据陈屹力介绍，大赛分为A榜和B榜，A榜是信通院依据行业标准针对国内云服务商做的测试，B榜则广泛征集了全国北大、清华等高校的案例进行测试性能，最终测试对象由国内云服务商提供相关的资源，包括CPU主机和GPU主机。由A榜和B榜团队分别验证云服务性能，最终胜出的六家厂商，都是目前在国内公有云市场上比较有代表性的厂商。
海云捷迅研发工程师武宇亭
针对海云捷迅基于云计算技术快速构建深度学习平台，海云捷迅研发工程师武宇亭进行了简单分享。武宇亭表示，海云捷迅深度学习平台最底层由硬件资源、CPU、GPU等计算资源、数据存储资源组成，在资源之上是深度学习框架平台，对TensorFlow、Caffe深度学习框架提供支持。在深度学习框架之上是算法和模型、训练任务，算法主要的是CNRN这些网络模型，模型图像识别、语音识别等。
武宇亭认为算法模型、训练只是一个过程，这些最后要赋能应用，通过API来调用，所以海云捷迅深度学习平台的最上层是AI应用层，把训练出来的结果发布成一种应用，供用户来使用。
阿里云高性能异构计算AI团队负责人游亮
阿里云高性能异构计算AI团队负责人游亮对阿里云的异构计算解决方案进行了分享，并发表了对人工智能发展的看法。谢亮认为，人工智能浪潮的背后有三大因素作为支撑，第一个要素，数据量越来越大，全球数据目前已达到几十个甚至上百个ZB级别。第二个要素，算法的深度或者是复杂度越来越高。第三个要素，对异构计算的处理能力的要求越来越高。
阿里云的人工智能版图包括ECS集群、SCC神龙服务器、异构计算等提供的计算服务，由TensorFlow、Caffe、Hadoop等提供的高性能引擎服务，由ESPC、EMR、EML提供的平台调度服务，还包括语音识别等API服务以及城市大脑等场景解决方案。
Google软件工程师，TensorFlow中国团队成员刘仁杰
TensorFlow是谷歌基于DistBelief进行研发的第二代开源人工智能学习系统，该系统大大降低了深度学习在各个行业中的应用。会上，Google软件工程师，TensorFlow中国团队成员刘仁杰发表题为《TensorFlow促进人工智能的发展》的演讲。
刘仁杰认为TensorFlow为挑战而生，随着深度学习网络越来越大，图像识别已经有48个Layers，25M parameters这样的复杂模型，如何建立以及如何快速建立这样的模型对TensorFlow来说是个很大的挑战。在开源社区建设上，刘仁杰希望给TensorFlow做一些好的API，构建比较好的模型，谷歌对此已经开展了教育，和其他一些生态进行结合。
各位大咖的分享使得我们对高性能计算与人工智能融合发展的脉络更加清晰，云计算、高性能计算、深度学习等新兴技术互为共生，紧密地联系在一起，它们融合后的应用也正在向下渗入各个场景，成为我们日常生活不可或缺的智能工具。在后续的发展中，高性能与人工智能融合还将产生哪些应用爆款？共同期待吧！