7月3日，一年一度的“Baidu Create 2019”百度AI開發者大會如期召開，雖然這僅僅是AI開發者大會召開的第三年，但是今年仍然像往常一樣集結了中國人工智能領域行業中最頂尖的人才和思想，帶來了持續的來自AI的想象力，并繼續吸引著來自全國的目光。

在本屆大會上，英特爾公司副總裁兼人工智能產品事業部總經理Naveen Rao宣布，英特爾正與百度合作開發英特爾® Nervana™神經網絡訓練處理器（NNP-T）。這一合作包括全新定制化加速器，以實現極速訓練深度學習模型的目的。

在百度推出的飛槳開源深度學習平臺上，英特爾發布了INT8離線量化方案，可以在不影響預測準確度的情況下，使多個深度學習模型在使用INT8時的推理速度，加速到使用FP32時的2-3倍之多，從而提升用戶深度學習應用的效率。

通過這屆百度AI開發者大會回顧英特爾與百度合作，不難看出，英特爾所提供的人工智能硬件和軟件解決方案可以幫助開發者解決個性化的問題，從而讓它們可以更方便地進行人工智能的開發。英特爾將“打破理論與現實的壁壘”作為這次參會的口號，道出了他們一直以來努力的目標。英特爾也將繼續憑借技術的力量成為人工智能發展有力的助推者。

在本次大會的英特爾人工智能論壇中一場以“論深度學習框架和硬件芯片對AI產業化的影響”為主題的圓桌論壇也同樣給行業帶來了不一樣的思考，來自百度和英特爾的四位嘉賓從深度學習和硬件芯片的協同視角，共同探討了AI產業未來如何發展的議題，并指出在數據、算力和算法這三個人工智能發展的基礎要素中，算力最有可能成為瓶頸。

算力成為人工智能技術發展的關鍵

事實上，人工智能技術并非新鮮事物，在長達60余年的歷史上，這個技術經歷了至少三次的潮起潮落。“當人工智能剛剛興起的時候，人們普遍持比較悲觀的看法，因為當時的算力遠遠不能滿足算法的需求。計算機有限的內存和處理速度不足以解決任何的實際問題”，英特爾互聯網行業資深架構師王加森先生在論壇中說。

對于任何技術來說，實際落地場景和問題解決能力的缺乏都將會讓技術止步于實驗室內，從而限制技術生態的發展。在當時，算力問題成為了研究者們難以逾越的基礎性障礙。即使近年來算力開始快速發展，但伴隨著深度學習等技術的興起，它們對算力提出的高要求仍然讓整個技術協作體有了捉襟見肘的感覺。

在2013年的一場演講中，深度學習理念的提出者辛頓就曾直言：“深度學習以前不成功是因為缺乏足夠多的數據、缺乏足夠強大的計算能力、缺乏設定好的初始化權重。”在本次英特爾人工智能論壇分享了一個關鍵數據：從2012年開始，用于AI訓練的算力資源以每3.5個月翻一番的速度增長。

來自英特爾對算力重要性的提醒，讓業界開始重新審視算力之于人工智能發展的重要性。事實上，已經有相當多的事例反復提醒著業界重視算力的發展——譬如三年前一款基于云端卷積神經網絡算法的手機軟件，其讓用戶將自己的照片轉換為藝術照的功能一時席卷全球，但由于處理照片過程中需要每張照片上傳到云端服務器，再經過卷積神經網絡算法，導致其糟糕的使用體驗被詬病。然而，在最新發布的至強第二代可擴展處理器上，搭載的深度學習加速技術，可以使AI推理的性能提高兩倍。

百度深度學習高級經理高鐵柱先生表示，算力的確會可能是AI發展的一個瓶頸，除此之外，深度學習框架也需要引起行業的注意。在人工智能的基礎層生態當中，深度學習框架起到一種粘合劑的作用，不僅為算法學術研究提供了工具，降低了數據讀取的門檻，域名購買，還可通過與芯片廠商的深度合作，實現軟硬協同，從而最大限度的提升算力。