利用英特爾AVX－512技術(shù)和bfloat16指令，騰訊的科學(xué)家們確保了GRU模塊和Dense運(yùn)算符中粗略部分／精細(xì)部分的所有SGEMV計(jì)算都使用512位矢量進(jìn)行矢量化，并采用bfloat16點(diǎn)積指令；對(duì)于按元素逐個(gè)加／乘等運(yùn)算以及其他非線(xiàn)性激活，都使用最新的英特爾AVX－512 指令運(yùn)行。

在最終都性能測(cè)試中，通過(guò)優(yōu)化，相同質(zhì)量水平（MOS4．5）的文本轉(zhuǎn)語(yǔ)音速度比FP32提升了高達(dá)1．54倍。

此外，騰訊還以 GAN 和 Parallel WaveNet （PWaveNet）為基礎(chǔ)，推出了一種改進(jìn)后的模型，并基于第三代英特爾至強(qiáng)可擴(kuò)展處理器對(duì)模型性能進(jìn)行了優(yōu)化，最終使性能與采用FP32相比提升了高達(dá)1．89倍，同時(shí)質(zhì)量水平仍保持不變 （MOS4．4）。

騰訊在TTS領(lǐng)域的進(jìn)展顯示出了人工智能領(lǐng)域的一個(gè)趨勢(shì)，那就是科學(xué)家們?cè)絹?lái)越多開(kāi)始利用英特爾深度學(xué)習(xí)加速技術(shù)在CPU平臺(tái)上開(kāi)展工作。

就像騰訊在針對(duì)TTS的探索中獲得了性能提升那樣，第二代和第三代英特爾至強(qiáng)可擴(kuò)展處理器在集成了加速技術(shù)后，已經(jīng)顯著提升了人工智能工作負(fù)載的性能。

在更廣泛的領(lǐng)域內(nèi)，我們已經(jīng)能夠清楚地看到這種變化——在效率表現(xiàn)上，由于針對(duì)常見(jiàn)人工智能軟件框架，如TensorFlow和PyTorch、庫(kù)和工具所做的優(yōu)化，CPU平臺(tái)可以幫助保持較高的性能功耗比和性?xún)r(jià)比。

尤其是擴(kuò)展性上，用戶(hù)在設(shè)計(jì)系統(tǒng)時(shí)可以利用如英特爾以太網(wǎng)700系列，和英特爾傲騰內(nèi)存存儲(chǔ)技術(shù)，來(lái)優(yōu)化網(wǎng)絡(luò)和內(nèi)存配置。這樣一來(lái)，他們就可以在充分利用現(xiàn)有硬件投資的情況下，輕松擴(kuò)展人工智能訓(xùn)練的工作負(fù)載，獲得更高的吞吐量，甚至處理巨大的數(shù)據(jù)集。

不止于處理器平臺(tái)本身，英特爾目前在面向人工智能優(yōu)化的軟件，以及市場(chǎng)就緒型人工智能解決方案兩個(gè)維度，都建立起了差異化的市場(chǎng)優(yōu)勢(shì)。

例如在軟件方面，英特爾2019年2月進(jìn)行的 OpenVINO／ResNet50 INT8 性能測(cè)試顯示，使用 OpenVINO或TensorFlow和英特爾深度學(xué)習(xí)加速技術(shù)時(shí)，人工智能推理性能可提高多達(dá) 3．75 倍。

今天，英特爾已經(jīng)攜手解決方案提供商，構(gòu)建了一系列的精選解決方案。這些方案預(yù)先進(jìn)行了配置，并對(duì)工作負(fù)載進(jìn)行了優(yōu)化。這就包括了如基于人工智能推理的英特爾精選解決方案，以及面向在面向在A(yíng)pache Spark上運(yùn)行的BigDL的英特爾精選解決方案等。

這些變化和方案的出現(xiàn)對(duì)于那些希望能從整體業(yè)務(wù)視角，去觀(guān)察人工智能進(jìn)展的機(jī)構(gòu)或企業(yè)的管理層顯然也很有意義——如果只通過(guò)優(yōu)化，就能在一個(gè)通用平臺(tái)上完成所有人工智能的探索和落地，那么投資的價(jià)值就能夠?qū)崿F(xiàn)最大化。

許多企業(yè)做出了這樣的選擇，GE醫(yī)療就是其中一家。作為GE集團(tuán)旗下的醫(yī)療健康業(yè)務(wù)部門(mén)，它構(gòu)建了一個(gè)人工智能醫(yī)學(xué)影像部署架構(gòu)。

通過(guò)采用英特爾至強(qiáng)可擴(kuò)展處理器，和英特爾固態(tài)盤(pán)，以及多項(xiàng)英特爾關(guān)鍵技術(shù)——例如英特爾深度學(xué)習(xí)開(kāi)發(fā)工具包，和面向深度神經(jīng)網(wǎng)絡(luò)的英特爾數(shù)學(xué)核心函數(shù)庫(kù)等；GE醫(yī)療收獲了未曾預(yù)料到的成果：

這一解決方案最終比基礎(chǔ)解決方案的推理速度提升了多達(dá)14倍，且超過(guò)了GE原定推理目標(biāo)5．9倍。