经过对传统推理、一般机器学习、深度学习等人工智能(AI)主要技术路径的梳理，人们了解了AI技术路径的多样性，也认识到在实际应用中，特别是在解决复杂问题时，基于CPU平台来实现这些路径的融合或搭配或许才是更佳的解决方案。通过重新审视数据在AI应用中的重要性，可以看到企业在既有IT基础设施和数据应用平台之上构建AI，其实是更为快速、便捷、低风险和灵活的选择。

这种再认识的过程，很容易让人们联想到《星球大战》中的一句经典台词：“原力一直与你同在!”也就是说，适合多数企业开始AI之旅的平台、基石，其实一直就在他们的身边，从未远离。

那么，问题就来了：为什么企业对于这种能让他们使用熟悉且信任的基础设施，无需大量额外投资，还能平滑和低风险地构建AI应用的选择如此缺乏了解呢？为什么一谈起AI，他们就会立即想到那些新兴的、专用的硬件架构或平台呢？

用户们这种“灯下黑”式的认知，主要是因为既有IT基础设施此前未能真正释放出它在AI应用上的潜能。毕竟，其算力的核心——CPU平台一直都需要同时满足多种应用的需求，在全新类别的应用出现时，往往需要一段时间来完成与之相关的优化，特别是软件上的优化。

好在今天，这种优化正走向完善，特别是在英特尔完成了面向数据科学家的，针对Caffe、TensorFlow、MXNet、BigDL等主流深度学习框架的优化，为使用库(Library)的开发者们提供了包括英特尔MKL、MKL-DNN、DAAL在内的优化支持,以及为AI应用的开发者们提供了OpenVINO、Saffron AI等工具包后，企业既有基础设施在承载AI应用时已变得更为游刃有余。

如图所示，英特尔为AI 提供端到端的、全栈式的技术支持，在以至强处理器为核心的硬件平台之上，还有立足于软件的三个层面的支持和优化，它们涵盖了基础层面、库的层面和工具层面。根据AI应用需求来充分利用它们，是释放既有基础设施潜能的关键所在。

英特尔发现，在当前数据中心基础设施上试用人工智能技术的企业涉及三个关键领域——图像识别、自然语言处理(NLP)和预测性维护。当需要针对这些领域进行纵向扩展时，充分利用现有数据中心架构上的开源框架，可大大简化整个企业的人工智能部署。

以图像识别为例。目前，图像识别应用正被部署用于质量控制（识别产品缺陷）、安全（扫描面部和车牌）和医疗（识别肿瘤）领域。

企业面临的一个共同挑战是需要获取足够的数据来训练图像分类和识别算法，并且图像的预处理可能占用整个解决方案一半以上的时间。英特尔至强可扩展处理器能够支持数据增强应用，可帮助解决这一难题。这些应用会旋转和扩展图像，并调整颜色。这意味着只需少量图像，就能有效训练图像识别算法（取决于具体应用案例）。

得益于自身的电源效率和高内存带宽（高达100Gbs），CPU能够出色地处理数据增强工作负载。英特尔至强可扩展处理器家族更是如此，其处理能力因英特尔高级矢量扩展512（英特尔AVX-512）指令集而得到大幅提升。

因此，只需对企业既有IT基础设施稍做升级，如换用性能更强的至强可扩展处理器，并导入英特尔在框架、工具和库等软件层面的最新优化，即可充分释放其在AI应用上的潜能，而且至强平台在AI应用上的兼容性、灵活性、便捷和低风险等优势，也可照单全收。试问如此高效、省心的AI应用构建方式，在大家真正了解之后，谁还能做到视而不见？忍得住不去尝试一把？

责任编辑：焦旭