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服务器端处理器来因应，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，并以基本指令的形式整合到处理器硬体上。而在AI应用软件开发的支持上，他们陆续开始提供的部分，包含：程式库、程式语言的支持、平台、软件开发套件、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件开发套件PowerAI，可搭配IBM 专为AI应用所特别设计的服务器——OpenPOWER LC，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，而且他们最终竞逐的目标，其实都是下一波企业应用。

在AI应用的布局上，英特尔不只是单纯提供处理器平台，软件的支持更是重点——他们发展多种程式库、软件开发平台，积极支持多种深度学习应用框架，同时也会推出整合式的解决方案。

积极支持多种深度学习框架，陆续提供IA架构效能最佳化的程式码

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运算架构的系统环境，提供经过最佳化的程式码，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件框架，像是Caffe、Theano、Torch、MXNet、Neon，英特尔已经提供Intel Architecture最佳化程式码。至于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，最快于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，并且已针对AVX2和AVX-512指令集，进行软件效能最佳化的工程。

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的非法影片侦测应用。他们是在Xeon E5-2680 v3服务器平台上，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。

 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最佳化而成的版本，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，精准度最高可达到98.1%，而另一个深度学习网路的测试当中，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、Twitter、Google DeepMind公司的研究科学家和软件工程师。英特尔对这套框架提供最佳化支持之余，同时整合了MKL程式库，进而针对服务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软件公司合作，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是英特尔併购的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、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应用软件层的共通基础，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。

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 

除了支持不同开发者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，资料科学家与软件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，自动进行最佳化与部署的程序，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最佳化之余，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是英特尔发展了22年的程式库，里面集合了许多原始的数学运算指令，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，以及服务器等级的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，能支持多种作业系统平台的应用程式开发，例如，Windows，以及Linux与OS X。

 Math Kernel Library for Deep Neural Networks

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。

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持上述提及的Caffe、Theano、Torch、Tensorflow等深度学习专用的程式库。

除了提供最佳化程式码，英特尔在处理器平台上，也内建了原始指令：专供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

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，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，可支持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也将对此提供最佳化。MLSL本身也提供通用的API介面，可支持上述的各种深度学习软件框架。

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目前可支持的连线规格，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。

 Data Analytics Acceleration Library

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，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、服务器，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最佳化的演算法建构模块，能够支持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、内存内的缓冲区、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，若遇到资料量大到内存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，而不是全部放进内存。

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。