在上周， Intel 在旧金山举办首场以 AI 开发者为主的 AIDC ， 在大会中， Intel 介绍了它们目前手中持有的 AI 资源，想让开发者知道 Intel 不只有 x86 CPU ，同时也透过软件开源的方式，希望借此抛砖引玉吸引开发者使用这些资源，而在这一切的背后不难看出 Intel 想证实它们已经做足了准备。
然而回归现实，即便手中握有一手好牌， Intel 现在在新 AI 世代仍是处于一个等待东风的情况。 AI 并不是新议题，而是一个持续进行式，且直至 2012 年以前， Intel 保有绝对的优势，毕竟在此之前谈论到超级电脑、服务器架构等，几乎都是以纯 CPU 打造的架构。但 2012 年却也是一个重要的转捩点，因为一宗案例使得整个业界对 AI 又为之疯狂。
当年由多伦多大学的 Alex Krizhevsky ，以透过一张消费级的 GeForce GTX 580 搭配 CUDA 语法，利用在 90 年代所提出的类神经网络架构，一举突破过往机器视觉影像辨识的极限，这也使得 GPU 与 CUDA 一战成名，同时也使得多年停滞不前的 AI 有着飞跃性的成长，并且让学习式 AI 成为可能，并引发业界一股基于机械神经网络的 AI 浪潮。
而这样的成果也是 NVIDIA 期盼已久的东风，毕竟 NVIDIA 正式释出 CUDA 已经是 2007 年的事情，但仅限支援 NVIDIA 架构且非开源一事，是不少开发者所诟病的，然而在持续多年不间断地投入资源后，也终于在 2012 年一战成名。
当然平心而论， GPU 并非 AI 技术的唯一选项，同时在既有的架构中， GPU 也仍需要搭配 CPU 才能进行运作，少了 CPU 的支持是无法进行基础系统的运作，在整套系统中， GPU 扮演的角色也是属于加速器的部分，故业界对于 AI 前仆后继，仍对 Intel 的 CPU 有相当大的需求，只是在以神经网络为主的新 AI 发展，其光芒被 NVIDIA 盖过。
以当前的超级电脑架构， GPU 仍避不开与 x86 CPU 的配合，不光只是因为 CPU 是做为运行基础系统的必备条件，同时在当前的硬件架构中，多数的资源指派仍需要 CPU 负责，同时也需要由 CPU 提供充裕的内存；当然这些部分也牵涉到 Intel 并不开放对等权限给予 GPU ，虽然 NVIDIA 与 IBM 着手透过 NVLink 提供 CPU 与 GPU 对等权，只是在目前多数超级电脑的架构规划， x86 仍是最主流的 CPU 结构。
在 AIDC 上， Intel 还是不忘先强调即便 GPU 再强， Intel 的新 Xeon 服务器处理器有着充裕的内存支援，可做为深度学习所需的资料暂存，这确实也是事实，否则 NVIDIA 也不会借由 NVLink 串接多张 GPU 的内存进行共享，然就根本而言，若能让 CPU 与 GPU 进行相互沟通、共享内存，对于深度学习绝对有利无弊，不过从过往的经验恐怕双方都不太可能让步。
对 Intel 来说，它们也陆续收购了许多公司补充 AI 硬件架构，希望借由提供多元的方案满足市场需要，其中包括 FPGA ，机械视觉方案 Movidius ，以及类神经网络处理器 Nervana ，借由提供高度弹性、边际人工智能与专属的人工智能加速器等，让开发者能依照需求选择合适的方案，同时也强调如 FPGA 与 Nervana 有着比 GPU 更高的效率。
然而这就牵涉到最基础的问题，超级电脑架构的规划并非能瞬间决定，通常都需要长期的规划，而规划者本身的刻版印象又多少会影响，例如几年前台湾气象局的前超级电脑负责单位曾指出某超级电脑硬件厂商不断对他们灌输 GPU 在气象运算的投资报酬率不高， Intel 在 GPU 正当红的此刻推出解决方案，也需要长时间的市场耕耘。
其次现在也遭遇到公众云服务商如 Google 、微软等，也在规划自行设计的深度学习加速器，尤其在当前能够决定深度学习软件发展的，多为这几家服务商所提供的框架，而它们所设计的加速器，也势必针对其推广的语法有最佳的加速架构；但也要注意的是，即便它们提供加速器架构，在整个云端架构仍提供多元的方案供开发者选用。
对 Intel 来说，不同于 NVIDIA 将资源集中在 GPU 单一项目， Intel 现在拥有多种的方案，但同时所有的方案都还处于起步阶段，何时利用这些架构成名的东风能够吹来、且哪个项目能够被东风带起还是未知数，毕竟由 NVIDIA 起头的新 AI 世代的战争也才正开始，对于最合适的硬件架构，谁也没有正确答案。
