加速转型，医疗行业开启智慧新阶段
疫情影响下，医疗行业的转型与升级不断提速，在这个过程中，人工智能的应用无疑发挥了重要作用。
我们都知道，我国医疗机构选择以核酸试剂检测作为新冠肺炎检测的主要诊断方式，同时以肺部CT影像检查为辅助方式进行筛查诊断。事实上，核酸检测的优点在于简单、快速，能够快速推广开来，但受到多因素影响，核酸检测存在一定概率的误判。而肺部CT影像检查是通过分析肺部真实影像来判别患者肺部是否出现病变，因此在早期新冠症状的检测敏感度上，肺部CT影像检查要优于核酸检测。
新冠肺炎筛查诊断方法：核算试剂检测（左）与肺部CT影像检查（右）
然而，肺部CT影像检查的应用“门槛”也相对较高，不仅需要医生具有专业的CT影像分析能力，也需要对新冠肺炎征象有敏锐的临床判断力。这种情况下，就需要人工智能技术来帮助医生进行更精准的诊断。
汇医慧影致力于计算机视觉和深度学习技术应用开发，其自主研发的Dr. Turing® AI平台、可为医院和患者提供10余种常见疾病的医学影像AI分析能力，并提供结构化的报告，这个平台也是此次新冠肺炎医学影像辅助诊断的前端先锋。
在实际应用中，Dr. Turing® AI平台需要进行一些有针对性的优化升级。一方面，Dr.Turing® AI平台需要通过收集大量新冠肺炎数据，由专业医生进行标注后，结合平台内置的深度学习算法，实现对肺炎病灶区精准分割和测量；另一方面，Dr. Turing® AI平台需要结合Inception V4、Inception ResNet V2等深度学习算法模型，将原本二维的CT切片进行一系列的“三维”重构，以便更加清晰直观地反映出量化数据。
这两个方面的优化会让Dr. Turing® AI平台在推理和计算过程中有更高的性能要求，基于此，汇医慧影与英特尔合作，借助第二代英特尔®至强®可扩展处理器实现更强算力支持，同时还引入OpenVINO™工具套件，对整个人工智能管道进行更新，将平均推理性能提升2.89倍。
事实上，这已经不是第一次英特尔与汇医慧影的合作。此前，汇医慧影就曾使用这对构成英特尔至强平台AI加速技术核心的组合，在该平台上构建了以ResNet-50卷积网络模型作为基础网络的RetinaNet目标检测模型，对乳腺癌影像实施模型训练及推理。
智慧医疗的进程不断加速，而英特尔与汇医慧影的合作，不仅证明了在医疗机构现有IT基础设施上部署和执行医学影像类AI应用的必要性，同时也将第二代英特尔至强可扩展处理器与OpenVINO™工具套件组合的能力展现了出来，让其可以为更多医疗机构影像类AI应用提供强大支持。
当然，医疗行业的智慧化势在必行，但与其一样，诸如教育、交通、制造等多个领域都与AI应用有很高的契合度，英特尔软硬结合实力与全面的产品布局，能够助力企业用户从云到端的智能部署，将人工智能应用融入到业务发展的各个方面。
软硬结合，助力企业突破AI应用壁垒
对于很多企业来说，在业务环境中部署人工智能是必然选择，也是一项十分重大的投资。一般来讲，企业完成人工智能应用与业务的融合的过程中，都会经历一个相对固定的流程，从场景需求的发现，到数据的采集与准备，再到模型的开发，最后是部署阶段，这也是AI的一条数据管道。
事实上，每一个阶段都存在不同的挑战，对性能、存储等也有不同的需求，所以在实际应用中，就需要更具针对性的技术和产品，而英特尔则为每一个细化的问题提供解决方案。比如在数据的收集和清洗上，数据科学家往往需要约40%的时间，这大大提高了企业部署AI应用的负担。
针对此，英特尔通过第二代英特尔至强可扩展处理器来为企业加速这个流程。同时，英特尔傲腾™持久内存能够将更多数据保存在靠近CPU的位置，进而实现更多实时处理。数据准备妥当后，使用英特尔傲腾™固态盘来实现经济高效的高容量数据存储。
所以，通常在进行AI应用和基础架构部署时，企业往往选择CPU平台来运行人工智能，一方面是相比GPU平台更具性价比，另一方面则是在灵活、效率和可扩展性方面都有明显优势。
灵活性方面，英特尔至强平台能够支持广泛的工作负载。目前，大多数机器学习和深度学习推理都在CPU上运行，在多数情况下，CPU是深度学习训练的理想选择；
效率方面，企业通过对人工智能工作负载需求与当前系统使用情况进行对比，可以确定在何处以及如何为这些工作负载优化资源配置，并且以利用现有CPU从备用容量中为人工智能工作负载提供更多使用空间。
在一些视觉或语音等特定知识领域，英特尔面向英特尔架构对被广泛采用的人工智能软件框架、库和工具进行优化，来大幅提高其应用性能，以此来保持较高的性能功耗比和性价比，使PUE比率尽可能接近1。比如对在ResNet-50上运行图像分类的工作负载而言，相比于最初发布的英特尔®至强®铂金8180处理器，利用集成面向ResNet-50的英特尔深度学习加速技术的英特尔®至强®铂金8280处理器和面向英特尔架构优化的Caffe版本框架，最高可将推理性能提高14倍。
可扩展性方面，企业往往不需要进行大规模投资，而是可以按需跨多个英特尔数据中心或边缘节点来进行人工智能训练工作负载的扩展。比如在设计系统时，企业可以借助英特尔以太网700系列和英特尔傲腾内存存储技术来优化网络和内存配置，充分利用现有的硬件投资来扩展深度学习工作负载，做到扩展、效率两不误。
可以看到，英特尔至强平台正在为人工智能工作负载提供更加广泛的支持，这主要得益于英特尔借助大量针对机器学习和深度学习所做的软件优化，以及集成英特尔深度学习加速技术的推理加速功能，从而让基于CPU的人工智能运行速度大幅提高。
今年6月份，英特尔发布第三代英特尔至强可扩展处理器，集成英特尔深度学习加速技术，支持bfloat16浮点格式，不仅可以进一步提升CPU的AI模型推理能力，也将加速AI训练，为客户带来实际效益的提升。
长期共赢，英特尔构筑广泛AI生态圈
从开启以数据为中心的转型后，英特尔在AI领域一直处于高投入状态，一方面通过企业收购形式来补足自身在AI能力方面的短板；另一方面利用积累的技术优势，将人工智能应用融入六大支柱中，并通过软件的优化，进一步增强英特尔提供全栈式解决方案的能力。
除了在技术与创新方面的持续探索，英特尔也在与更多企业用户合作，加强与各行各业的紧密连接，并将AI应用实施到更加多样的业务场景中去。
在AI应用落地过程中，为了进一步简化人工智能部署，英特尔通过对行业实践案例的积累，总结出专门面向人工智能领域的英特尔精选解决方案。如基于人工智能推理的英特尔精选解决方案，使用英特尔OpenVINO™工具套件分发版、Kubeflow和Seldon Core来帮助企业用户简化模型部署，并提供低延迟、高吞吐量推理和集成加速的功能。
还有面向在Apache Spark上运行的BigDL的英特尔精选解决方案，能够提供工作负载优化型深度学习软件和英特尔硬件组合，使企业用户无需再进行研究和手动优化基础设施即可为AI计划提供支持。这些方案，英特尔均进行了预先配置，并针对工作负载进行优化，使其具备性能、成本、安全等多方面的特点与优势。
随着行业与AI技术的结合，AI应用在实际部署中逐渐普及，这些方案也确立了英特尔在AI领域的领先性。
此外，英特尔还与众多解决方案提供商联合，共同推出一系列市场就绪型人工智能解决方案，助力用户快速开启人工智能进程。云计算领域，越来越多主流云服务商开发了面向英特尔架构优化的预配置人工智能环境，利用英特尔深度学习加速技术，为企业按需部署人工智能提供支持。如Google Cloud Platform面向英特尔平台和新推出的英特尔机器实例，不断优化TensorFlow人工智能开源框架；Microsoft Azure提供面向英特尔架构优化的数据科学虚拟机(DSVM)；AWS提供面向机器学习或计算密集型应用优化的EC2实例。
在本地部署方面，Dell、HPE及Lenovo在内的主流OEM都可以提供经优化后可在英特尔至强平台上运行的人工智能功能即服务(AIaaS)；在软件合作方面，英特尔与Data Robot、H20.ai 等AI软件提供商建立合作，帮助其在基于英特尔技术的环境中优化AI应用并确保实施快速无缝的部署。
通过每一个能力的延伸与触角连接，英特尔在AI道路上的伙伴越来越多，从云服务商，到OEM提供商和AI软件提供商，再到各个领域的企业用户，共同构建了一个覆盖广泛的AI生态圈，加快各行业智慧化升级的同时，也将英特尔的软硬实力全方位展现。
未来，企业面临的数据负载压力会越来越重，提出的需求和问题也会更加复杂，人工智能应用也会随之发生演变，而英特尔则致力于为企业提供根据自身业务需求和IT环境拓展的AI应用支持，除了在英特尔至强可扩展平台和一系列加速器的基础上持续开发广泛人工智能计算产品组合外，英特尔还将建设更加完善的生态体系，不断丰富人工智能解决方案，与合作伙伴实现长期共赢。
