人工智能如何帮你看病
我是张甲木，这里是回形针事务所，今天我们要研究英特尔搭配了 AI 加速技术的至强处理器。
在人工智能时代，传统处理器已无法满足企业对人工智能产品快速推理的需求。为了让人工智能的应用更便捷、更快速，英特尔对处理器都做了什么？
2020 年，肺部 CT 等图像，频繁出现在大众视野中。
诊断一位患者，医生就需仔细观察超过 300 幅 CT 影像。往日里，医生或许能慢慢看。但在疫情之下，这太慢了。
如果医生诊疗流程简化为问诊、检查、看报告、判断、给出治疗方案五个环节。一个会看 CT、能快速做判断，且不会疲倦的人工智能，就能在第三环节省大量时间。
人工智能如何辅助医生看病，并分辨出图像中的异样？
讲人工智能之前，先做一个简单测试：在这些图里找到小狗。
很容易，因为你看过太多动物的图像，所以能快速做出判断。就算猛地分不清二哈和阿拉斯加，逼你一直看一直看，一段时间后辨认也不难。
原理很浅显，无非大脑不断看图，提取眼睛、耳朵、整体长相等特征，在脑海中强化，最后分类。
同理，让机器重复一样的过程就行，简单。但机器有个问题——没脑子。
怎么办！只能先给机器搭一个人工神经网络。
大概长这样，像简化后平面化的人脑神经网络。在最左边的输入层输入训练图像，激活中间一层层设好参数的人工神经网络，在最右边输出层输出结果。
注意，这张图人眼看是这样。但对机器，黑白只是灰度值，本质就是一堆数字。所以，机器学习图像的本质是学数值的特征。
但一个一个学，运算量太大，尤其遇到超高清图片，数值太多了。
所以为了提取特征也减少运算，我们用这样叫「卷积核」的东西，一个区域一个区域地扫，将每个对应的数字相乘，再求和，就提取了区域数值特征。
数据再经过一个叫「池化」的环节，像这样取区域内最大值，将特征数据量再浓缩、展平、输入全神经网络，这样就能减少运算量。
因为涉及到卷积运算，所以叫卷积神经网络。卷积核的大小、步调、卷积层的数量等都可预先调节。
机器输出的数值会和对目标结果预设的数值做比对。
如果符合预期，即为成功；如果不符合预期，就会通过一系列运算，反向调节各环节参数，再算一次，不断重复，直到符合预期。这就是机器自主学习的原理。
同理，准备大量肺部 CT 影像，找专业医生对病灶进行精准标注，然后输入神经网络进行训练，就能得到一个几秒内快速识别肺部 CT 影像的卷积神经网络。
这并非构想，该技术在今年的疫情中已经开始应用。
伴随神经医学、颈椎病症识别、DNA 检测和癌症识别等各种场景应用，人工智能正深度重构整个医疗行业。
当然，应对不同问题有不同的神经网络。但不管搭建训练哪一种，哪怕放一首歌，对计算机都是在处理不同量级的数据。本质上，一堆 1 和 0。
数据量越大，需处理的 1 和 0 的量也越大，处理慢了就会这样，或这样卡屏，甚至崩溃。
究其根本，处理数据的主要核心，就是处理器。
针对人工智能，现在有 GPU，适用多种深度学习应用；ASIC，可针对特定 AI 应用模型定制化开发；FPGA，可灵活编程、匹配不同 AI 应用等等。性能都不错，但部署和使用的门槛和成本也不低。
而对大多希望利用 AI 解决业务问题，而非专注 AI 算法创新迭代的公司，通用处理器 CPU 因为方便让企业基于现有 IT 基础设施执行常见 AI 应用，无需导入专用芯片，则是更好的选择。
但想针对性地强化 AI 性能，利用 CPU 可以吗？答案是肯定的，英特尔至强 CPU 就集成了 AI 加速技术。
CPU 完成一次计算大概要经历以下几个阶段：取出指令、指令解码并取出数据、执行指令形成计算结果并进行存取。
海量数据的计算就是 CPU 按照指令不断进行循环操作的过程，所以指令系统直接关系 CPU 性能的发挥。
在传统标量时代，只能执行单指令单数据，以致处理海量数据时极为耗时。但单指令多数据矢量功能的出现，改变了这个困境，最新的 AVX512 指令集将矢量计算性能提至新高度，大大加快数据处理速度。
而这只是英特尔迈向 AI 领域的基础之一。虽然大多数商业深度学习都在 CPU 上使用32 位浮点精度进行训练和推理工作，精确度更高。
但根据研究，用低精度的数据格式推理不会对准确性有很大影响。
且稍低的精度意味可存放更多数据，增加数据传输效率，带来更快的计算速度。所以英特尔采取精度略低的 INT8 格式以达到更高的运算效率。
再配合 VNNI 指令，将需要三条指令完成的工作压缩为一条，进一步提升推理速度。
如果想要实现效率和精度的双赢，Bfloat16 则是更优选择。只通过一半的比特数就可达到与 FP32 相近的模型精度，且速度可以带来 1.9 倍的提升。
其实，集成了 AI 加速技术的至强 CPU，只是英特尔 AI 全栈解决方案的起点。
英特尔针对 AI 应用还将提供灵活的 FPGA、高性能的 HABANA 芯片、VPU、GPU，以及一个统一的软件开发和优化工具接口，One API 等等。
随着硬件基础的不断提高，人工智能也正不断突破着想象中未来的边界。