建立AI人才培育管道
基于英特尔既有的***专区网站，他们成立了Nervana AI学院的网页，并且统合在英特尔新设的AI专属网页上，这里针对***／资料科学家、学生，提供了多种学习的资源，像是线上课程、文件，以及与机器学习、深度学习有关的介绍。
除了强化自身的硬体运算平台效能、提供软体应用开发环境的支援，以及拉拢合作夥伴，英特尔在AI的策略布局上，也强调会协助培养相关人才。
为了要推动即将崛起的AI应用、使其变得更为普及，英特尔**副总裁暨软体与服务事业群总经理Doug Fisher提出呼吁，各界对于AI技术的根源，应该要更重视。
身微处理器厂商，Doug Fisher说，他们必须设法发挥英特尔运算架构的所有价值，使其能够彻底支援新的应用；同时，要确保AI技术能够持续不断地发展，因为，软体与人才的支援，也都是AI应用成长动力的根源，为此他们会准备基本的教育训练、开发工具等学习资源，提供给开发人员、资料科学家、学生，而当这些人员手上有了足够的工具和知识、实务经验之后，日后将这些就有机会分享到社群上，进而加速相关技术的采用与**，实现AI应用的普及。
设立Nervana AI学院，整合AI相关学习资源
基于多年来经营的***计画，英特尔宣布成立Nervana AI Academy，专职负责，希望藉此协助科学家、学生、开发人员，建立他们想要达成的AI解决方案，加速AI运算时代的来临。
此外，英特尔也在***专区的AI专属网页，提供网站入口（software.intel.com/ai），有志发展深度学习与人工智慧应用的人，从这里可以看到各种入门与进阶的学习资源，像是Nervana AI Academy，以及所有与AI有关的软体与技术情报，例如，针对英特尔运算架构*佳化的深度学习框架、进行深度学习处理流程所需的训练与部署工具，以及教育训练、线上课程等。
Nervana AI Academy主要诉求的对象，是软体***与或资料科学家，而对于未来有可能成为这些人才的在校学生，英特尔在***专区的AI专属网页里面，也特别设立了专区。
同时，英特尔也宣布成立AI的学生驻校代表计画Student Ambassador，鼓励他们投入这个领域，并且与全球各地的大学合作，希望能找出有兴趣的学生，以及具有机器学习、AI研究能力的学者，并且提供赞助。
将提供开放式的线上学习课程，并鼓励参与竞赛，强化实战经验
秉持回归技术源头的精神，对于未来可能成为软体***与资料科学家的人员，例如目前在校就读的学生，英特尔也希望透过一些方式，及早拉拢这群潜在用户，使他们更愿意用IA运算架构来建置AI应用。
首先，是教育的提供。英特尔宣布与知名的线上教育机构Coursera合作，预计在2017年开始推出AI线上课程。
而在英特尔与Coursera的开放式课程计画当中，将会由英特尔与业界的专家，以及AI领域的意见**，来担纲课程的主讲。透过这样的教学形式，英特尔期望能够培养出更多受过训练的AI传讲者，以便将相关的知识推展出去。
对于AI技术能力的培养，除了提供学习知识的管道，具备足够的实战经验也是必须的，英特尔也鼓励有志学习AI的人，能够发挥所学，解决现实世界的问题，而基于人才培养的策略，他们宣布与新创公司Mobile ODT合作，在资料科学竞赛平台Kaggle.com上举办AI竞赛，这项活动将在2017年2月展开。
在这场活动当中，英特尔希望吸引资料科学家与软体开发社群的注意，投入更多的专业技术与支援能力，例如，能善用AI的图片辨识机制，分析人体软组织的医疗影像，确认患者是否具有**颈癌早期阶段的征兆，并且能够更快、更精准地判断与分类。
拉拢云端服务业者，建立策略合作
在Intel AI Day的活动上，Google企业**副总裁Diane Greene特别出席参加，她与英特尔执行副总裁暨资料中心事业群总经理Diane Bryant同台，宣布双方在AI应用上的策略联盟。
在有意发展AI的企业当中，云端服务商需比一般公司更早布局，因此他们现在就必须关注伺服器平台的支援，以便能基于效能*佳化平台，支撑相关工作负载，而在英特尔11月宣布与Google结盟的消息当中，双方策略合作的项目，也涵盖到机器学习。
机器学习：改良TensorFlow在英特尔运算架构的执行效能
首先，针对Google发展的AI程式库TensorFlow，若执行在基于英特尔运算架构（Intel Architecture）的系统时，英特尔承诺，将协助这样的软硬体搭配，可以获得*佳的效能，并且预计在2017年**季发表合作的初步成果。
Google Cloud全球技术夥伴关系部门的主管Nan Boden表示，对于TensorFlow在英特尔处理器平台的执行效能，他们希望能提升。例如，允许TensorFlow运用所有的处理器核心与向量通道，进而改善平行处理；TensorFlow整合英特尔提供的高效能程式库，像是数学核心程式库（MKL）；以及横跨多个部署架构时，能够针对记忆体配置与资料层的作业，提供*佳化。
Kubernetes：支援多种云环境，强化虚拟网路效能与QoS
双方另一个部分的关系进展，则是针对Kubernetes。对于这套由Google发展出来的应用程式container管理平台，英特尔将协助改善它在多云环境下运作的功能，以及相关的程式码*佳化。
一般而言，Kubernetes能为容器化的应用程式环境，提供自动化部署、扩展与维运，而这部份涵盖到新兴AI应用系统的范围，因此，英特尔也将这部分的支援，视为该公司AI整体策略的发展的一环。而在先前，两家公司曾讨论到共同推动Kubernetes整合到OpenStack的计画，现在，双方的合作关系将更为扩大，希望在Intel Architecture下，一起设法提升Kubernetes的执行效能、改善IT基础架构的管理方式，并且提升对于企业工作负载的进阶**保护。
对此，英特尔资料中心事业群副总裁暨云端服务供应商业务总经理Raejeanne Skillern表示，在未来半年内，这些程式码*佳化工作的成果，也将提供给社群审查，同时，英特尔和Google的工程团队，会把当中预计改善的*佳化程式码，提供给云端服务业者。
事实上，英特尔本身也Kubernetes生态体系发展的主要贡献者之一，他们想协助企业将OpenStack云端环境的执行，转为可控管的Kubernetes工作负载的形式。而先前他们与Google工程团队，已经合作开发出*佳化程式码，以便在英特尔运算架构执行Kubernetes时，能够提高功能的透明度。
接下来，双方会希望改善工作负载的功能，例如虚拟网路的效能，以及对于共用资源的存取优先顺序保障。
物联网：建立平台，使IoT装置能够**连接云端服务
在这项策略合作下，英特尔的物联网装置与Google Cloud Platform（GCP）云端服务之间，也将予以整合，希望能够建立**平台来连接彼此，以便将收集到的资料进行后续分析，进而辅助后续的决策制定。而能否提供横跨终端装置到云服务的**解决方案，对于特定类型的产业应用而言，如零售业与制造业，至关重要。
承诺AI应用效能*佳化，扩大支援AI软体开发环境
英特尔对于AI应用的支援，首先是处理器内建低阶软体原始指令，例如MKL-DNN；针对深度学习软体框架，提供*佳化程式码；对于大数据分析应用平台，投入Hadoop、Spark的版本提供或贡献程式码；而在整合式软体开发工具，他们也推出Deep Learning SDK。
看好人工智慧带来的运算处理需求与未来的蓬勃发展，英特尔不只是推出多种伺服器端处理器来因应，在2016年11月举行的Intel AI Day活动期间，他们宣布将更积极发展深度学习应用的运算与沟通处理的程式库，并以基本指令（primitives）的形式整合到处理器硬体上。而在AI应用软体开发的支援上，他们陆续开始提供的部分，包含：程式库、程式语言的支援、平台、软体开发套件、程式开发框架。
无独有偶，IBM与Nvidia也在11月宣布，双方将联手开发新的深度学习专用软体开发套件PowerAI，可搭配IBM 专为AI应用所特别设计的伺服器——OpenPOWER LC（采用Power运算架构与Nvidia NVLink互连技术），藉此提供企业级的深度学习解决方案。
英特尔在Intel AI Day提出人工智慧的策略，正巧IBM与Nvidia也在之前宣布了PowerAI，在那一周期间，同时，又适逢全球高效能运算界关注的SuperComputer 2016大会举行。显然两大阵营争相较劲的意味相当浓厚，而且他们*终竞逐的目标，其实都是下一波企业应用。
英特尔AI解决方案总览
在AI应用的布局上，英特尔不只是单纯提供处理器平台，软体的支援更是重点——他们发展多种程式库、软体开发平台，积极支援多种深度学习应用框架，同时也会推出整合式的解决方案。
积极支援多种深度学习框架，陆续提供IA架构效能*佳化的程式码
以发展AI应用系统所采用的各种程式开发框架为例，英特尔承诺，将针对在Intel Architecture运算架构（IA）的系统环境，提供经过*佳化的程式码，以提升执行效能。
例如，在深度学习技术的应用领域当中，较为风行的几种开放原始码软体框架（Deep Learning Framework），像是Caffe、Theano、Torch、MXNet、Neon，英特尔已经提供Intel Architecture*佳化程式码。��于TensorFlow的部分，英特尔与Google Cloud Platform在11月的Intel AI Day活动上，正式宣布策略合作后，*快于2017年初，才会释出相关的程式码。
Caffe
这是由美国柏克莱视觉与学习中心（BLVC）所开发的框架，英特尔提供了特制版本Intel Optimized Caffe，可适用于Xeon与Xeon Phi处理器平台，当中整合了英特尔发展的数学核心程式库MKL（Math Kernel Library），并且已针对AVX2和AVX-512指令集，进行软体效能*佳化的工程。
而Caffe经过改良的成效如何？英特尔提出的实例，是影音服务业者乐视云（LeTV Cloud）的非法影片侦测应用。他们是在Xeon E5-2680 v3伺服器平台上，搭配Intel Optimized Caffe来进行影片分类的训练，结果得到了30倍的效能提升（相较于他们先前使用的BLVC Caffe，搭配OpenBlas程式库作为卷积式类神经网路）。
Theano
它是由加拿大蒙特娄大学LISA实验室发展的深度学习框架，英特尔也提供了改良的程式库，是针对多核心运算环境予以*佳化而成的版本，而在京都大学大学院医学研究科的应用案例当中，当他们以此进行新药探索模拟运算的测试上，精准度*高可达到98.1%，而另一个深度学习网路（Deep Belief Networks，DBN）的测试当中，也获得8倍的效能增长。
Torch
Torch也是许多人很关注的深度学习框架之一，目前主要维护的成员，是来自Facebook、*******、Google DeepMind公司的研究科学家和软体工程师。英特尔对这套框架提供*佳化支援之余，同时整合了MKL程式库，进而针对伺服器硬体端执行的深度神经网路指令集，提升效率。
而在这样的环境搭配下，英特尔举出的例子是他们与Pikazo软体公司合作，针对他们开发的图像风格转换App，协助后端处理效能强化——若以App刚推出的效能作为基准，现在Pizako App在图形上色（render）的速度，可提升到28倍，而能够处理的图档尺寸也扩充到15倍之大。
Neon
Neon是英特尔并购的Nervana Systems公司所发展出来的程式库，强调易用与高效能，在其现有的技术架构当中，可区分为深度学习功能（演算法）、资料模型、解决方案等三层。
在这次的Intel AI Day大会上，英特尔也预告将推出Intel Nervana Graph Compiler，作为AI应用软体层的共通基础，以此对于深度学习应用的架构型态，提供更进阶的描绘方式，以及调校作法。
针对类神经网路，提供高阶的图**算编译器
深度学习框架Neon对于硬体资源的存取，会透过不同平台的转换API来介接，因此上层应用无须考虑硬体差异，接下来，英特尔会在Neon原本的架构与硬体转换层之间，新增一层Nervana Graph Compiler，主要是为了针对类神经网路应用，提供高阶的处理，以便同时横跨多台硬体设备执行。
Intel Deep Learning SDK
除了支援不同***所偏好的深度学习框架之外，英特尔本身也会推出Intel Deep Learning SDK。
藉由当中提供的简易使用介面，资料科学家与软体开发人员可发展各种深度学习的应用方案。
例如，透过SDK里面的训练工具，我们能够进行深度学习模型的设定、准备、设计；若要将已经训练好深度学习的模型，自动进行*佳化与部署的程序，也可以运用SDK包含的部署工具来帮忙。
英特尔处理器内建新的原始指令，强化深度学习效能
针对各种深度学习框架提供*佳化之余，英特尔在旗下的处理器产品当中，也内建了多种程式库来提升AI应用系统的效能。
Math Kernel Library（MKL）
MKL是英特尔发展了22年的程式库，里面集合了许多原始的数**算指令，可加速在工程、财务、科学等领域的模拟与分析处理，2016年之后，由于增加了MKL-DNN的程式库，因此也能提升机器学习与深度学习的效能。目前内建MKL的处理器，包含个人电脑用途的Core，以及伺服器等级的Xeon、Xeon Phi。
这套程式库提供了低阶的C与Fortran程式语言介面，能执行多种通用运算，例如，矩阵的乘法、分解、快速傅立叶转换、乱数产生、向量函数等，能支援多种作业系统平台的应用程式开发，例如，Windows（微软Visual Studio），以及Linux与OS X（Eclipse）。
Math Kernel Library for Deep Neural Networks（MKL-DNN）
透过深度学习框架开发的应用程式，若要执行在Intel Architecture的处理器环境，英特尔提供了一套开放原始码的效能强化程式库，称为Math Kernel Library for Deep Neural Networks（MKL-DNN）。
它与英特尔的MKL程式库之间，有很大渊源。
因为，MKL-DNN是2017版MKL所延伸出来的产物，当中包含了高度向量化与穿插式的建构模块，而且是透过C与C++程式语言的介面，实作出卷积类神经网路（Convolutional Neural Networks，CNN）的架构，并且不只能在C和C++这两种开发环境运用，也可用于Python和Java等高阶程式语言。
针对深度学习应用系统当中所进行的运算密集式工作， MKL-DNN也能对相关的框架提供加速处理，英特尔特别强调可支援上述提及的Caffe、Theano、Torch、Tensorflow等深度学习专用的程式库。
从伺服器到个人电脑的处理器，都内建新程式库，强化AI效能
除了提供*佳化程式码，英特尔在处理器平台上，也内建了原始指令：**深度神经网路使用的数学核心程式库MKL-DNN，以及用于深度学习讯息传递应用的机器学习规模扩展程式库MLSL。
Machine Learning Scaling Library（MLSL）
在Intel AI Day活动当中，英特尔也预告将推出一套新的程式库，称为Machine Learning Scaling Library（MLSL），可在深度学习系统的多节点互连架构下，进行规模扩展的应用，可支援32个节点以上所组成的深度学习系统。有了MLSL之后，深度学习系统可针对不同节点之间的讯息传递作业，进行抽象化的处理。
MLSL是架构在现有平行运算系统所惯用的MPI（Message Passing Interface）之上，可运用其他用于讯息沟通的程式库，而在讯息沟通的模式上，用户若要扩展到更大的系统使用规模，MLSL也将对此提供*佳化。MLSL本身也提供通用的API介面，可支援上述的各种深度学习软体框架。
此外，由于MLSL与深度学习系统的多台节点扩展应用有关，因此能否适用不同的网路互连方式，也很重要。MLSL目前可支援的连线规格，有标准的乙太网路、InfiniBand，以及英特尔发展的次世代互连网路架构Omni-Path Architecture（OPA）。
Data Analytics Acceleration Library（DAAL）
目前英特尔针对AI应用所持续发展的程式库，除了上述的MKL，还有Data Analytics Acceleration Library（DAAL），这套在2015年推出的程式库，可针对基于Intel Architecture处理器平台的个人电脑、伺服器，提升大数据分析作业的执行效能。
这套程式库包含多种经过*佳化的演算法建构模块，能够支援资料分析过程中的每个阶段，像是前置处理、转换、分析、建模、验证、抉择，并且在离线、线上串流与分散式等不同的资料分析环境里面执行。
DAAL的发展上，也考量到常见的大数据平台应用需求，目前已可强化Hadoop、Spark、R、Matlab系统的资料存取效率。同时，DAAL也内建资料管理机制，协助应用系统得以从多种来源存取到资料，例如档案、记忆体内的缓冲区、SQL资料库、HDFS档案系统。
DAAL与MKL同样皆可针对大数据的处理，不过，若遇到资料量大到记忆体无法全部载入的情况，DAAL本身能运用特制的演算法来因应——将资料切割为块状，而不是全部放进记忆体。
在程式语言的部分，DAAL提供高阶的C++、Java与Python介面，可用来处理多种资料分析需求，像是主成分分析、回归、分类、群集与购物篮分析。透过这个程式库，你可以利用指定的演算法来训练出模型，然后评定资料集在这模型中的分数。
延伸四大产品线，提供AI通用与高效能运算架构
若要在资料中心环境当中建构AI系统，英特尔预计将提供4种运算平台：Xeon、Xeon Phi、Xeon搭配FPGA（Arria 10）、Xeon搭配Nervana（Lake Crest），分别主打基本用途、高效能、低延迟与可程式化、类神经网路加速等不同需求。
这一年来，除了云端服务、大数据、行动应用持续走红以外，人工智慧（AI）无疑是下一个即将起飞的热门IT技术，许多人已经开始积极投入机器学习、深度学习的开发与应用，绘图处理器大厂Nvidia今年的营收、获利、股价持续上涨，也与此有关，而同样是处理器大厂的英特尔，现在也对AI的发展寄予厚望，并正式宣布调整以AI为重的策略，全力发展软硬体技术，以支援相关的发展。
在11月18日举行的“Intel AI Day”活动当中，英特尔执行长Brian Krzanich提出了他们的愿景，并期盼能推动AI普及，将AI变得更平民化，进而**AI运算时代的来临，使英特尔能够成为加速AI发展的催化剂。
而就更实际的产品而言，英特尔在伺服器端处理器平台上，也针对AI有所布局。在2017年，现有的Xeon E5、Xeon Phi处理器平台都将推出新一代产品，同时，除了以Xeon搭配FPGA（Field Programmable Gate Array）晶片Altera Arria 10之外，英特尔也将以Xeon搭配新开发的“Lake Crest”晶片，专攻类神经网路的加速应用。
值得注意的是，Lake Crest的形式是一张基于矽晶片的独立加速卡，技术源自于英特尔今年8月并购的新创公司Nervana Systems，该产品将于2017年**季问世。之后，英特尔还将推出Xeon结合这种新型态加速AI处理机制的晶片，研发代号称为“Knights Crest”，届时，采用这颗晶片的伺服器直接具有系统开机的能力，无需搭配Xeon处理器。
英特尔AI伺服器平台的发布时程
在2016这一年，英特尔已经推出了FPGA的系统单晶片解决方案Arria 10，以及Xeon Phi x200系列（Knights Landing）。2017年他们将发表新的Xeon Phi（Knights Mill），以及深度学习专用的运算晶片Lake Crest，而在通用伺服器级处理器Xeon系列，基于Skylake微架构的产品也将问世。
强化平行处理与向量处理性能，Xeon与Xeon Phi支援新指令集
英特尔在2017年即将推出的伺服器产品，还包括采用Skylake微架构的新一代Xeon处理器，以及Xeon Phi（代号为Knights Mill）。
以现行的Xeon E5-2600 v4系列处理器而言，根据英特尔提供的效能测试数据，若执行大数据与AI领域经常会运用的Apache Spark软体环境，效能提升的幅度，可望达到18倍之高（以今年推出的Xeon E5-2699 v4搭配MKL 2017 Update 1程式库，对上Xeon E5-2697 v2搭配F2jBLAS程式库）。
英特尔表示，在初期出货给特定云端服务业者的“Skylake”Xeon处理器版本（preliminary version）当中，将会加入更多整合式加速运算的进阶特色。例如，新的进阶向量延伸指令集AVX-512，可针对机器学习类型工作负载的执行，提升相关的推理论断能力。至于Xeon新平台其他增益的功能与组态支援，预计将会在2017年中正式发布时，才会揭露。
若单看AVX-512这套指令集，目前只有今年6月推出的Xeon Phi x200系列处理器（Knights Landing）支援，接下来，英特尔的主力通用伺服器平台Xeon处理器，会在下一代采用Skylake微架构的产品当中支援。
因此，就目前而言，英特尔现有处理器所支援的AVX指令集，总共可分为三代：Sandy Bridge和Ivy Bridge微架构处理器，内建的是**代AVX，Haswell和Broadwell微架构处理器改为AVX2，而Skylake微架构和Knights Landing是采用AVX512。基本上，前两代的AVX指令集，都是基于128位元SIMD暂存器，可延伸到256位元。
至于Xeon Phi的下一代产品 “Knights Mill”，英特尔表示，会把深度学习的应用效能，提升到现有Xeon Phi处理器（7290）的4倍，并同样具备直接记忆体存取（Direct Memory Access）的能力——*高可存取到400GB（Knights Landing是以384GB的DDR4记忆体，搭配16GB的MCDRAM）。
同时，在横向扩展到32节点的系统环境当中，目前的Xeon Phi也已经能大幅缩短机器学习的训练时间，成效差距可达到31倍之大。
基于FPGA可程式化硬体运算技术，推出深度学习加速卡DLIA
FPGA则是另一个英特尔近年来极力发展的重点，他们在2015年并购了专攻FPGA技术的Altera公司，并以此成立新的业务单位──可程式化解决方案事业群（Programmable Solutions Group）。
针对高效能运算（HPC）领域当中也相当热门的AI应用，英特尔在今年11月稍早举行的Supercomputing 2016大会期间，也宣布将于2017年初推出基于FPGA的AI加速解决方案，名为Deep Learning Inference Accelerator（DLIA），可用于影像辨识应用，并且具备大量的资料吞吐能力与高度的能源效益。
DLIA的硬体是英特尔FPGA 系列产品当中的Arria 10的介面卡，晶片之间传输率，*高可达到25.78 Gbps，*大浮点运算效能为1,500 GFLOPS，可因应卷积神经网路（CNN）的部署架构，提供*佳化效能。而且，Arria 10本身所采用的处理器，是20奈米制程的ARM系统单晶片（SoC）Cortex-A9 MPCore，比起前一代FPGA与SoC晶片，号称能节省4成的电力。
同时，由于DLIA是基于FPGA技术而成，所以秉持了可程式化的特性，用户能从远端对DLIA进行韧体更新，以便随时因应AI技术的改变，而且也能直接运用深度学习的软体开��框架，例如英特尔自己维护、发行的Caffe，以及MKL-DNN（Math Kernel Library for Deep Neural Networks）等程式库。
专为深度学习应用所设计的Crest系列晶片，预计将在2017年问世
英特尔2016年并购Nervana公司后，预计在2017年推出运算晶片Nervana Engine。
这颗代号为Lake Crest的处理器，是专为深度学习的工作负载所设计的，将提供极高的运算密度，大幅超越现行GPU的运算能力。
在资料存取的方式上，Lake Crest本身也配置了新一代的高速频宽记忆体技术HBM2，搭配的总容量为32GB，存取速度高达8Tb/s。而晶片之间进行互相沟通时，Lake Crest提供12个双向的连结通道，有助于在彼此互连的架构下，进行高速资料传输。
英特尔强调，Lake Crest能支援真正的资料模型平行处理作业，因为在这样的运算架构当中，每一个运算节点，都会配置专用的记忆体介面，如此一来，系统能够存取的资料模型大小较不受限，同时也可以藉此增进记忆体I/O效率。
而在Lake Crest之后，英特尔打算师法Xeon Phi x200系列处理器的作法，推出更进一步整合Xeon与Nervana加速技术的晶片，研发代号为Knights Crest。展望AI运算平台的未来目标，他们希望将现行AI应用耗费在深度学习训练的时间，尽可能地缩短，在2020年能做到即时训练，达到节省幅度100倍的目标。
Lake Crest的深度学习处理架构
Lake Crest是基于多维度资料阵列（tensor-based）的处理架构，而且，提供Flexpoint的作法，所能支援的平行处理层级是现行技术的10倍。这颗晶片内建的记忆体也很特别，是HBM（High Bandwidth Memory）的**代技术，记忆体频宽是目前DDR4的12倍。
公安机关备案号：
