深度学习三大痛点，英特尔的解决之道

很多人认为深度学习的主要痛点是性能，只要有足够强大的性能，即可以解决深度学习存在的各种问题。但在马子雅看来，性能并非深度学习的主要痛点，用户的真正痛点主要有三个方面。

第一大痛点就是如何将数据与 ML/DL 算法结合在一起。长期以来，业界一直存在一个争论，即要想获得更强大的 ML/DL 解决方案，我们是否应该更重视数据或者算法层面的改进。考虑到大家已经拥有合理的算法，那么下一步的核心自然在于数据。ImagNet 是其中的典型例子，近年来图像分析的重大突破，正是由 ImageNet 这类大规模公开数据集推动的。英特尔推出 BigDL 和 Analytics Zoo，也是为了更好地解决数据与机器学习 / 深度学习算法整合的问题。

第二大痛点与 AI/ML 的生产落地有关。尽管当前市场对于 AI 技术抱有很大兴趣，但实施水平仍然相当低下。因此，需要考虑如何帮助客户真正有效地将路径查找或概念验证 AI 项目投入生产环境，从而根据需求构建起完整的 AI/ 分析流水线——包括高质量数据源整理、数据预处理与清洁、适当特征数据的选择与构建、适当模型的选择、模型超参数的优化、机器学习模型的后期处理、可视化以及部署等。这类解决方案要求数据工程师、数据科学家以及 IT 工程师共同参与并高效协作。

第三大痛点在于 AI 技能组合的供需之间存在巨大的鸿沟。由于这种差距的客观存在，任何一家企业或者个人都无法轻松地使用 AI 技术。在过去几年，有越来越多的学术课程与行业研讨活动正在试图缩小这种差距。但截至目前，我们可能还需要一段时间才能迎来真正能够立刻投入生产的技能成熟的员工队伍。

谈谈人工智能行业和未来趋势

AI 不再停留在实验室里

马子雅认为，目前越来越多的人工智能不再停留在实验室或研发阶段，在金融、在线零售、无人驾驶、医疗、供应链优化、智能家居、智能制造等多个领域的实际业务场景中，AI 都已经有典型的落地案例。现在，人工智能领域已经从最初的火爆慢慢过渡到冷静期，企业更关注的是人工智能是否能够为实际业务场景带来价值。这是一个非常好的趋势。

AI 技术正在扮演着非常重要的角色，并在推动业务差异化方面发挥关键作用。越来越多企业开始把人工智能解决方案实际投入到生产中，虽然很多企业目