什麼是人工智能
其實人工智能可以簡單的概括爲通過人爲的方式，創造一個可以達到或者是超越人類智能的處理方式的機器。
發展趨勢
監督學習->深度學習、強化學習->非監督學習、知識推理
監督學習：利用一組已知類別的樣本調整分類器的參數，使其達到所要求性能的過程，也稱爲監督訓練或有教師學習
深度學習：模仿人類的神經網絡，建立簡單模型，按不同的連接方式組成不同的網絡
非監督學習：可以在未知的樣本當中發現隱藏的結構特點，並進行學習。
機器學習的本質
找一個函數
可以分爲三個步驟
- Function set（建立模型）
- goodness of a function（評價模型）
- Find the best function（找出最佳函數）
上述爲基本步驟，最終得到的模型可能只是最適合實驗條件下的基礎模型，對於真實的情況還是存在一定的偏差，所以還是要返回進行二次優化訓練。
深度學習vs傳統機器學習
如上圖，
我們可以拿“寵物小精靈”爲例
傳統機器學習，主要是由人，也就是設計者來規劃好一些特徵。例如“身高”、“體重”、“屬性”等，機器通過設計者規劃好的這些特徵點對已有的數據進行學習，並分類。最終可以分辨出新的目標。（因此在人工設計特徵這部分的工作量也佔了較大的比例）
深度學習：模仿人類的神經網絡，由機器自動的設置一些特徵權重去訓練出它的模型，不需要人工爲它設置特徵點。
應用場景
教學實訓場景
通過Atlas 200 DK 開發者套件，老師和學生都可以使用個人PC，通過USB接口接入到開發板上。在200 DK當中包含了海思3559芯片以及Atlas 200 AI加速模塊，可以爲使用者提供強大的算力支持。
互聯網場景
典型的一個用法就是與大數據相結合一起使用，通過大數據獲取到大量的數據集，再利用AI的一些算法對數據進行分析統計，來使數據增值。
電力行業場景
運營商場景
金融場景：OCR、智能安防等等
小結：人工智能的應用場景非常廣泛，涉及到各行各業，在大數據時代，大量的數據需要及時處理的情況下尤爲明顯。
人工智能挑戰和解決方案
挑戰
AI的概念早在上個世紀五六十年代就已經提出來了，但是由於受到算力的限制沒有發展起來。
舉個例子，你對一個模型進行訓練，但是算力不足，可能你的訓練需要1周才能出結果，而且訓練出來的結果不一定是非常合適的。所以這就會讓開發者很沮喪。
圖中也是列出了過去和現在的一些對比，通過這張圖可以瞭解到爲什麼AI的概念提出的很早，但是到現在才得以快速發展。（主要還是算力的問題）
從這張圖上可以看出來，在早些年，人工智能經歷過兩次高潮，兩次寒冬。
第一次高潮-是因爲出現了很多頂級的算法，研究者們看到了曙光。
第一次寒冬-發現邏輯證明器、感知器、增強學習等等只能做很簡單、非常專門且很窄的任務，稍微超出範圍就無法應對。當時的計算機有限的內存和處理速度不足以解決任何實際的AI問題。
第二次高潮-出現了專家系統，專家系統的能力來自於它們存儲的專業知識，知識庫系統和知識工程。
第二次寒冬-但是專家系統的實用性僅僅侷限於某些特定情景，而且費用方面也不太經濟，於是政府減少相關經費支出。
第三次高潮-由於算力的提升，更優秀的算法出現，數據體量的增大，人工智能再一次火熱起來。
華爲全棧全場景AI解決方案
所謂全棧指的是從底層到最上層的架構
最底層- 芯片，主要有五大系列產品組成：昇騰的Nano、Tiny、Lite、Mini、Max這些。昇騰310屬於Ascend-Mini系列。昇騰910屬於Ascend-Max。
芯片使能-華爲自主開發的，CANN 芯片算子庫
框架-MindSpore是華爲支持雲、邊、端獨立的和協同的統一訓練和推理的框架。還包括Google的TensorFlow，Facebook推出的PyTorch等等。
應用使能-華爲有一個AI訓練平臺叫ModelArts，在華爲公有云上有專門的服務。
再往上就是Ai的應用。
以上就是全棧。
全場景指的就是：適合於雲邊端各個場景下，例如消費終端、公有云、私有云、邊緣計算、IoT行業終端等等。
Altas產品全家桶
介紹一下上圖中的各種小東西
部件：
Atlas 200，以Ascend 310爲核心的加速模塊
Atlas 300，由4顆Ascend 310組成的加速卡
Atlas 200 dk 開發者套件，一個開發平臺，個人PC可以接進去進行開發
AI服務器：
Atlas 500，AI智能小站
G5500、G2500這些異構服務器
通過這些服務器來進行AI計算加速。
AI解決方案：
主要包括圖中所示的一些一體機提供各種場景下的解決方案。
最後可以通過兩個介紹Ascend310和Ascend910芯片的視頻來總結這章的內容。（博客裏就不發了，私藏-v-）