计算需求的增速，正快的让人有些出乎意料。毕竟，年增长率高达 50% 的数据总量，渴求有更强的数据处理能力与之相匹配；不断发展和演变的应用场景，如科学模拟、金融分析、深度学习等，也形成了更多、更大的密集型计算负载，这些，都对处理器的算力提出了严峻的挑战。
要应对这种挑战，就需要在处理器内部，在硬件层面上做出特定的优化或革新，而其中最为关键的，就是特定加速指令集或运算单元的持续引入及改进。
早期通用处理器的工作模式，一般都是基于 SISD（单指令单数据流）指令，即每个核心中，一个指令单次操作一条数据。如图一所示，这就如同一条繁忙的道路上，每辆车（指令）都只装载一件货物（数据），并按照时钟周期前进。处理器主频越高，时钟周期越短，单个核心（道路）的工作效率（车速）就越快。
图一 SISD 指令工作模式
随着计算需求的不断提升，人们发现上述方式在某些场景中效率很低。例如图二所展示的，在图像处理、游戏、AI 计算中常见的数组运算，其数组乘操作在 SISD 指令下，需要分解为 3 个运算指令，但这些乘法操作实际都是相同的。
图二 数组运算分解
为此，处理器开始引入新的 SIMD（单指令多数据流）指令来提升效率，这种指令能让一个指令可以单次操作多条数据（如图二中，数组乘可通过一条指令完成），这就仿佛道路上的车（指令）可以同时装载多份相同的货物（数据）。
英特尔在 1996 年推出了 MMX 指令集，率先加入了对 SIMD 指令的支持，同时英特尔还为其配备了专门的 64 位寄存器。如图三所示，这意味着在主道路之外，还为繁忙的交通（计算需求）开辟了更宽畅的专用通道（寄存器）。不仅如此，英特尔还加入了 FMA (融合乘加)指令集，让处理器一次能同时完成加法和乘法两种基本操作，效率再次翻番。
图三 英特尔® 架构处理器中集成的 SIMD 指令工作模式
在之后，如图四所示，英特尔对 SIMD 指令集不断升级优化，从 MMX 到 SSE，再到 SSE2/3/4，到 2008 年，英特尔在其 Sandy Bridge 微架构中引入了新的高级矢量扩展（Advanced Vector Extensions，AVX）指令集，不仅使矢量计算能力扩展到 256 位，也加入了数据重排等新的数据处理加强功能。
今天，在英特尔® 至强® 可扩展处理器家族中集成的 AVX-512 指令集，寄存器已由最初的 64 位升级到了 512 位，且具备两个 512 位的 FMA 单元，这意味着应用程序可同时执行 32 次双精度、64 次单精度浮点运算，或操作八个 64 位和十六个 32 位整数。
图四 英特尔 SIMD 指令集发展历程
正是由于 AVX-512 指令集的加入，让英特尔® 至强® 可扩展处理器家族在音视频处理、游戏、科学计算、数据加密压缩以及深度学习等场景中拥有了出色的表现。
例如在视频编解码、转码等处理流程中，应用程序需要执行大规模的重复性浮点计算，而 AVX-512 指令集正可在其中发挥所长。在腾讯视频云服务场景中，集成 AVX-512 指令集的新一代英特尔® 至强® 铂金 8180 处理器无论是在单任务延迟、还是在全吞吐量指标上，都比旧有英特尔® 至强® E5-2699 v4 处理器有了巨大的提升。如图五所示，在单任务延迟上，新处理器带来了最大 2 倍的性能提升；而在全吞吐量上，转码性能最大可得到 1.4-1.5 倍的提升。
图五 腾讯视频云系统中的性能提升
而在云服务场景中，著名的云服务提供商 Synesis 正选择英特尔 AVX-512 指令集与 Aleph 压缩算法相结合，提升云平台中处理器、内存和存储资源的利用效率，从而以更低的 TCO 帮助客户在智慧城市、公共安全等领域更有效地部署其服务。据 Synesis 预测，在相同需求下，英特尔 AVX-512 指令集的引入可帮助他们将平台的处理器节点数在上一代 AVX2 指令集的基础上再减少 50% 。