英特尔:人工智能落地需要软硬件协同创新

人工智能的生态如何转化出更多的商业场景和应用,并被市场验证,形成可持续的发展与生存链条?英特尔给了我们最好的答案,作为人工智能全栈式解决方案的提供者,它正在推动人工智能更好地运用到我们的生活中。

“人工智能如果不能真正地效力于生产实践,其实是没有任何价值的。”在北京举办的O’Reilly和Intel人工智能大会上,英特尔公司架构图形与软件集团副总裁和数据分析技术总监马子雅表示,英特尔致力于为人工智能赋能,让其发挥价值。

过去五年的时间,人工智能技术取得飞速发展,随着硬件发展节奏放缓和技术渐趋成熟,产业重心由技术开发逐渐转向垂直应用。目前,中国人工智能借助全球的开源基础,利用中国市场垂直应用行业规模可观的用户群体产生的大量数据,寻求自身的创新乃至突破。而在这个过程中,英特尔起到至关重要的作用。“在硬件上,英特尔提供多样化的硬件产品组合与计算集成平台,满足从云到边缘再到设备的不同工作负载需求;在软件方面,英特尔提供一系列通用工具集,帮助用户最大化利用硬件”马子雅说道。

不过,从人工智能的技术看仍然有很大的提升空间。以医疗为例,特别是在满足疾病的复杂性要求的医学图像识别算法,可穿戴医疗设备传感器性能,医疗大数据标注的可靠性,以及医疗数据隐私保护的技术手段等方面,均面临不同程度的挑战。

相比之下,自动驾驶和工业生产领域,所需算力高,技术就绪度偏低。具体而言,自动驾驶领域的人工智能技术面临的主要挑战包括传感器智能化程度尚不达要求,自动驾驶的鲁棒性未得到证明,激光雷达等传感器成本居高不下,以及尚无明确的法律法规和事故责任判定。在以智能制造为代表的工业生产领域,则面临着信息技术的集成化应用有待深入,芯片、视觉、定位等深度学习技术有待突破等技术瓶颈。

事实上,人工智能在技术上的瓶颈体现在算法、计算的整合等多个维度的挑战。在马子雅看来,未来人工智能一个趋势在于和高性能计算的整合。“这个整合不仅是高性能计算,另外一个运作空间是从前端到数据中心的端到端的人工智能的利用,现在很多人工智能集中在数据中心一块,比如做模型训练,基本上都是在数据中心做,但很多时候训练都可以在边缘做,包括推理也希望在边缘做,怎么样提供完整的端到端,从前端到数据中心的人工智能解决方案可能也是未来的一个可能的趋势。”

“我们刚开始做人工智能的时候,我以为客户的兴趣点在于性能,也就是考虑更多的是模型训练的性能决定了客户是否想用到我们的方案。但是事实并非如此,对于用户来说最大的挑战是将人工智能和数据整合。”马子雅肯定了对上述趋势的判断。

人工智能要走出实验室、实现落地,需要一个完整的数据分析流水线。这个流水线的20%可能是在做深度学习,但是80%都是在做数据收集、数据存储、数据管理、数据清理、数据预处理等等。马子雅认为,人工智能业务的需求牢牢地根植于数据,利用大规模数据来获取更多的洞察需要一个完整而全面的数据战略,要充分利用以数据为中心的基础架构,充分利用将数据分析与人工智能无缝衔接起来的软件创新技术。为此,英特尔开发并开源了BigDL和Analytics Zoo, 构建统一的大数据分析与人工智能平台,帮助用户开发部署行业应用,与众多合作伙伴共同推进人工智能落地。

为进一步加快集成数据分析和AI 的大规模创新与部署,英特尔还宣布在中国成立大数据分析和人工智能创新院。该创新院整合了英特尔多个部门的技术资源,集中了多位分析专家、人工智能专家和技术工程师,共同帮助合作伙伴在各垂直行业开发、优化和扩展新的AI应用,并让用户及时了解到英特尔的创新产品组合以及相关优化的库、软件与工具组合。马子雅介绍到,该创新院的成立主要有以下几个目的:

第一,加速人工智能在中国市场的落地,尤其是通过将它与数据分析进行整合来加速落地。第二,解决中国市场的最新需求,引领创新,创新用法、创新算法。

第三,帮助中国市场更好地使用我们最新的软件和硬件技术。

在采访环节英特尔高级首席工程师、大数据技术全球CTO戴金权提到,英特尔一直致力于推动软硬件的协同创新,因为在硬件上每得到一个指数级的性能提升,如果加上软件的话可能有两个指数级的性能提升。。

随着AI进入超异构计算时代,英特尔致力于引领这一转折性技术的发展,并通过提供多样化的标量、矢量、矩阵和空间架构组合,以先进制程技术进行设计,由颠覆性内存层次结构提供支持,通过先进封装集成到系统中,使用光速互连进行超大规模部署,提供统一的软件开发接口以及安全功能,从而实现超异构计算的技术愿景。