理、可擴展性、內(nèi)存、模型部署、大數(shù)據(jù)分析、跨平臺部署應用，我們會發(fā)現(xiàn)，每一個維度都支持CPU架構和平臺的優(yōu)勢。一方面，CPU的計算能力通過軟硬件協(xié)同優(yōu)化不斷提升，可以更好地適應AI場景需求，企業(yè)漸漸意識到用CPU做AI已經(jīng)“足夠好”；另一方面，通過收購和探索不同芯片架構，英特爾的AI軟硬件產(chǎn)品組合正在不斷完善，這使得英特爾能夠建立一個完整的AI基礎架構，非常豐富的產(chǎn)品組合是英特爾與其他公司實現(xiàn)差異化的最大亮點。