原文来自：特大号

今年是彻底的火了，这不是梦话，而是大势所趋，AI 已经渗透到各行各业。

无论是哪类客户，都表现出了对 AI 的“强烈意愿”，毕竟谁也不想被时代抛弃。

所以问题来了：现阶段考验客户的问题，不在于是否部署人工智能 (AI)，而是如何部署人工智能？

然而，当大家怀着无限憧憬，迈向人工智能第一步的时候，“坑”就已经静静地等在那里了。

无论何种项目、如何部署，都绕不开以上这四大关键要素，而那些“坑”，就隐藏在这些要素里。

1.         数据的坑

现在一提到人工智能，大家就说，必须要有“海量数据”。没错，“数据”对于 AI 来说至关重要，没有数据，一切是空谈。

我们来看一下整个 AI 处理的大致流程就知道，数据就像婴儿奶粉一样，只有持续不断地“喂”，才能让机器完成不断学习，变得智能。构建模型、训练数据，训练使用的数据集越大、质量越好，训练出来的AI模型就越“聪明”。但是，深度学习的模型训练决定了奶粉不能一次喂，今天吃了，明天还要吃，做不到“一次喂饱完事”。

我们更应该重视的是，海量数据的“消化过程”。

所以：

2.   算法的坑

我们经常被忽悠，一提到人工智能的算法，就是必须是深度学习，这是一个常识性错误。我们来看一下，人工智能、机器学习、深度学习三者关系如下：

其实，AI 领域的主流技术路径有三种：①深度学习；②一般的机器学习 ；③基于规则的学习。这三种技术路径之间的关系与其说是彼此竞争或替代，更不如说是互补。

所以，客户面对的技术路径，不只深度学习一条道，无论是传统推理、机器学习，或是它们的融合 ，都是可选项。

举个例子：

中国银联电子商务与电子支付国家工程实验室

推进银行卡反欺诈技术研究

刚开始，发现

1、如果只使用机器学习，将面临对序列化交易特征学习能力不足问题

2、如果只用深度学习，将面临单笔交易内特征学习能力有限的问题

最终研究结论是：两种技术融合才是最好的方案，并采用兼容性极大的 CPU 计算平台，完美实现 GBDT→GRU→RF 三明治结构欺诈侦测模型架构。

所以：

3.         算力的坑

高算力，也是 AI 的核心关键要素之一。现在一提到人工高智能就立刻想上一套新的专用硬件计算平台。误认为现有的数据中心基础设施达不到 AI 对算力的要求，必须靠专用计算平台才能匹配，这是很严重的误导！

正确的姿势是：现阶段应该利用现有的数据中心基础设施，应该利用现有的、你熟悉的处理器平台，以最低的成本部署人工智能。相比另起炉灶、寻其他计算平台的方法 ，用时更短 、风险更低、性价比更高 。为什么呢？

①        标准 CPU 平台，今非昔比，完全能够胜任 AI 所有应用。

②        最小成本，做最大的事，利用现有的 CPU 平台，无需大量额外投资。现在人工智能属于“试错阶段”，同时技术也在快速演变和迭代，如果另起炉灶，得不偿失。

③        最熟悉的平台，做最靠谱的事。CPU 平台，你用了这么多年用熟悉且信任的平台，构建“激进”的 AI 项目本身就是一个绝好的平衡，让技术风险可控。

所以：

4.         场景的坑

用一套专用的 AI 方案绑架客户意味着，不管啥场景、不管啥应用统统只推荐一套方案。不灵活是专用 AI 硬件平台的弊端之一， 而 CPU 平台有极强的灵活性，满足上层 AI 场景的百变需求。

所以：

数据、算法、算力、场景，踩完4大关键要素的坑儿，我们发现 AI 的落地，需要一个灵活的、成熟的、高性价比的平台：

①   能对数据进行持续分析和利用

②   能让各种AI算法都愉快work起来

③   能提供与训练需求相匹配的算力

④   能灵活适配各类AI应用场景

……

而这个平台，可能早已拥有，或者，你可以轻松升级。

英特尔® 至强® 可扩展处理器

对，用你熟悉的硬件平台，再导入英特尔在AI软件层面的最新优化组合，比如：框架、工具、库，就能立刻盘活你的数据中心，承载任何AI高强度应用。

很多客户已经基于这个平台开始了大规模 AI 应用，比如：

中国银联电子商务与电子支付国家工程实验室

基于英特尔至强平台、Cloudera CDH、Apache Spark和BigDL 构建的人工神经网络风控系统，与基于规则的风控系统相比，能提升高达 20% 的正确度，并具备 60% 的涵盖率，从而在短短数月内就达到了最佳训练模式。该实验室的 GBDT →GRU→RF 三明治结构欺诈侦测模型 ，在至强平台以及 BigDL、面向英特尔架构优化的 TensorFlow、英特尔 MKL -DNN 和 DAAL 等框架和工具的支持下，效率也得以大幅提升 。

京东

在基于至强的集群上将图像检测和提取方案升级为英特尔开源的 BigDL，其性能比原有的基于专有架构的解决方案提升了 3.83 倍。

由于 BigDL 允许以 Scala 或 Python 编写深度学习应用程序，也为开发、运维人员带来了极大便利。

UCloud

基于至强平台构建的 AI 在线服务在搭配面向英特尔架构优化的 Caffe 框架后，同时运行的线程数量显著增加，整体执行性能提高了 10 倍以上。

它在人脸表情识别的测试中，在并发数为 8-16 节点时，性能可与专用架构的平台相媲美。

GE 医疗集团

在使用至强处理器的四个或四个以下的专用内核对 CT 影像进行分类测试时发现，由英特尔深度学习开发工具包和 MKL-DNN 生成的优化代码，相比在同样系统上运行的基准 TensorFlow 模型，在推理吞吐量上平均提高了 14 倍。

众里寻它千百度，蓦然回首，AI 就在，自家机房灯火阑珊处。

从CPU平台开始，从熟悉和信任的平台开始，开始你的 AI 之旅吧！