人工智能和负载整合的结合会在边缘计算系统里发生

　　分析数据洪流你会发现，以前需要处理的数据很多都是结构化数据，通过Excel表格或者简单关系型的数据库就可以对其进行维护和管理。但今后，物联网会带来越来越多的非结构化数据，我们要从非结构化的数据中发现内在的关联，就需要用到人工智能技术。

　　人工智能的识别率越来越高

　　在2012年以前，人工智能做图像识别的准确度低于人类。虚线的部分代表人的识别水平，这样一个曲线代表机器识别的错误率。到2012年，AlexNet等一大批新的人工神经网络的出现，使得人工智能的水平上了一个新档次。在人工智能新技术的推动下，机器进行图像识别的水平开始超过人类。

　　虽然人工智能现在已经取得了非常大的突破，但同样还面临着很多挑战。最大的就是，人工智能在进行处理时，还需要消耗大量的计算资源和存储资源。以百度搜索为例，要完成一次搜索需要完成千亿亿次计算，在推理阶段即使去处理一个非常典型的224×224分辨率的图片，像AlexNet或者是GoogleNet这样一些人工智能网络，处理起来计算量同样是要超过10亿次。如此大量的计算，需要一个很强大的计算芯片支撑，所以说，人工智能的发展实际上对芯片提出了更高的要求。

　　在芯片研制的过程中，芯片的工艺是决定性因素，英特尔是摩尔定律的创始者，也是摩尔定律的践行者。从22纳米到14纳米，从14纳米到10纳米的过程中，从半导体晶体管的密度变化来看，密度增长速度实际超过2倍，虽然英特尔的工艺迭代时间延长了，但是从更新速率来看，仍然是按照摩尔定律的速度向前发展。摩尔定律还在不断推动半导体工艺的进步，同时为人工智能等新的计算模式提供源源不断的计算力。因此，人工智能的应用对边缘计算提出了更高的要求，对边缘计算设备的演进起到了推动作用。

　　张宇博士强调，在边缘侧趋向负载整合是物联网演进的一个必然趋势。原来在不同设备上分立的负载会越来越多地通过虚拟化等技术，整合到一个单一的高性能的计算平台上，来实现一个综合的复杂的功能，各个功能子系统既能分享设备提供的计算，存储，网络等资源，同时还能具有一定的独立性，避免彼此的相互影响，从而可以简化系统架构，降低系统总体。同时，负载整合实际上也为边缘计算的实现以及为实施人工智能的应用提供了条件。整合后的设备既是边缘数据的汇聚节点，同时也是边缘控制的中心，这为边缘智能提供了处理所需的数据，同时也提供了控制的入口。因此英特尔认为人工智能和负载整合的结合，会在今后的边缘计算的系统里发生。

　　利用硬件优势，给用户提供全面合适的解决方案

　　张宇博士指出，物联网系统一定是一个边缘协同的端到端系统，人工智能会在物联网系统里广泛应用，不仅是在前端，也在后端。物联网中不同的网源所需要的计算力需求不同，再加上人工智能部署，需要不同特性硬件平台以及软硬件协同优化。英特尔提供了端到端的、业界领先的人工智能全栈解决方案，包括：涵盖至强处理器、至强融核处理器、英特尔Nervana神经网络处理器和FPGA、网络以及存储技术等领先而完整的硬件平台，以及多种软件工具及函数库，优化开源框架。值得一提的是，对于边缘计算而言如何平衡功耗和计算力所面临的一大挑战，凭借Movidius领先的单瓦计算能力，英特尔可以为业界提供低功耗、高性能的边缘计算解决方案。对于前端的摄像机来说，对功耗要求严格，使用Movidius这样的低功耗芯片更合适；对于设备偏向于边缘域的连接相机的设备或者服务器服务中心运行算法的，使用FPGA更适合。

　　目前针对人工智能应用也涌现出AI芯片设计公司，AI芯片未来会是会怎样的发展态势？张宇认为，“现实系统要解决的问题不同，以及在系统里所处的位置不同，对硬件要求、计算要求也不一样，用户要根据不同的要求来选择比较合适的硬件架构。当下的人工智能很多的应用实际是围绕着图象处理，即使像AlphaGo，Alphago下围棋也是把棋盘转变成二维的图像作为输入，然后用神经网络分析得到最终结果，包括权重网络、估值网络等，最后得到下一步棋放在哪个位置赢面最大的结论。但这是不是代表了人工智能的未来？很难说。原因在于以后用人脑或者用机器分析的问题的种类很多，有些可以归结到图像，有些不可以，如果归结到图像可以用卷积来做，如果不能归结到图像是不是有另外一个更有效的架构？随着对处理问题的复杂度越来越高、处理问题的种类越来越多、对问题的认识越来越清晰，可能在今后会找到适于某种特定应用、特定问题的应用架构。”