一篇干货满满的AI技术学习总结
导读：人工智能作为新一轮产业变革的核心驱动力，将催生新的技术、产品、产业、业态、模式，从而引发经济结构的重大变革，实现社会生产力的整体提升。
人工智能大家已经耳熟能详，但在分享相关技术文章之前，还是跟大家简单介绍下其技术现状，旨在勾起读者的兴趣。包括生态、芯片、计算处理架构、国际化标准等。
麦肯锡预计，到2025 年全球人工智能应用市场规模总值将达到1270 亿美元，人工智能将是众多智能产业发展的突破点。通过对人工智能产业分布进行梳理，提出了人工智能产业生态图，主要分为核心业态、关联业态、衍生业态三个层次。
智能芯片从应用角度可以分为训练和推理两种类型。从部署场景来看，可以分为云端和设备端两步大类。训练过程由于涉及海量的训练数据和复杂的深度神经网络结构，需要庞大的计算规模，主要使用智能芯片集群来完成。与训练的计算量相比，推理的计算量较少，但仍然涉及大量的矩阵运算。目前，训练和推理通常都在云端实现，只有对实时性要求很高的设备会交由设备端进行处理。
按技术架构来看，智能芯片可以分为通用类芯片(CPU、GPU、FPGA)、基于FPGA 的半定制化芯片、全定制化ASIC 芯片、类脑计算芯片(IBM TrueNorth)。另外，主要的人工智能处理器还有DPU、BPU、NPU、EPU 等适用于不同场景和功能的人工智能芯片。
面对海量的数据处理、复杂的知识推理，常规的单机计算模式已经不能支撑。所以，计算模式必须将巨大的计算任务分成小的单机可以承受的计算任务，即云计算、边缘计算、大数据技术提供了基础的计算框架。
目前流行的分布式计算框架如OpenStack、Hadoop、Storm、Spark、Samza、Bigflow等。各种开源深度学习框架也层出不穷，其中包括：TensorFlow、Caffe、Keras、CNTK、Torch7、MXNet、Leaf、Theano、DeepLearning4、Lasagne、Neon等等。
在人工智能数据采集、分析、处理方面的企业主要有两种：一种是数据集提供商，以提供数据为自身主要业务，为需求方提供机器学习等技术所需要的不同领域的数据集。另一种是数据采集、分析、处理综合性厂商，自身拥有获取数据的途径，并对采集到的数据进行分析处理，最终将处理后的结果提供给需求方进行使用。
近年来，在国际标准化组织、国外标准化组织、以及国内标准化组织都在研究人工智能问题，并进行相关技术的标准化工作。
ISO/IEC JTC 1(国际标准化组织和国际电工委员会第一联合技术委员会) 在人工智能领域的标准化工作已有20 多年的历史。前期，在人工智能词汇、人机交互、生物特征识别、计算机图像处理等关键领域，以及云计算、大数据、传感网等人工智能技术支撑领域，各个组织均已开展了相关标准化工作。
人工智能标准化与SC工作关联度
ISO/IEC JTC 1研究范围涵盖的人工智能技术领域有很多，许多分技术委员会(SC)和工作组(WG)工作受到人工智能的影响。SC/WG开展的工作与人工智能标准化相关联的程度如上表所示。
国际标准化组织ISO主要在工业机器人、智能金融、智能驾驶方面开展了人工智能标准化研究。国际电工委员会IEC主要在可穿戴设备领域开展了人工智能标准化工作。国际电信联盟ITU 从2016 年开始开展人工智能标准化研究。
下面通过ET大脑应用，说明一下城市大脑在城市公共资源优化配置的创新实践与应用。如何实现交通态势评价与信号灯控制优化、城市事件感知与智能处理、公共出行与运营车辆调度、社会治理与公共安全。
ET城市大脑是在依托阿里云大数据一体化计算平台基础上，通过阿里云数据资源平台对包括企业数据、公安数据、政府数据、运营商等多方城市数据的汇集，借助机器学习和人工智能算法，面向城市治理问题打造的数据智能产品。
ET城市大脑分为三层，最下层为阿里云飞天计算平台，中间为阿里云城市大脑数据资源平台，最上层为阿里云城市大脑IT 服务平台。其中数据资源平台和IT 服务平台为开放平台，可以承载其他厂商产品。
一体化计算平台：为城市大脑提供足够的计算能力，具备极致弹性，支持全量城市数据的实时计算。EB 级存储能力，PB 级处理能力，百万路级别视频实时分析能力。
数据资源平台：全网数据实时汇聚，让数据真正成为资源。保障数据安全，提升数据质量，通过数据调度实现数据价值。
IT 服务平台：开放的IT 服务平台，繁荣产业生态。通过数据资源的消耗换来自然资源的节约。
目前，关于人工智能参考架构和标准化在各个行业都有不同定义，上述提到的标准化组织、国内外人工智能现状分析，请大家参考“人工智能标准化技术白皮书(2018)”。
读者可通过关注公众号“人工智能架构师”(如下二维码)，然后在底部菜单回复“AI白皮书”关键字获取完整白皮书资料。
下面给读者分享一些来自“人工智能架构师”公众号的技术文章(包括一门专栏课程)，内容覆盖范围从入门到实践，包括人工智能的方方面面，算是一份技术大餐清单。
专栏课程：
“AI技术内参”快速掌握AI算法和模型
技术文章：
深度剖析卷积神经网络
深度学习，需要了解的重要知识点
轻松看懂机器学习十大常用算法(附实例)
通俗的机器学习介绍
数据科学的五个统计核心概念
全面解析为何FPGA、ASIC和DSP三足鼎立？
阿里云深度学习存储解决方案
深度学习综述
科技小白如何理解VR/AR
AI的推动引擎: 深度学习
顶尖机器学习算法专家需要知道哪些算法？
神经网络和深度学习简史(全)
深度文章: 初识智能数据分析
深度文章: 初识人工神经网络
深度文章: 初识深度学习
深度文章: 初识机器学习
最受资本欢迎的人工智能领域(数据解读)
25个机器学习面试题，可否找到标准答案？
AI芯片之卷积神经网络原理
AI芯片最新格局分析
人工智能(AI)知识点备忘录
语言处理实现突破，三座大山必须过
华为海思麒麟处理器的前世与今生
英特尔的CPU，现在被禁止性能跑分了
国内外有哪些FPGA厂商？其发展状况如何？
AI 芯片和传统芯片有何区别？
GPU的现在和ASIC的未来
详解云计算、大数据和人工智能的区别与联系
面解析人工智能技术前世今生
一个资深架构师眼中的人工智能
详解AI技术趋势和参考架构
中国芯片差在哪？这篇讲全了
一篇漫画，看懂芯片咋就这么难造？
至此，如果分享内容对学习了解人工智能有所帮助，请不吝分享。另外，“人工智能架构师”公众号也是本号的一个特邀联盟公号，内容垂直聚焦，广度深度兼并，持续更新干货。
推荐阅读：
选择GPU服务器的基本原则
Ceph存储系统Scrub机制分析
温馨提示：
