近几年来关于AI的应用非常广泛，遍布在各个领域，从早期的键盘、鼠标到触屏，到如今可以通过语音识别等技术实现跟机器人自然交互，或者说我们正处在一个AI的时代。
人工智能的研究由来已久，早期时候更多是依靠专家，根据他们自己的经验来告诉机器，机器在定义好的规则里做一些搜索。这个是依赖专家的经验。2006年以后，随着数据量和硬件计算能力的大幅度提升，人们开始尝试直接将数据交给计算机，让计算机自己在里面做搜索。算法是核心，硬件和数据是基础。
深度学习作为人工智能的核心技术，通过模仿人类大脑的神经机制来分析和解释数据，例如图像、声音、文本。但是人的大脑本身并没有成熟的规则，这一切是通过神经元触发实现的。DNN、CNN、RNN是目前常用的几种神经网络算法分类，TensorFlow、Caffe是几种常用的深度学习框架。
神经网络包含输入层、输出层和隐藏层，每层都包含若干个神经元，神经元之间通过权重参数进行计算，如同形成了一个巨大的神经网络。用一个简单的例子说明一下深度学习训练和预测过程，这是一个图像识别，我们的目标是构建一个神经网络的模型，来实现对图片信息的准确识别。预测是我们最终目的，为了实现最终目的，我们需要数据，将数据做上标签，经过神经网络的前向计算，产生类别，将这个类别与标签的类别做比较，将结构反推给神经网络，如此反复。
下面聊一下AI芯片。大家知道非常著名的摩尔定律，每隔18个月相同成本下，芯片的晶体管数量会翻一番，相应的计算性能也将提升1倍。随着晶体管的体积逐渐接近物理极限，或许在将来摩尔定律会面临失效。在AI领域随着数据量和计算量暴增，我们对计算性能有了更高的追求，于是大家开始寻找计算之外的，比如GPU、FPGA、AISC。GPU没有那么多的控制器件，取而代之的是大量的计算核心，GPU有了远超CPU的大规模数据运算能力。FPGA和CPU、GPU不同，功耗也比GPU要低，ASIC性能提升是以牺牲通用性为代价。有关异构平台广泛存在，大到数据中心，小到手机、平板、可穿戴设备。用CPU+来描述异构平台，CPU+GPU、CPU+FPGA、CPU+TPU等。
最后说一下计算平台的选择，从现阶段看，受益于各个框架对GPU的良好支持，我们对GPU的需求也从最初的单机单卡发展到单机多卡到现在的多机多卡。Inference端会选择CPU+GPU或者CPU+FPGA/ASIC，FPGA同时拥有流水线并行和数据并行，ASIC兼具高吞吐量、低延迟、低功耗的特性。
就分享这么多，谢谢大家。
