利用英特尔AVX－512技术和bfloat16指令，腾讯的科学家们确保了GRU模块和Dense运算符中粗略部分／精细部分的所有SGEMV计算都使用512位矢量进行矢量化，并采用bfloat16点积指令；对于按元素逐个加／乘等运算以及其他非线性激活，都使用最新的英特尔AVX－512 指令运行。
在最终都性能测试中，通过优化，相同质量水平（MOS4．5）的文本转语音速度比FP32提升了高达1．54倍。
此外，腾讯还以 GAN 和 Parallel WaveNet （PWaveNet）为基础，推出了一种改进后的模型，并基于第三代英特尔至强可扩展处理器对模型性能进行了优化，最终使性能与采用FP32相比提升了高达1．89倍，同时质量水平仍保持不变 （MOS4．4）。
腾讯在TTS领域的进展显示出了人工智能领域的一个趋势，那就是科学家们越来越多开始利用英特尔深度学习加速技术在CPU平台上开展工作。
就像腾讯在针对TTS的探索中获得了性能提升那样，第二代和第三代英特尔至强可扩展处理器在集成了加速技术后，已经显著提升了人工智能工作负载的性能。
在更广泛的领域内，我们已经能够清楚地看到这种变化——在效率表现上，由于针对常见人工智能软件框架，如TensorFlow和PyTorch、库和工具所做的优化，CPU平台可以帮助保持较高的性能功耗比和性价比。
尤其是扩展性上，用户在设计系统时可以利用如英特尔以太网700系列，和英特尔傲腾内存存储技术，来优化网络和内存配置。这样一来，他们就可以在充分利用现有硬件投资的情况下，轻松扩展人工智能训练的工作负载，获得更高的吞吐量，甚至处理巨大的数据集。
不止于处理器平台本身，英特尔目前在面向人工智能优化的软件，以及市场就绪型人工智能解决方案两个维度，都建立起了差异化的市场优势。
例如在软件方面，英特尔2019年2月进行的 OpenVINO／ResNet50 INT8 性能测试显示，使用 OpenVINO或TensorFlow和英特尔深度学习加速技术时，人工智能推理性能可提高多达 3．75 倍。
今天，英特尔已经携手解决方案提供商，构建了一系列的精选解决方案。这些方案预先进行了配置，并对工作负载进行了优化。这就包括了如基于人工智能推理的英特尔精选解决方案，以及面向在面向在Apache Spark上运行的BigDL的英特尔精选解决方案等。
这些变化和方案的出现对于那些希望能从整体业务视角，去观察人工智能进展的机构或企业的管理层显然也很有意义——如果只通过优化，就能在一个通用平台上完成所有人工智能的探索和落地，那么投资的价值就能够实现最大化。
许多企业做出了这样的选择，GE医疗就是其中一家。作为GE集团旗下的医疗健康业务部门，它构建了一个人工智能医学影像部署架构。
通过采用英特尔至强可扩展处理器，和英特尔固态盘，以及多项英特尔关键技术——例如英特尔深度学习开发工具包，和面向深度神经网络的英特尔数学核心函数库等；GE医疗收获了未曾预料到的成果：
这一解决方案最终比基础解决方案的推理速度提升了多达14倍，且超过了GE原定推理目标5．9倍。
