开发人工智能需要哪些东西
如何搭建自己的人工智能系统?像很多事情一样，答案是“视情况而定”。如果我们将深度学习作为一个日益流行的人工智能的例子。工作负载，为数据集的深度学习训练构建AI系统在很大程度上取决于您可以轻松访问的资源、专业知识和基础设施数量。例如，您可能作为独立开发人员或在较小环境中作为研究人员使用的系统看起来与支持大型组织努力“支持”与客户的业务交互所需的系统有很大不同，或者提高临床护理质量，或检测大量金融交易数据中的欺诈行为。最终，这变成了您是设计和构建自己的系统，还是针对您的问题采用专门构建的解决方案的问题。
对于前者，当今消费市场中常见的GPU技术往往会进入“自己动手”的人工智能领域。系统非常强大，并且提供比基于CPU的系统明显更好的性能。可以在当今的GPU上实现通用并行计算的现成工具包，结合支持流行深度学习框架所需的编程技能，可以产生很好的结果，正如AlexKrizhevsky的“AlexNet”首次证明的那样，该工具包赢得了ImageNetLarge规模视觉识别挑战。
[[430157]]
2012年，使用在GPU和NVIDIACUDA上运行的卷积神经网络。
对于后者(大规模深度学习，对于大型组织)——有两个重要的考虑因素会影响你实施人工智能的方法。系统：
1.你需要多快开始看到结果?如果您正在进行探索之旅，并且喜欢玩各种硬件和软件配置的智力挑战和有时“侦探工作”，那么您很可能没有按照老板设定的时间表进行操作，或者某种商业或研究势在必行。在这种情况下，当您将您感兴趣的包括GPU、驱动程序、库和深度学习框架在内的系统拼凑在一起时，沿着一条曲折的道路走下去可能完全没问题，并在您承担角色时筛选可能有数百页的文档“系统集成商”。
但是，如果您的努力受到从数据中获取洞察力的首要需求的引导，那么您可能需要一条更简单、更快速的路径来实现这一目标。在这种情况下，您需要利用“解决方案化”平台或设备，例如NVIDIADGX-1或DGXStation。
集成您需要的所有组件，并通过已发布的基准测试进行验证，在您关心的框架上提供可量化的性能。此类设备应根据它们的“即插即用”程度以及开通体验是否直观、引导您完成易于导航的简单管理界面、管理数据集、分配资源、并安排工作。这种部署模式使您不必戴上“IT管理员”的帽子，并让您尽快开始训练神经网络，在短短一天内启动并运行。
获得更快洞察的另一个方面是协同工作的硬件和软件的性能。GPU优化的深度学习软件堆栈的好处是能够在深度学习训练中达到比单独使用GPU硬件更高的加速因子。与使用相同TeslaV100GPU构建但缺乏集成、优化的深度学习软件的其他系统相比，NVIDIADGX系统的深度学习性能提高了30%。这里重要的一点是，即使你构建了一个A.I.您自己的系统，使用绝对最新的GPU技术，相对于集成的硬件和软件系统，该系统仍然处于性能劣势，该系统经过全面优化和软件工程，以实现每个深度学习框架的最大性能。
2.我准备花多少时间管理和优化基础设施?类似于“探索之旅”路线，您的AI系统可能看起来非常不同，具体取决于您遵循的路线。如果您热衷于花时间微调您的软件堆栈，使用不同的框架和支持库组合，并且不介意在社区论坛中寻求故障排除支持，那么构建您自己的系统可能是您的最佳选择。现实情况是，要调整“完美”的深度学习堆栈，从框架到GPU，通常需要大量的软件工程技能支出驱动程序，以及中间的每一层。还要考虑到框架本身通常是开源的，并且在不断发展。因此，确保您的堆栈以最佳性能运行意味着承诺在工时进行调整和重新调整，并可能在持续的基础上重新构建您的堆栈。如果这是您的章程，那么这可能不是问题，但如果您正在资助其他人来完成这项工作，则可能意味着数十万美元的软件工程运营支出，以确保您最大限度地提高人工智能的投资回报率。
或者，AI像NVIDIA的DGX这样的设备，包括访问流行的深度学习框架，如TensorFlow、Caffe2、MXNet等，以及支持库，所有这些都与硬件集成，可以节省大量时间和金钱。此类产品具有预先优化的堆栈，由解决方案提供商定期(最好是每月)更新。这使您免受开源软件的流失和不确定性的影响，同时如果您对硬件和软件中的任何元素有问题，还可以为您提供企业级支持。
此外，由于数据科学和人工智能的实验性质，开发人员经常发现他们自己(或他们的团队)需要同时对系统资源和软件配置的不同组合进行实验，以确定哪种模型可以最快地获得洞察力。基于Docker的容器能够支持深度学习堆栈的多个版本的共存，每个版本彼此隔离，并具有自己的支持驱动程序和库的实例。这使系统操作系统的基本映像保持“干净”，并避免在实验者想要尝试不同的配置排列时必须重新映像设备的可能性。容器与正确的管理和调度设备相结合，还可以使研究人员团队同时使用该平台，并在他们正在开发的模型上进行协作，从而提高系统的利用率，推动您部门的人工智能获得更高的投资回报。
所有这一切都可以为您(试图利用人工智能力量的数据科学家)提高生产力。在您的企业中。所以，你真的有两条途径来构建人工智能。系统，每个系统都适合您可能正在处理的一组不同的时间表、业务目标和运营设置。选择最终将归结为您是否有自由扩展您的章程以包括系统集成商和IT管理员的角色，或者您的职责是否让您始终专注于数据科学并为您的组织获取洞察力。
人工智能分类
人工智能的概念在很久以前就被提出来了，关于人工智能的概念，简而言之就是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
其实人工智能有三种类型，分别是弱人工智能、强人工智能、超人工智能。
在这篇文章中我们就详细为大家介绍一下弱人工智能、强人工智能以及超人工智能的相关知识，希望能够帮助大家更好地去理解人工智能。
弱人工智能
弱人工智能的英文单词就是ArtificialNarrowIntelligence，简称为ANI，弱人工智能是擅长于单个方面的人工智能。
比如有能战胜象棋世界冠军的人工智能阿尔法狗，但是它只会下象棋，如果我们问它其他的问题那么它就不知道怎么回答了。只有擅长单方面能力的人工智能就是弱人工智能。
强人工智能
强人工智能的英文单词就是ArtificialGeneralIntelligence，简称AGI，这是一种类似于人类级别的人工智能。强人工智能是指在各方面都能和人类比肩的人工智能，人类能干的脑力活它都能干。
创造强人工智能比创造弱人工智能难得多，我们现在还做不到。强人工智能就是一种宽泛的心理能力，能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作。强人工智能在进行这些操作时应该和人类一样得心应手。
超人工智能
超人工智能的英文单词就是ArtificialSuperintelligence，简称ASI，科学家把超人工智能定义为在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能。
超人工智能可以是各方面都比人类强一点，也可以是各方面都比人类强万亿倍的。超人工智能也正是为什么人工智能这个话题这么火热的缘故，同样也是为什么永生和灭绝这两个词总是出现在人们的口中。所以对于超人工智能的发展还是需要我们好好把控的。