准备采用人工智能的企业通常都希望利用数据中心的“空闲时段”来运行人工智能工作负载，或者基于单个“空闲”服务器、工作站节点或者小型集群来自行开发解决方案。这样可便于：

•  检验想法，看看哪些可在组织中实施
•   研究硬件和软件选项
•   在真实场景中培养技能，积累经验
•   吸引业务部门参与，让其了解人工智能的好处

对于再利用的硬件，具体的配置会因场景不同而有所变化：表1给出了一种可能的配置，用作实施深度学习训练和测试的基础（使用英特尔® Caffe* 优化版）。

再利用现有硬件来满足人工智能需求具有以下优势：

• 因为是利用现有的硬件资源，所以再利用解决方案的采购成本低，而且有望在最短时间内完成搭建。

• 单节点或小型集群解决方案的范围很小，因此研究工作能更好地侧重于紧凑环境，将精力放在人工智能本身上，而不是网络带宽或运营管理等问题上。

• 再利用方法提供了在基础设施中使用空闲处理时段的机会，因此进一步强化了人工智能“增强”现有功能的这一优势。

再利用现有硬件来满足人工智能需求有以下缺点：

• 一次性的、最小化的解决方案并非始终能够与更广泛的解决方案或面向用户的工具轻松集成，因此限制了其适用性、适用范围和使用寿命。这种限制也可能导致出现多个技术“孤岛”。

• 除非现有的硬件直接符合需求，否则会因为转化或调整不太适合的资源而增加额外开销。

• 如果管控不到位，测试配置可能变成现场使用的配置，并因此产生更多花费和风险，例如，如果 “借用”资源来测试一种需求，之后需要归还所借的资源。

记住：再利用现有硬件被视为一种有用的短期选项。但是您需要将长期计划谨记在心。

构建一个广泛采用人工智能的业务案例要比针对特定需求来构建业务案例要复杂得多。当投资决策者确认某个明确的应用案例需求时，他们可能就不太会考虑一次性解决方案以外的选项，也就不会去考虑在整个企业内更有战略性地使用人工智能。

图1显示了根据明确需求（在本例中为预测性维护）来提供服务的解决方案架构，因此可以当作定制的人工智能解决方案来进行购买。

本示例基于采用英特尔® 至强® 处理器的服务器构建，特别适合基于推理的人工智能模型使用。信息输入由广泛的数据源和传感器提供，来自于现有系统和终端（例如，制造设备、车辆或建筑数据）。起支撑作用的框架和软件能够提供训练和推理功能：英特尔致力于确保所有主要的深度学习框架和拓扑都能在英特尔® 架构上良好运行。它也会通过基于 Web 的 API，为库存管理软件和可视化技术工具等提供信息。

为特定的应用案例购买人工智能解决方案有以下优势：

• 比起更加一般化的解决方案，现成的方法能够更快的部署和采用，因为只需要支持相关的业务部门和利益相关者团体的需求。

• 涵盖范围更小意味着更容易学习有关人工智能的技能和专业知识，因为较小的团队可以集中精力优化单个解决方案，之后再考虑更广泛的优化和扩展问题。

• 对于特定的应用案例，一次性解决方案可能是最佳选项，因为相比于那些为多个共享资源的场景设计的解决方案，一次性解决方案能为特定应用案例提供更高的效率和性能。

• 关于硬件成本，一次性解决方案的价格可能比用于支持更广泛应用案例的架构的价格更便宜。

为特定的应用案例购买人工智能解决方案有以下缺点：

如果解决方案的特定元素不随相关场景需求的变化而变化，则选择的解决方案可能会过时。

一次性方法可能导致多个人工智能“孤岛”，解决方案之间彼此孤立，因此需要并行开发和管理。

就单个解决方案而论，价格可能更便宜，但是按整体计算，则可能更昂贵，例如，当组织需要重复开发技术架构时便是如此。

要确定此方法是否适合您，不妨考虑一下，继此场景之后，贵企业有多大可能会更广泛地采用人工智能。如果您已经部署一次性解决方案，或者将来可能部署，或许您应该考虑一下构建更广泛平台的优势。但是，如果您尚在测试原先的想法，那么再利用现有硬件，或者外包部署也许是更好的选择。

对于那些具有更多人工智能经验或想要响应多个业务领域需求的企业，可能会考虑采用更广泛的基础设施解决方案，以支持更普遍的人工智能工作负载。

在人工智能方面，此平台可与多种开源和商业软件包配合使用，经过配置后可满足单个工作负载的需求。图 3 显示这种架构如何基于以下各层为特定场景（在本例中是面部识别）提供支持：

• 硬件：包含计算、输入/输出（I/O）和辅助处理节点，以及可扩展的存储和网络连接。设备和系统之间的通信以超高速度的骨干为基础，如英特尔® Omni-Path 高带宽网络（英特尔® OP Fabric）。

• 软件：由操作系统和虚拟化层构成，人工智能特定的模块库可在其上运行，实现算法处理和分析、数据管理和 I/O，以及获取和传输数据源及虚拟化分析结果。

• 流程：其中涉及人工智能应用的“业务逻辑”，利用库模块来提供诸如面部识别等功能。此流程层考虑到了学习算法的训练及结果的评估/推理。

  
  

构建更广泛的平台来满足人工智能需求有以下优势

• 基于平台的方法能够提供统一的配置点和唯一的部署目标。因此，能够通过降低管理费用，进一步削减日常使用人工智能的成本。

• 从技能和经验角度来看，虽然平台可能比单个解决方案更复杂，但它有利于构建专业知识。

• 从组织角度来看，平台可由单个团队而非多个团队管理，从而加强组织内部及与各业务部门之间的沟通。

构建更广泛的平台来满足人工智能需求有以下缺点：

• 比起一次性解决方案，首次构建人工智能平台的过程可能看起来更加复杂，成本也更加高昂（请注意，并非一定是这样。虽然构建的平台可以面向更加广泛的用途，但最初可以部署为较小版本）。

• 如果内部有人员掌握相应的技能，则构建更广泛的平台时将从中获益，尤其是首次配置时。对于组织来说，这可能是一项挑战，可能增加部署风险。

• 如果架构不太合适，那么创建更广泛的平台也意味着可能面临更大的风险。例如，相比于实际需求，所构建的平台规模可能太小，或者太大。

无论处于哪个人工智能实施阶段，组织都可能想要使用第三方资源（包含基于公有云的选项）和技能，以提供全栈解决方案或利用现有资源。外包人工智能解决方案的具体元素可能包括：

• 基础设施硬件：按使用付费的基础设施即服务（包括 CPU 和 固态盘），可实现按需分配

• 人工智能专用软件： 有些提供商现在提供人工智能函数库，包括语音和图像识别

• 数据管理：基于服务的平台可提供高度可扩展的基础，用于数据校正和交付内部工程师可与第三方提供商合作，提供全部或部分外包的解决方案架构。

将解决方案的交付工作外包出去有以下优势：

• 功能“现成”可用，可最大程度减少部署和配置问题

• 对于刚开始采用人工智能的企业，预先开发的选项可帮助他们减少技能和资源开销

• 按使用付费服务的成本是可控的，对于难以确定所需资源的企业而言非常合适

• 在引入新解决方案之前，可使用外部服务来增强和测试新解决方案

• 组织可利用第三方的技能和知识让自己受益

将解决方案的交付工作外包出去有以下缺点：

• 由于要管理与外包商之间的关系，因此可能会增加成本和降低效率，对业务部门尤其如此，这种情况会增大推动创新的难度。

• 由此而来的基础设施架构可能带来数据瓶颈，具体取决于数据来源，例如，组织可能需要将数据从内部系统上传到云端。

• 如果解决方案的交付工作被外包给第三方，那么要积累内部经验和技能（尤其是与解决方案架构和数据科学有关的经验和技能）将会更加困难。这可能丧失获取宝贵知识的机会。

• 比起运行内部系统，使用外包资源的成本可能随时间增加。

外包人工智能解决方案的入门成本较低，且基于云的方案非常适合用于开展实验和实施短期研究，这是其优势。但是，劣势在于需要付出长期成本、难以积累内部技能和经验，以及难以大规模实施。例如，如果场景的数据密集度非常高（比如从制造系统中获取信息或从零售环境中获取信息），那么使用内部资源可能更有意义。