作者简介：Dan Olds是技术趋势和客户情绪方面的人士，他也是经常被行业和商业出版物频频引用的专家，比如《华尔街日报》、彭博新闻社、《Computerworld》、《eWeek》、《CIO》和《PCWorld》等。
AI软件界在迅速发展。新的应用几乎每天都在层出不穷，现在正好可以趁机了解人们到底在用机器学习和其他AI技术做什么、这些技术可能何去何从。
我们在之前的两篇文章中探讨了实际用户在如何对待AI，以及如何利用AI来解决问题、优化企业。我们在本文中将深入了解数据中心的AI角落，看看公司在使用什么样的软硬件。
为此我们OrionX.net开展了一项调查，向用户展示了二十几种AI框架，询问他们是否打算使用某框架、是否已经在使用某框架，或者是否认为自己是专家。
很少有人自称是任何一种框架方面的专家，平均比例在2%左右。TensorFlow和Scikit Learn是两种的框架，分别有9%和12%的人自称是这种框架方面的专家。然而如上图所示，客户熟悉大量的AI框架，不过他们不认为自己是专家。
IBM Watson是使用率*三的AI框架，Spark-MLib名列第四。我们惊讶地发现，所有24种框架都有各自的粉丝和拥趸。你将这样一份列表拿给调查用户看时，通常会看到四五种大受欢迎的选择，其余沦为默默无闻。AI框架方面无疑不是这种情况。
虽然这些都是机器学习工具集，但它们并不是*取代对方，这意味着像TensorFlow和Sciket Learn这样一两种流行框架不会淘汰其他框架。
AI硬件：更进一步的观察
那么，这些项目有多庞大？它们用于处理AI的集群又有多庞大？这是我们的发现结果。
对调查对象如今从事的所有AI项目而言，平均数据量为442 TB，zui大单个项目的平均数据量为235 TB。因此，从下面的平均数据量来看，调查中的典型企业似乎在从事一些很大的项目。
然而，这些统计数据有点欺骗性。如果你看一下中位数而不是平均数，真实情况变得明朗化。AI项目的合并总数据量中位数仅为17TB，而zui大单个项目的数据量只有5TB。
平均数和中位数之间差异这么大，合理的解释就是，有一小部分的大型项目让数值出现了很大程度的偏差。AI趋势仍处于起步阶段，目前鲜有企业在开展极其庞大的AI项目。
如果看一下调查对象用于其AI项目的平均集群大小，就可以证明这一点。如图所示，60%以上的调查对象拥有节点数量不到128个的集群，一大批调查对象使用节点数量不到32个的集群。另一方面，一小批调查对象拥有超过2048个节点的集群，仅20%的调查对象声称集群的节点数量在512个到1024个之间。
这也证实了我们处于AI时代的较早时期。随着我们进一步发展，可能会看到AI集群的规模会迅速变大。
广阔的加速器世界
在本次调查的硬件部分，我们询问了关于GPU和FPGA等计算加速器的几个问题。*，这些便捷的设备可以加快数字处理，还可以显著加快深度学习任务，尤其是在机器学习训练模型方面。GPU已成为大多数用户的优选加速器，但随着用户对专门定制的AI FPGA越来越熟悉，我们预计这类加速器的使用量会逐渐增加。
我们询问了客户他们对于特定的GPU和FPGA加速器有多熟悉，为此给他们看了一份列有众多候选者的长长列表，询问他们是否熟悉该设备或目前是否在使用该设备。
下表代表了我们在2017年春夏期间所能找到的每一款加速器。到目前为止，可能还有更多的加速器即出现在市面上，或者更大的玩家会收购本文列表上的更多加速器。
看到80%的调查对象使用英伟达GPU加速器或熟悉英伟达GPU加速器，这不足为奇。
AMD GPU和谷歌TPU的熟悉度/使用率不相上下，都是60%多一点，而英特尔的Altera FPGA排在第四位。事实上，由于四处收购FPGA技术公司（具体来说指Altera和Movidius），英特尔有多款GPU加速器上榜。
我们没有料想到的一个方面是，调查对象很熟悉或在使用榜单上不大的技术。就连榜单上度/使用量zui小的硬件（来自Krtkl，这是一家设计嵌入式FPGA等产品的小公司）也被我们25%的调查对象所认可。
结束语
在*篇文章中，我们的数据显示，虽然几乎所有的调查对象都在开展AI项目，但很少有人（约7%）真正在生产环境下搞AI项目。在第二篇文章中，我们发现大多数实际的AI项目旨在推进和简化典型应用，比如预测性维护和分析大数据。虽然图像、语音和视频AI分析似乎备受媒体的关注，但大多数客户在使用AI来分析数字和文本。
我们在本文中了解到，虽然有几个非常大的AI项目（至少由我们的300多个调查对象来判断是这样），但就数据量而言，中位数项目还是相当小（约5TB）。我们还发现，说到GPU和FPGA之类的AI加速器，实际的客户熟悉行情，他们知道这个市场的大小玩家。我们还再次证实了自己的假设：AI的发展处于早期阶段；对于这个激动人心的细分市场而言，真正的发展还未到来。
