身处在智能万物互联的时代，一切都联在网上，通过越来越多的数据搜集及数据分析，这个世界变得越智能，AI(人工智能)迎来了一个全新的发展时期。从某种基因上来讲，AI与数据密不可分。
个人一天平均产生1.5GB的数据量，一所智能医院的数据量为3000GB，一辆无人驾驶车每天所产生的数据量是4000GB，而一架联上网的飞机，日产生数据量则达到4万GB，一座智慧工厂联网每天产生100万GB的数据量，这些庞大的数据量将带给我们一个什么样的未来?
AI时代，英特尔怎么看?在近日举办的英特尔人工智能论坛上，企业网D1Net记者采访到英特尔中国研究院院长宋继强。
愿景：打造AI发展的良性闭环
英特尔中国研究院院长宋继强说：“英特尔对AI的愿景是：希望打造一个AI发展的良性闭环，我们要实现AI产业的端到端布局，从终端、前端数据的产生、采集，到数据高速的传输、分析、挖掘、处理、储存，最后在云端把它变成真实的、有用的、能够改变体验效果的服务，从而形成一个创新的良性循环。”
上图为：英特尔中国研究院院长宋继强
AI设备的四大能力
未来机器将逐渐具备像人一样智能的能力，包括四个方面：
首先是感知外界环境的能力;
其次是根据感知能力进行推理;
三是推理形成一些决策触动机器做反馈，这个反馈可以是动的，也可以是不动的，比如说视觉的反馈、声音的反馈;
最后一个更重要的能力是能适应环境，要能根据环境的变化，交互的人的变化去相应的做适应，并具备一定的记忆能力，这是智能的关键，否则就会变成一个死的程序。
AI实现的方法：机器学习
机器学习一般包括三种，分别是基于数据驱动的方法，基于推理系统的方法以及基于知识驱动的方法。
机器学习主要是通过数据，自动通过算法从数据中学习它的规律和知识，在已知的数据中学到这些知识和规律之后再把它应用到处理未知的数据中去，这样就形成真正的应用。但是在具体应用的时候我们还要考虑它怎么适应继续根据应用里面场景的变化、新的数据的变化进行调整，这是一个持续迭代的过程。整个程序的性能是可以随着数据的不断进入、不断学习去改变的，也就是电脑程序的性能是可以根据数据，经验的增长而变化，从而拥有了学习能力。
有了学习能力还不够，还需要监督学习，监督学习主要是通过已知的可以标记的数据去获得里面的经验和知识，而非监督学习是要自己去发现，未知的隐藏的知识和模式，强化学习更多应用在这个设备是能动的，能通过物理的交互和环境做一些相应的交互，能够定义什么样是好的，什么样是坏的，通过奖励让它继续去学习一些比较难以描述的方法。
因此，深度学习的好处是深层的，可以在很多不同的抽象层提取特征，而这个特征不是人去定义的，它可以自己从数据中发现，并且通过越来越多的数据提升系统的性能，而不是靠人的经验来保证系统的可用。
深度学习还应具备强大的表示能力，从原来只能表示静态的图像和简单的语句，到现在有能力去表示连续的图像，也就是视频，甚至多模态这种方式。深度学习是一种突破性的技术，它的突破表现在数据足够大的情况下，已经可以在某些层面超过人的能力，比如说在人脸识别方面，已经在ImageNet上超过了人的能力。在语音方面领域，语音识别、机器翻译也都达到了让人满意的水平。
因此，随着计算量的增加和数据量的增加，深度学习方面正在得到巨大的突破。
英特尔AI策略： Nervana平台
英特尔充分利用自身技术和产品创新的整合优势，为人工智能提供全面的、极为灵活的端到端解决方案产品组合：构建于业界领先的基于英特尔架构的涵盖至强处理器、至强融核处理器、Nervana平台和FPGA、Omni-Path网络、3D XPoint存储等技术的硬件平台，结合英特尔针对深度学习/机器学习而优化的英特尔数学函数库(Intel® MKL)、英特尔数据分析加速库Intel® DAAL)等，和致力于为多节点架构提供卓越性能的开源软件框架如Spark、Caffe、Theano以及Neon等，及可推动前后端协同人工智能发展布局的Saffron、TAP、Nervana 系统、Movidius等工具和平台，以上这些产品组合将最终帮助广泛的行业和企业更方便地获取、开发和部署人工智能应用，将人工智能潜能在各个领域中充分释放，如智能工厂、无人驾驶汽车、体育、欺诈检测、生命科学等等。
本文转自d1net（原创）
