身處在智能萬物互聯的時代，一切都聯在網上，通過越來越多的數據搜集及數據分析，這個世界變得越智能，AI(人工智能)迎來了一個全新的發展時期。從某種基因上來講，AI與數據密不可分。
個人一天平均產生1.5GB的數據量，一所智能醫院的數據量為3000GB，一輛無人駕駛車每天所產生的數據量是4000GB，而一架聯上網的飛機，日產生數據量則達到4萬GB，一座智慧工廠聯網每天產生100萬GB的數據量，這些龐大的數據量將帶給我們一個什么樣的未來?
AI時代，英特爾怎么看?在近日舉辦的英特爾人工智能論壇上，企業網D1Net記者采訪到英特爾中國研究院院長宋繼強。
愿景：打造AI發展的良性閉環
英特爾中國研究院院長宋繼強說：“英特爾對AI的愿景是：希望打造一個AI發展的良性閉環，我們要實現AI產業的端到端布局，從終端、前端數據的產生、采集，到數據高速的傳輸、分析、挖掘、處理、儲存，最后在云端把它變成真實的、有用的、能夠改變體驗效果的服務，從而形成一個創新的良性循環。”
上圖為：英特爾中國研究院院長宋繼強
AI設備的四大能力
未來機器將逐漸具備像人一樣智能的能力，包括四個方面：
首先是感知外界環境的能力;
其次是根據感知能力進行推理;
三是推理形成一些決策觸動機器做反饋，這個反饋可以是動的，也可以是不動的，比如說視覺的反饋、聲音的反饋;
最后一個更重要的能力是能適應環境，要能根據環境的變化，交互的人的變化去相應的做適應，并具備一定的記憶能力，這是智能的關鍵，否則就會變成一個死的程序。
AI實現的方法：機器學習
機器學習一般包括三種，分別是基于數據驅動的方法，基于推理系統的方法以及基于知識驅動的方法。
機器學習主要是通過數據，自動通過算法從數據中學習它的規律和知識，在已知的數據中學到這些知識和規律之后再把它應用到處理未知的數據中去，這樣就形成真正的應用。但是在具體應用的時候我們還要考慮它怎么適應繼續根據應用里面場景的變化、新的數據的變化進行調整，這是一個持續迭代的過程。整個程序的性能是可以隨著數據的不斷進入、不斷學習去改變的，也就是電腦程序的性能是可以根據數據，經驗的增長而變化，從而擁有了學習能力。
有了學習能力還不夠，還需要監督學習，監督學習主要是通過已知的可以標記的數據去獲得里面的經驗和知識，而非監督學習是要自己去發現，未知的隱藏的知識和模式，強化學習更多應用在這個設備是能動的，能通過物理的交互和環境做一些相應的交互，能夠定義什么樣是好的，什么樣是壞的，通過獎勵讓它繼續去學習一些比較難以描述的方法。
因此，深度學習的好處是深層的，可以在很多不同的抽象層提取特征，而這個特征不是人去定義的，它可以自己從數據中發現，并且通過越來越多的數據提升系統的性能，而不是靠人的經驗來保證系統的可用。
深度學習還應具備強大的表示能力，從原來只能表示靜態的圖像和簡單的語句，到現在有能力去表示連續的圖像，也就是視頻，甚至多模態這種方式。深度學習是一種突破性的技術，它的突破表現在數據足夠大的情況下，已經可以在某些層面超過人的能力，比如說在人臉識別方面，已經在ImageNet上超過了人的能力。在語音方面領域，語音識別、機器翻譯也都達到了讓人滿意的水平。
因此，隨著計算量的增加和數據量的增加，深度學習方面正在得到巨大的突破。
英特爾AI策略： Nervana平臺
英特爾充分利用自身技術和產品創新的整合優勢，為人工智能提供全面的、極為靈活的端到端解決方案產品組合：構建于業界領先的基于英特爾架構的涵蓋至強處理器、至強融核處理器、Nervana平臺和FPGA、Omni-Path網絡、3D XPoint存儲等技術的硬件平臺，結合英特爾針對深度學習/機器學習而優化的英特爾數學函數庫(Intel® MKL)、英特爾數據分析加速庫Intel® DAAL)等，和致力于為多節點架構提供卓越性能的開源軟件框架如Spark、Caffe、Theano以及Neon等，及可推動前后端協同人工智能發展布局的Saffron、TAP、Nervana 系統、Movidius等工具和平臺，以上這些產品組合將最終幫助廣泛的行業和企業更方便地獲取、開發和部署人工智能應用，將人工智能潛能在各個領域中充分釋放，如智能工廠、無人駕駛汽車、體育、欺詐檢測、生命科學等等。
京公網安備 11010502049343號