微软还将Project Brainwave应用于新的必应*搜索功能，以缩短搜索时间并让搜索结果更加智能化。必应通过机器学习和阅读理解能快速提供智能化答案，帮助用户更快地找到想要的答案，而不是提供链接列表让用户去手动检查答案。英特尔FPGA能让必应将模型的延迟缩短到10倍以上，同时将模型尺寸增加10 倍。

　　采用英特尔 Movidius Myriad 视觉处理单元，在边缘端实现视觉智能

　　挑战：自动捕捉和管理家人、朋友和宠物的动态照片，在边缘设备完成视觉处理

　　解决方案：搭载英特尔 Movidius Myriad 2视觉处理单元 (VPU)的Google Clips*无线智能相机

　　借助英特尔Movidius低功耗、高性能的VPU，谷歌实现了对Google Clips相机的构想EM。使用英特尔Movidius Myriad 2 VPU，可以直接在相机上实时运行高级机器学习算法，这可以帮助谷歌完善相机功能，降低功耗，并支持离线使用。

　　英特尔Movidius VPU的目标应用包括嵌入式深度神经网络、姿态估计、3D深度感测和手势/眼睛跟踪等。随着“相机互联网”的爆炸式增长，英特尔Movidius VPU为创新应用带来了多种功能。此外在设备上直接进行人工智能处理也更符合隐私和安全保护的规范。上述设备以及未来的英特尔Movidius VPU将继续为视频分析、机器人和增强现实等应用领域带来价值。

　　采用英特尔 Nervana 神经网络处理器进行新一代训练和推理

　　挑战：利用全新构建的架构打破当前的系统瓶颈，支持新一代突破性深度学习解决方案

　　解决方案：即将上市的英特尔Nervana神经网络处理器

　　随着人工智能的发展，模型的复杂度不断增加，对内存的需求也越来越大。深度学习的进一步发展需要解决内存限制的问题，而当前的解决方案无法利用所有可用的计算，数据科学家和研究人员逐渐意识到我们需要专用的芯片来支持深度学习训练和推理。英特尔Nervana神经网络处理器提供了一种全新的解决方案，它专门为支持深度学习设计和构建，目的是为了解决内存的问题。

　　英特尔Nervana NNP首先考虑内存，它采用了大量高带宽内存和SRAM，更靠近实际进行计算的位置，也就是说芯片上能够存储更多的模型参数，可以有效节省功耗并提升性能。英特尔Nervana NNP支持大多数深度学习基元，同时让核心硬件组件尽可能高效的工作，确保其他应用(例如图形)不会从深度学习应用中占用内存。此外，英特尔 Nervana NNP的高速片内和片外互连支持大规模双向数据传输，能够在多个机箱之间连接多个处理器，可以作为一个更大的高效芯片来容纳更大的模型，从而获得更加深入的洞察。

　　英特尔与Lake Crest软件开发工具(SDV)方面的主要客户合作进行NNP 开发、测试和反馈。在推出第一款商用Nervana NNP时，以上功能都能够实现。随着人工智能领域的进一步发展，我迫不及待地想从这些突破性芯片中看到英特尔客户的创新和更多见解。

　　简化异构部署和加速人工智能创新的软件

　　框架和库对于推动人工智能的发展至关重要，硬件需要同软件结合来发挥最大的效用。英特尔致力于通过普遍适用的多架构解决方案，将所有人工智能都集成到一个软件集合下。比如开源nGraph编译器等项目是非常重要的，因为我们无需把时间浪费在重新发明工具上。

　　我们认为，英特尔有责任优化软件，提供工具，让硬件发挥最佳性能，并简化模型开发和现实部署之间的流程。利用英特尔开源性能库，可以从深度学习的直接优化中获得更多洞察;深度学习编译器nGraph已经开源，能够跨多个框架和架构运行训练和推理;使用OpenVINO可以快速优化预训练模型，并将视频神经网络部署到各种硬件上;BigDL 是运行在Apache Spark和Hadoop*集群上的分布式深度学习库，通过BigDL 可以处理大量数据。

　　针对数据时代提供优化的客户解决方案

　　英特尔正在帮助客户更好地处理每天生成的大量数据并从中获得价值。我们致力于提供全面的硬件和工具组合，实现人工智能愿景。在实际应用中，人工智能的复杂性要求我们将正确的硬件和软件结合起来从而实现成功部署。英特尔拥有业内熟知的全栈实力技术生态系统，提供不同功能工具，推动人工智能的发展。