当人们对一个新生事物不了解的时候通常会有两种态度，一种觉得与自己无关，所以不想了解，另一种是觉得与自己有关，但看过去却觉得充满神秘。
AI（Artifical Intelligence）人工智能带来的恐惧都写在了科幻电影里，人工智能的能力正在渗透到我们的生活，当你觉得有一天手里的工作可能会被人工智能取代的时候，那么，你便是相信人工智能与你有关系。
人工智能其实是一门数据科学，做的是一件并不难理解的事儿：根据现有的数据，总结出规律，然后当新的数据出现的时候，做出判断，分析或者是预测，这就是人工智能，就是要找出数据之间的联系，没人能说清楚为什么有这种关系，这不是人工智能要解决的问题。在不了解人工智能的人看来，这就是黑匣子，因为黑匣子自己也不知道自己在做什么。
以最基础的线性回归来看，我们看这样一个例子，说一个人去银行贷款，提供了若干条个人信息，比如有两条重要的信息，年龄和工资水平，还有最终贷款了多少钱，这三个数据就是一条可用来做预测的数据，如果能找到几十万个这样的人，提供几十万条这样的数据，那么，机器就知道，如果未来又有一个人去贷款，并且能给到这些信息，机器就能预测出来，可能会得到多少的贷款。
这就是人工智能。为了得到更精准的预测效果，训练的过程需要不断反复，调整参数，使得预测值和真实值的差距越来越小。
人工智能离我们有多远呢？在AI开发者看来，一点都不远，大部分AI开发者的工作时间并不长，可能因为群体比较小，也没有人太照顾这些人的感受，随着新一波人工智能的热潮，人们发现手里的数据多了，电脑运算的更快了，但实际上，这些AI开发者使用的工具并不顺手。
AI开发者面临的核心问题有两点，一个是慢，可用来训练的数据获取的慢，处理数据慢，另一个是贵，计算力太贵，显卡太贵。这是华为郑叶来在全联接大会上总结的两个字儿，基本涵盖了现实问题。
慢的原因在于，人工智能首先需要大量的数据，很多数据并不具有直接拿来做训练的价值，经典的几个数据集宝库泰坦尼克号的获救数据集，加利福尼亚住房数据等，都是十分规整的数据，数据处理有一种是去除明显无用的数据，记录错误的数据。
还有一大类是做数据标记，比如你要告诉机器，一张图片上的是什么，以文字的形式标记出来，不然机器不知道这是什么，机器学习的算法分析图片的数据，然后建立与标记内容之间的联系，这就是训练的过程，但这需要非常大量的数据处理工作。
为了获得这样的数据，世界上出现了数据标注员这样的工种，在国内工资大部分在5k到10k之间，在国外出现了专门的数据标注网站，最著名的国外有Amazon Mechanical Turk，很多人可以全职做数据标注工作，像滴滴抢单一样的节奏，每天工作八小时，干得好的可以靠这个来养家，这是一个新兴的职业，背后是对可训练的数据的实际需求在支撑。
慢还在于需要不断反复调参数，调batchsize，调learning rate，调steps等等多种参数，当然还要选择合适的算法，每一次调参的结果人为来完成，过程可能非常耗时，计算力不足导致模型训练过程进行的太慢，更昂贵的可以更快，但问题就是太贵了。
在一个就是贵，确实，常用于AI计算的GPU、FPGA、ASIC从购买到真正用起来还是太贵了，AI的基础资源太贵了，除了平台还有电费，专用的AI处理器致力于专门做这一类负载，效率会跟高，新的AI芯片一定要做到这点，否则没什么存在的意义。在全联接大会上，华为也发布了AI芯片，具体用起来如何还要等到明年Q2以后吧。
如上文所说，数据标注很麻烦，费时费力费钱，郑叶来说数据的准备时间占整个开发时间点50%，有很多数据也在说，开发者95%以上的时间在做数据处理的工作，然后在做模型训练，最后需要部署到实际环境中，整个过程还是比较麻烦的。
华为推出了一个叫ModelArts的AI开发平台，类似于AWS的SageMaker，数据处理，训练模型，发布模型，最终到应用都可以在这个平台上完成。
没有这样的平台的话，开发者只能在jupyter里做实验，在eclipse或者prcharm这样的ide里写python代码，还要在系统中配置各种框架，Tensorflow，Caffe，PyTorch等，还要配置各种依赖，这些麻烦事儿，都是平台应该做的。
数据处理阶段，ModelArts可对数据采样和筛选，预标注，缩减需要标记的数据量，降低工作量。
训练阶段主要就是调参，一直有人说，人工智能这么厉害，为啥训练人工智能的人不能解放自己让人工智能来训练人工智能呢？其实这是可以的，就像牧羊人的牧羊犬一样，用犬来看羊，帮人预测数据参数，帮人推荐算法，是逻辑回归，决策树还是随机森林，贝叶斯，华为ModelArts能做一部分自动化的调参，还能推荐一些算法，部署的时候可以一键部署到多个平台环境中。这些功能初级开发者可以用，熟练的开发者也能用到。
其实这样的平台应该具备很像扩展的能力，很多人工智能框架都是单机的，云环境要能水平扩展，多台机器分配这些工作，训练时间就能缩短，做法可以参考hpc集群任务调度的软件堆栈。
当开发AI开发完成的流程走完之后，现在留下这样积累素材，未标注的数据，训练前的标注数据，训练后的数据，当然还有数据模型，API管理平台。整个就是一个AI开发的大管家。
前几天一直在说华为的AI战略中芯片的重要性，虽然芯片很重要，但是华为在AI领域的基础服务提供的倒也应有尽有，今年上半年笔者注意到AWS推出了一个叫Deeplens的智能摄像机，这次华为全联接大会上，华为也推出了一个叫HIlens的视觉开发平台，一台具备AI能力的摄像机，连名字都很相似，明显对标Deeplens。看这个名字，就知道用的是海思（昇腾）的处理器，另外，华为对硬件更了解，这点从华为手机就能看出来，做起来跟AWS的相比很可能还有不少优势。
华为全联接大会现场，华为还介绍一款线下开发套件Atlas 200，能做到线上线下一致体验，就是说可以不联网，连到这个设备来数据处理，开发和训练以及部署的功能，开发套件大家都很熟悉了，类似的有物联网开发的zigbee，arduino以及树莓派开发套件，华为的这个开发套件有一个外壳，用的也是华为的海思处理器（昇腾）可能是市场部为了美观需求所以才这么玩弄的吧。据了解，这一开发套件也已经开放给高校以及企业客户在用了。
这是华为给AI开发者的服务，其实，AI是一种平民技术，除了算法以外，AI入门的门槛不算高，相关的教程也很多，如果想成为一名AI工程师其实并不难，难的是结合应用场景来做AI开发。
消费级市场上的用户在感受互联网公司的人工智能服务，如今看来应用最广泛，最成熟的就是用在火车站的人脸识别、小区停车场的车牌识别等图像类服务，企业级市场上，许多巨头跟华为一样，也都各尽所能地推出了一些人工智能服务。
包括华为云，AWS，阿里云，Azure，Ucloud等众多云服务厂商都推出了AI服务，最基本的都有基础计算资源服务，华为云刚推出的类似AWS的Sagemaker的服务则更为细致，除了这类服务，一些AI相关的公司也在推广人工智能培训课程，谷歌推出了一个基于Tensorflow的叫Machine Learning Crash Course的在线学习课程，NVIDIA 深度学习学院 (DLI)的在线学习服务，基于Caffee，Torch，以及Tensorflow等丰富的机器学习框架，当然硬件都是NVIDIA的GPU。
相比之下，华为作为一家大型的ICT服务商，从做云计算到做AI服务，这种跨度，或者说扩展的步伐还是比较快的。人工智能时代依旧离不开硬件的支持，而且人工智能产业进一步发展和应用更依赖于硬件的发展，华为一直以来对硬件的了解是已知的一大优势，而表现出来的发展活力令人印象深刻，不断刷新人们对这家CT，IT服务商的认识。
