什么是人工智能
其实人工智能可以简单的概括为通过人为的方式，创造一个可以达到或者是超越人类智能的处理方式的机器。
发展趋势
监督学习->深度学习、强化学习->非监督学习、知识推理
监督学习：利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习
深度学习：模仿人类的神经网络，建立简单模型，按不同的连接方式组成不同的网络
非监督学习：可以在未知的样本当中发现隐藏的结构特点，并进行学习。
机器学习的本质
找一个函数
可以分为三个步骤
- Function set（建立模型）
- goodness of a function（评价模型）
- Find the best function（找出最佳函数）
上述为基本步骤，最终得到的模型可能只是最适合实验条件下的基础模型，对于真实的情况还是存在一定的偏差，所以还是要返回进行二次优化训练。
深度学习vs传统机器学习
如上图，
我们可以拿“宠物小精灵”为例
传统机器学习，主要是由人，也就是设计者来规划好一些特征。例如“身高”、“体重”、“属性”等，机器通过设计者规划好的这些特征点对已有的数据进行学习，并分类。最终可以分辨出新的目标。（因此在人工设计特征这部分的工作量也占了较大的比例）
深度学习：模仿人类的神经网络，由机器自动的设置一些特征权重去训练出它的模型，不需要人工为它设置特征点。
应用场景
教学实训场景
通过Atlas 200 DK 开发者套件，老师和学生都可以使用个人PC，通过USB接口接入到开发板上。在200 DK当中包含了海思3559芯片以及Atlas 200 AI加速模块，可以为使用者提供强大的算力支持。
互联网场景
典型的一个用法就是与大数据相结合一起使用，通过大数据获取到大量的数据集，再利用AI的一些算法对数据进行分析统计，来使数据增值。
电力行业场景
运营商场景
金融场景：OCR、智能安防等等
小结：人工智能的应用场景非常广泛，涉及到各行各业，在大数据时代，大量的数据需要及时处理的情况下尤为明显。
人工智能挑战和解决方案
挑战
AI的概念早在上个世纪五六十年代就已经提出来了，但是由于受到算力的限制没有发展起来。
举个例子，你对一个模型进行训练，但是算力不足，可能你的训练需要1周才能出结果，而且训练出来的结果不一定是非常合适的。所以这就会让开发者很沮丧。
图中也是列出了过去和现在的一些对比，通过这张图可以了解到为什么AI的概念提出的很早，但是到现在才得以快速发展。（主要还是算力的问题）
从这张图上可以看出来，在早些年，人工智能经历过两次高潮，两次寒冬。
第一次高潮-是因为出现了很多顶级的算法，研究者们看到了曙光。
第一次寒冬-发现逻辑证明器、感知器、增强学习等等只能做很简单、非常专门且很窄的任务，稍微超出范围就无法应对。当时的计算机有限的内存和处理速度不足以解决任何实际的AI问题。
第二次高潮-出现了专家系统，专家系统的能力来自于它们存储的专业知识，知识库系统和知识工程。
第二次寒冬-但是专家系统的实用性仅仅局限于某些特定情景，而且费用方面也不太经济，于是政府减少相关经费支出。
第三次高潮-由于算力的提升，更优秀的算法出现，数据体量的增大，人工智能再一次火热起来。
华为全栈全场景AI解决方案
所谓全栈指的是从底层到最上层的架构
最底层- 芯片，主要有五大系列产品组成：昇腾的Nano、Tiny、Lite、Mini、Max这些。昇腾310属于Ascend-Mini系列。昇腾910属于Ascend-Max。
芯片使能-华为自主开发的，CANN 芯片算子库
框架-MindSpore是华为支持云、边、端独立的和协同的统一训练和推理的框架。还包括Google的TensorFlow，Facebook推出的PyTorch等等。
应用使能-华为有一个AI训练平台叫ModelArts，在华为公有云上有专门的服务。
再往上就是Ai的应用。
以上就是全栈。
全场景指的就是：适合于云边端各个场景下，例如消费终端、公有云、私有云、边缘计算、IoT行业终端等等。
Altas产品全家桶
介绍一下上图中的各种小东西
部件：
Atlas 200，以Ascend 310为核心的加速模块
Atlas 300，由4颗Ascend 310组成的加速卡
Atlas 200 dk 开发者套件，一个开发平台，个人PC可以接进去进行开发
AI服务器：
Atlas 500，AI智能小站
G5500、G2500这些异构服务器
通过这些服务器来进行AI计算加速。
AI解决方案：
主要包括图中所示的一些一体机提供各种场景下的解决方案。
最后可以通过两个介绍Ascend310和Ascend910芯片的视频来总结这章的内容。（博客里就不发了，私藏-v-）
