數字化進程更上一層，萬物開始互聯、智聯。

以醫療行業為代表，一直以來，人工智能在醫療行業的應用從未停止，而且在這次疫情的影響下，醫療行業也步入了向智慧化轉型的新階段。

英特爾與匯醫慧影合作，進行AI醫學影像解決方案優化，借助集成英特爾深度學習加速技術的第二代英特爾至強可擴展處理器與OpenVINO?工具套件，匯醫慧影Dr. Turing? AI平臺的推理性能大幅提升，為醫療機構提供更精準的診斷輔助。

隨著云、大數據、物聯網、5G等技術的成熟及普及，人工智能應用也在更多場景落地。越來越多行業開啟了智能化升級進程，面對企業用戶業務擴展和工作負載需求，英特爾不斷進行產品升級和技術創新，聯合更多服務提供商，完善AI應用解決方案，幫助更多行業邁向智能化之旅。

加速轉型，醫療行業開啟智慧新階段

疫情影響下，醫療行業的轉型與升級不斷提速，在這個過程中，人工智能的應用無疑發揮了重要作用。

我們都知道，我國醫療機構選擇以核酸試劑檢測作為新冠肺炎檢測的主要診斷方式，同時以肺部CT影像檢查為輔助方式進行篩查診斷。事實上，核酸檢測的優點在于簡單、快速，能夠快速推廣開來，但受到多因素影響，核酸檢測存在一定概率的誤判。而肺部CT影像檢查是通過分析肺部真實影像來判別患者肺部是否出現病變，因此在早期新冠癥狀的檢測敏感度上，肺部CT影像檢查要優于核酸檢測。

新冠肺炎篩查診斷方法：核算試劑檢測（左）與肺部CT影像檢查（右）

然而，肺部CT影像檢查的應用“門檻”也相對較高，不僅需要醫生具有專業的CT影像分析能力，也需要對新冠肺炎征象有敏銳的臨床判斷力。這種情況下，就需要人工智能技術來幫助醫生進行更精準的診斷。

匯醫慧影致力于計算機視覺和深度學習技術應用開發，其自主研發的Dr. Turing? AI平臺、可為醫院和患者提供10余種常見疾病的醫學影像AI分析能力，并提供結構化的報告，這個平臺也是此次新冠肺炎醫學影像輔助診斷的前端先鋒。

在實際應用中，Dr. Turing? AI平臺需要進行一些有針對性的優化升級。一方面，Dr.Turing? AI平臺需要通過收集大量新冠肺炎數據，由專業醫生進行標注后，結合平臺內置的深度學習算法，實現對肺炎病灶區精準分割和測量；另一方面，Dr. Turing? AI平臺需要結合Inception V4、Inception ResNet V2等深度學習算法模型，將原本二維的CT切片進行一系列的“三維”重構，以便更加清晰直觀地反映出量化數據。

這兩個方面的優化會讓Dr. Turing? AI平臺在推理和計算過程中有更高的性能要求，基于此，匯醫慧影與英特爾合作，借助第二代英特爾?至強?可擴展處理器實現更強算力支持，同時還引入OpenVINO?工具套件，對整個人工智能管道進行更新，將平均推理性能提升2.89倍。

事實上，這已經不是第一次英特爾與匯醫慧影的合作。此前，匯醫慧影就曾使用這對構成英特爾至強平臺AI加速技術核心的組合，在該平臺上構建了以ResNet-50卷積網絡模型作為基礎網絡的RetinaNet目標檢測模型，對乳腺癌影像實施模型訓練及推理。

智慧醫療的進程不斷加速，而英特爾與匯醫慧影的合作，不僅證明了在醫療機構現有IT基礎設施上部署和執行醫學影像類AI應用的必要性，同時也將第二代英特爾至強可擴展處理器與OpenVINO?工具套件組合的能力展現了出來，讓其可以為更多醫療機構影像類AI應用提供強大支持。

當然，醫療行業的智慧化勢在必行，但與其一樣，諸如教育、交通、制造等多個領域都與AI應用有很高的契合度，英特爾軟硬結合實力與全面的產品布局，能夠助力企業用戶從云到端的智能部署，將人工智能應用融入到業務發展的各個方面。

軟硬結合，助力企業突破AI應用壁壘

對于很多企業來說，在業務環境中部署人工智能是必然選擇，也是一項十分重大的投資。一般來講，企業完成人工智能應用與業務的融合的過程中，都會經歷一個相對固定的流程，從場景需求的發現，到數據的采集與準備，再到模型的開發，最后是部署階段，這也是AI的一條數據管道。

事實上，每一個階段都存在不同的挑戰，對性能、存儲等也有不同的需求，所以在實際應用中，就需要更具針對性的技術和產品，而英特爾則為每一個細化的問題提供解決方案。比如在數據的收集和清洗上，數據科學家往往需要約40%的時間，這大大提高了企業部署AI應用的負擔。

針對此，英特爾通過第二代英特爾至強可擴展處理器來為企業加速這個流程。同時，英特爾傲騰?持久內存能夠將更多數據保存在靠近CPU的位置，進而實現更多實時處理。數據準備妥當后，使用英特爾傲騰?固態盤來實現經濟高效的高容量數據存儲。

所以，通常在進行AI應用和基礎架構部署時，企業往往選擇CPU平臺來運行人工智能，一方面是相比GPU平臺更具性價比，另一方面則是在靈活、效率和可擴展性方面都有明顯優勢。

靈活性方面，英特爾至強平臺能夠支持廣泛的工作負載。目前，大多數機器學習和深度學習推理都在CPU上運行，在多數情況下，CPU是深度學習訓練的理想選擇；

效率方面，企業通過對人工智能工作負載需求與當前系統使用情況進行對比，可以確定在何處以及如何為這些工作負載優化資源配置，并且以利用現有CPU從備用容量中為人工智能工作負載提供更多使用空間。

在一些視覺或語音等特定知識領域，英特爾面向英特爾架構對被廣泛采用的人工智能軟件框架、庫和工具進行優化，來大幅提高其應用性能，以此來保持較高的性能功耗比和性價比，使PUE比率盡可能接近1。比如對在ResNet-50上運行圖像分類的工作負載而言，相比于最初發布的英特爾?至強?鉑金8180處理器，利用集成面向ResNet-50的英特爾深度學習加速技術的英特爾?至強?鉑金8280處理器和面向英特爾架構優化的Caffe版本框架，最高可將推理性能提高14倍。

可擴展性方面，企業往往不需要進行大規模投資，而是可以按需跨多個英特爾數據中心或邊緣節點來進行人工智能訓練工作負載的擴展。比如在設計系統時，企業可以借助英特爾以太網700系列和英特爾傲騰內存存儲技術來優化網絡和內存配置，充分利用現有的硬件投資來擴展深度學習工作負載，做到擴展、效率兩不誤。

可以看到，英特爾至強平臺正在為人工智能工作負載提供更加廣泛的支持，這主要得益于英特爾借助大量針對機器學習和深度學習所做的軟件優化，以及集成英特爾深度學習加速技術的推理加速功能，從而讓基于CPU的人工智能運行速度大幅提高。

今年6月份，英特爾發布第三代英特爾至強可擴展處理器，集成英特爾深度學習加速技術，支持bfloat16浮點格式，不僅可以進一步提升CPU的AI模型推理能力，也將加速AI訓練，為客戶帶來實際效益的提升。

長期共贏，英特爾構筑廣泛AI生態圈

從開啟以數據為中心的轉型后，英特爾在AI領域一直處于高投入狀態，一方面通過企業收購形式來補足自身在AI能力方面的短板；另一方面利用積累的技術優勢，將人工智能應用融入六大支柱中，并通過軟件的優化，進一步增強英特爾提供全棧式解決方案的能力。

除了在技術與創新方面的持續探索，英特爾也在與更多企業用戶合作，加強與各行各業的緊密連接，并將AI應用實施到更加多樣的業務場景中去。

在AI應用落地過程中，為了進一步簡化人工智能部署，英特爾通過對行業實踐案例的積累，總結出專門面向人工智能領域的英特爾精選解決方案。如基于人工智能推理的英特爾精選解決方案，使用英特爾OpenVINO?工具套件分發版、Kubeflow和Seldon Core來幫助企業用戶簡化模型部署，并提供低延遲、高吞吐量推理和集成加速的功能。

還有面向在Apache Spark上運行的BigDL的英特爾精選解決方案，能夠提供工作負載優化型深度學習軟件和英特爾硬件組合，使企業用戶無需再進行研究和手動優化基礎設施即可為AI計劃提供支持。這些方案，英特爾均進行了預先配置，并針對工作負載進行優化，使其具備性能、成本、安全等多方面的特點與優勢。

隨著行業與AI技術的結合，AI應用在實際部署中逐漸普及，這些方案也確立了英特爾在AI領域的領先性。

此外，英特爾還與眾多解決方案提供商聯合，共同推出一系列市場就緒型人工智能解決方案，助力用戶快速開啟人工智能進程。云計算領域，越來越多主流云服務商開發了面向英特爾架構優化的預配置人工智能環境，利用英特爾深度學習加速技術，為企業按需部署人工智能提供支持。如Google Cloud Platform面向英特爾平臺和新推出的英特爾機器實例，不斷優化TensorFlow人工智能開源框架；Microsoft Azure提供面向英特爾架構優化的數據科學虛擬機（DSVM）；AWS提供面向機器學習或計算密集型應用優化的EC2實例。

在本地部署方面，Dell、HPE及Lenovo在內的主流OEM都可以提供經優化后可在英特爾至強平臺上運行的人工智能功能即服務（AIaaS）；在軟件合作方面，英特爾與Data Robot、H20.ai 等AI軟件提供商建立合作，幫助其在基于英特爾技術的環境中優化AI應用并確保實施快速無縫的部署。

在前線認為，通過每一個能力的延伸與觸角連接，英特爾在AI道路上的伙伴越來越多，從云服務商，到OEM提供商和AI軟件提供商，再到各個領域的企業用戶，共同構建了一個覆蓋廣泛的AI生態圈，加快各行業智慧化升級的同時，也將英特爾的軟硬實力全方位展現。

未來，企業面臨的數據負載壓力會越來越重，提出的需求和問題也會更加復雜，人工智能應用也會隨之發生演變，而英特爾則致力于為企業提供根據自身業務需求和IT環境拓展的AI應用支持，除了在英特爾至強可擴展平臺和一系列加速器的基礎上持續開發廣泛人工智能計算產品組合外，英特爾還將建設更加完善的生態體系，不斷豐富人工智能解決方案，與合作伙伴實現長期共贏。

責任編輯：PSY