為何AI再次猛烈地來敲門
IBM 大中華區系統部副總裁、認知系統及服務器解決方案總經理施東峰分析認為，人工智能不是一個新的話題，現在又一次突然變得那么火，比較重要的因素有兩點：
一是計算力的改變。上世紀人工智能剛起步的時候，人們只能在理論層面大膽地設想，根本無法想象計算機怎么能夠強大得實際計算出來。今天人們可以接觸到的技術，則可以把大量人工智能的計算量變成一個可實施的新IT應用，這一點是非常重要的。IBM下國際象棋的時候，強調的是Power計算力足夠大；AlphaGo圍棋比賽戰勝韓國棋手李世石的時候，同時采用了數臺服務器；IBM從來沒有告訴你Watson用了多少臺機器，其實是因為背后龐大的計算力在理論上是無限的。到了今年，Google聲稱只用了一臺服務器就把程序跑得很完美了。從過去大量機器的計算到一臺機器可以做出來，改變的是什么呢？就是讓現在一般的IT使用者都能夠感覺到，人工智能的實踐是可以接觸到的。這是人工智能變得特別火的第一個因素。
延伸閱讀：面向人工智能的IBM Power Systems LC服務器
2016年，IBM發布了三款全新的Power Systems LC服務器產品，搭載NVIDIA NVLink的全新IBM POWER8 服務器能實現比其他平臺高5倍的數據處理速度，與最新的x86服務器相比，能夠實現每美元平均超出80％的性能。
全新的Power服務器系列是IBM在與OpenPOWER 基金會其他成員協同創新的基礎上，對其Linux服務器產品家族的進一步延展，專門面向人工智能、深度學習、高性能數據分析等計算密集型工作負載，能幫助企業和云服務提供商節省數據中心的成本。
據IBM與騰訊聯合進行的早期測試表明，憑借新OpenPOWER服務器的大規模集群，騰訊在處理數據密集型工作負載時，能夠在減少三分之二服務器數量的前提下，獲得比原本基于x86架構的系統高3倍的速度。考慮到其能夠利用更少的服務器獲得更高的性能、更大的成本優勢，騰訊現正把這些OpenPOWER服務器整合到其超大規模數據中心，專門用以處理大數據工作負載。
二是用戶可以建立自己的人工智能業務引擎。在過去，人工智能大部分運行于公有云的環境中，從最簡單的一些智能手機功能，復雜到IBM Watson提供的智能醫療、智能律師、能氣象等等，都是一個個公有云上的工具。一般的IT使用者使用這個公有云上面的功能，把數據資料喂給它，就能得到想要的答案。當計算力發生了極大提升的時候，越來越多的使用者開始設想，能不能在一個封閉的環境里面，建立一個自己的人工智能引擎？更有甚者，用戶希望把公有的人工智能跟自己的業務引擎混合使用，以提供更好的效能。比如把業界已經非常成熟的人臉識別工具，和自己的業務進行結合，在特殊的業務領域發揮出效能。
延伸閱讀：IBM和NVIDIA合作開發IBM PowerAI，將深度學習訓練時間從數周縮短到數小時
IBM PowerAI是一款訓練人工智能和機器學習系統的軟件工具，PowerAI 針對當前流行的機器學習與深度學習開源應用框架采用了企業級軟件分發方式，在專為AI而構建的IBM Power Systems上運行，可輕松處理計算密集型工作負載。無論是內部環境還是云端環境，PowerAI 均可幫助數據科學家與開發人員最大程度地縮短開發時間。
具體來說，PowerAI 的二進制分發方式僅需一次下載，而且安裝簡單，其中包含有TensorFlow、Caffe、Torch、Theano、Chainer、NVIDIA DIGITS 及其他機器學習與深度學習框架，而且還配有相關的庫與軟件包。
PowerAI 的生態系統包含許多軟件，例如 Continuum Analytics 的 Anaconda、H2O 的 H2O 機器學習庫、Bons.ai 的 AI 軟件開發工具等等。此外，IBM 還可為在應用開發方面采用深度學習的開發人員提供企業級支持與服務。IBM列舉了這款軟件在銀行的詐騙識別，面部識別，以及自動駕駛汽車等現實中的應用。已有IBM Power S822LC高性能計算服務器的IBM客戶可以免費使用IBM PowerAI。
2017年5月12日宣布的 PowerAI 新路線圖具有 4 個突出的新功能，這些功能旨在解決客戶的關鍵需求，包括 AI 系統性能、高效的數據準備及企業級軟件部署：
易用性：一個新的軟件工具“AI Vision”，借助該工具，馬來西亞主機 日本服務器，應用開發人員僅需較少的深度學習知識，即可訓練和部署其應用所需的計算機視覺深度學習模型。
數據準備工具：與集成了 Apache Spark 的 IBM Spectrum Conductor 集群虛擬化軟件相集成，可輕松實現非結構化數據與結構化數據的轉換，進而使這些數據可供深度學習訓練之用。
縮短訓練時間：TensorFlow 的分布式計算版本，這是由 Google 首創且在業內非常流行的開源機器學習框架。這種分布式版本的 TensorFlow 利用了 GPU 加速服務器的虛擬化集群，這些集群采用經濟、高性能的計算方法，將深度學習的訓練時間從數周縮短到數小時。
