英特爾將人工智慧導入生活

人工智慧(Artificial Intelligence；AI)似乎是遙遠的未來願景，然而人工智慧早已圍繞在生活中，機器的能力發展得突飛猛進，它們能感知、學習、推理，針對現實世界狀況進行反應與調適。這樣的現況不僅促成產業的轉變，也在我們生活注入許多驚奇改變，使人們的能力大幅強化，各種繁瑣或危險工作交給機器自動完成，而我們眼前一些最艱鉅的社會問題也獲得解決。

機器學習 (Machine Learning)

雖然2015年全球只有不到10%的伺服器被用來支援機器學習，機器學習實為目前成長最快速的人工智慧領域，也是擴展人工智慧應用範疇的關鍵運算方法。機器學習的核心就是運用各種電腦演算法，並根據資料做出預測，讓機器能自主反應或思考，不需明確指示就能執行特定功能。

機器經過訓練後，能察覺有意義的模式與複雜資料之間的關聯，之後再對新進的資料進行評分或分類，以執行各種作業。目前業界得花費數週的時間才能訓練機器學習模型，因此這些模型無法以即時模式從新資料與資訊中學習。

然而，隨著世界變得更加智慧化與連網化，衍生的資料呈現爆炸性的成長，這些模型在從這樣的世界學習之後，加上運算效能的提升，機器學習的模型也逐漸發展得更加精準與實用。目前全球用來支援機器學習作業負載的伺服器中，高達97%都採用英特爾的處理器。

深度學習

深度學習為機器學習新衍生的分支且發展得相當迅速。深度學習採用類神經網路模型來瞭解更為複雜與非結構化的資料，並在許多領域取得突破性的進展，包括影像辨識、口語辨識、自然語言處理、以及其他複雜作業。

深度學習模仿人腦的神經元與突觸，透過反覆推理歸納進行學習，並在神經網路中建立複雜的通道。這些演算法用在社群媒體上執行人臉辨識或是標記功能、在智慧型手機上進行語音辨識、執行半自動化車輛操控、以及其他眾多用途，並已經有許多人從中受益。

英特爾針對機器學習開發的技術

為快速學習與反應，機器學習需要強大的運算能力來執行複雜的數學演算法，以及處理龐大的資料。為縮短訓練各種機器模型的時間，並改善評比資料的速度，業界必須全面轉移至分散式運算，採用一種強健的多節點叢集基礎設施。英特爾提供一致的編程模型與共通架構，能廣泛運用在高效能運算、資料分析、以及機器學習等作業負載。

Intel Xeon Phi處理器系列讓資料科學家更快地訓練複雜的機器演算法，並可比GPU執行更廣泛多元的作業負載。在32節點的基礎架構上，Intel Xeon Phi處理器系列的擴充效能比GPU高出1.38倍。

Intel Xeon處理器E5系列是最被廣泛建置用以運行機器學習推論的處理器，能為各種資料中心的作業負載執行增加彈性。另外再搭配Altera Arria 10 FPGA，不僅可以發揮優異的每瓦效能，還能重新設定元件來處理不同類型的作業負載。

Intel Scalable System Framework可擴充系統框架提供種類眾多的參考架構與設計，除了增進技術互通性，還降低布建的複雜度，提供理想的途徑使各界得以廣泛採用分散式深度學習演算法，並大幅縮短建模時間。

英特爾和深度學習的領導廠商Nervana Systems簽署購併協議。Nervana Engine(矽智財)及專業，將提升英特爾的人工智慧技術深度、強化深度學習效能及Intel Xeon處理器和Intel Xeon Phi處理器的總持有成本。

英特爾積極和開放原始碼社群合作，並提供各種函式庫與應用程式介面以加快人工智慧的發展，並促使各界廣泛採用各種功能強大的工具。