智能研發的各家似乎都有了各自的代言人，悄悄的機器生物好像來到了我們身邊。人工智能關健技術深度學習是在云計算和大數據日趨成熟的背景下取得實質性進展，云計算為深度學習提供了平臺，大數據為深度學習提供了礦石，深度學習因此才得以在云平臺、在大數據中淘出黃金。
　　
　　事實上大數據在機器生物的進化史上起到了舉足輕重的作用，不管是語音、圖像識別，語義計算，所有的都是在擁有足夠大數據的基礎上，互聯網，移動互聯網帶來的大數據是人
　　工智能研究進了一大步的關健原因，另外深度學習神經網絡大大提高了語音和圖片系統的識
　　別率，但同時對支撐大數據平臺的云計算也提出了更高的要求。很多人工智能專家提出，大
　　數據和人工智能與云計算的發展不符。
　　從google的人工智能引擎TensorFlow開源說起，相比它facebook的Torch，微軟的DMTK，BM的SystemML. 不能不說TensorFlow對異構端的支持和強大靈活的算法 是眾多人工智能開源項目的獨有的，這也可能是其成功的關健。人工智能研究常常需要強大的就算機集群，機器學習需要訓練各種算法，需要在數萬臺機器編寫深度學習軟件，構建深度學習網絡。
　　TensorFlow可以用來編寫各式各樣的算法，包括深度神經網絡模型的訓練和干擾算法，并且它已經被用于實驗研究中，也被部署在產品的機器學習系統中，已經被應用于十幾種計算機科學以及其他學科的領域中，包括語音識別、機器視覺、機器人學、信息檢索、自然語言處理地理信息提取以及計算機輔助藥物設計。
　　筆者認為TensorFlow可以融合各種計算能力，又是有希望建立一套通用的深度學習模型的人工智能平臺，其開源項目給很多開發者帶來機會。科研部分需要用到GPU計算，研究成果實現商用時就更適合用CPU計算，GPU與CPU的融合計算是人工智能、生命科學研究對計算提出的新的要求。通常的理解CPU負責計算GPU負責圖處理，CPU的通用性更更好，但單個CPU性能成為整個系統運算能力的瓶頸，CPU+GPU是一個強大的組合，CPU包含幾個專為串行處理的優化心，GPU則是專為并行處理而設計，由數千個更小，更節能的核心組成。
　　CPU運行程序中行部分，GPU運行并行部分。一個科研項目在研發階段往往對GPU運算用得比較多，商業階段后就CPU運算更多，不管是在研發過程還是商用階段 GPU+CPU都不是完全獨立，所以現在云服務提供商們應需整合資源提供GPU+CPU 計算服務。寶德科技在高性能計算一直走在前列，早大與華在基因完成了第一張黃種人基因圖譜的繪制和大熊貓基因圖譜的繪制，最近又推出一全系列支持多GPU的高性能服務器結合寶德云公有云，私有云多種方式，寶德云計算為人工智能、生命科學，高能物理等科研項目提供了全方位的計算服務。
　　Facebook 、Google、 微軟、IBM 先后開源的人工智能項目將會來給越來越多智能的服務，高性能計算與云計算將交融參與其中。在計算的交融，大數據的交融，商業生態的交融將現將開啟生物智能和智能生物和諧共生的新場景。
?