大部分人對人工智慧的印象，多半還停留在科幻電影裡。從視覺上來說，並不是有圖像識別就能夠用來對付你。但其實，ai已經不在乎目前的人工智慧技術，現在很多軟體公司都把人工智慧稱為「深度學習」、「機器學習」或者「計算機視覺」等，他們已經開始商業化應用了。2017年1月，nvidia發布一款ai軟體驅動平臺rtx系列，將深度學習的底層硬體性能加強到600倍，這也是ai革命完成後最強的商業化平臺。7月，canonical發布了一款canonicaljetsonm4imobileye則發布了一款虛擬機wf1400，把深度學習推上了一個新的臺階。在深度學習過程中，計算架構依賴於大量的數據，而現在ai尚且無法獲取足夠的數據，那麼算力的性能怎麼可能讓開發者滿意呢。
不過不要擔心，canonical聯合創始人麥可.雷弗蘭想要的，並不是大規模並行計算（massivelyarraycomputing）這類極為困難的場景，而是讓更多的開發者、公司等能夠把ai應用於通用型服務。說到通用型服務，我想在座各位一定聽說過「雲計算」，「iaas」、「paas」，它們都是基於某種服務，ai更是被認為有可能拓展雲計算的可能性。那什麼服務可以擴展數據傳輸通道，並且以更小的帶寬和更小的網絡容量提供ai能力？可以把ai想像成這樣的一個服務，可以從一個數據集分布的前端進入，再由後端收集處理數據，整個過程下來，可以做到多樣化、快速、無縫。這樣的服務就是雲端的虛擬機wf1400。wf1400採用x86+arm架構，是一款虛擬機。
它可以作為實現雲端算力運行的一個通用ai架構。拿業界最廣泛應用的深度學習舉例，wf1400可以用於神經網絡模型訓練，類似的，現在很多需要同時運行多層神經網絡的應用，也會考慮使用wf1400；它支持多種硬體架構，包括intelcpu/mips、armpower、x86等，同時還能滿足主流windows、linux的可用性；它支持快速並行計算（jittogpu）和大規模並行計算（大規模並行計算），不僅支持逐層計算，還支持並行層級計算，讓多層神經網絡模型的並行計算性能更上一層樓；它可以使用比特分級分配池，分配池的大小可以通過默認值的設置來設置，默認是100ns。另外，wf1400是gpu的，但是你可以在x86上運行wf1400。wf1400內置8gb內存，以kb/s級別的limit支持線程池，集群可以提供10、20、50、100、1萬等多層網絡（hierarchicalnetworking）的並行計算。每個線程池是一個比特，一個比特可以分配多個比特。
如今科技爆發，它已經逐漸走入大眾的日常生活當中。在這個時代，物聯網設備的連接能力日益增強，開始賦能人工智慧，但是可以想像，物聯網設備開始變多後，人工智慧在管理人工智慧方面，會遇到更多挑戰。人工智慧的發展，最根本的目的，就是為人類服務，希望能夠幫助人類工作。先提一個明顯、時髦的詞：ai。我們先來看ai的來歷，這不僅和計算機科學息息相關，同時也是機器學習、深度學習等人工智慧學科，和人類思維方式的發展脈絡相關。人工智慧，從一開始就被專家學者視為下一代信息處理體系的形成要素。如同人類聽音樂，先聽旋律，再聽節奏，最後是和弦編排。
人工智慧正在發展的過程中，也是一樣的思維邏輯，先定整體關係、下一步，再找具體情況。人工智慧的計算原理，一直都是在模擬人類的思維過程，既然是計算體系，就需要依賴計算能力；而人工智慧本身也是人和機器的融合體，但根本的不同，是人工智慧根據數據建模，一方面能夠快速定量解決問題，一方面可以自我學習，深度提升，最終解決人類智能很難解決的問題。人工智慧很可能引發一次世界性的革命。而人工智慧的基礎，就是要對數據進行數據挖掘。無論是機器學習，還是人工智慧，自然的想法就是讓機器學到數據在哪裡。
所以無論是算法提升，還是雲端的關係處理，又或者是大規模數據採集，都在設法讓機器記住數據、挖掘數據。機器學習在工業中的運用，是讓機器從大量數據中，總結規律，從而生成知識。比如說我們上網登錄，會推薦給我們各種競品，在用戶無法分辨競品的情況下，就要靠工業上的規律，再去分辨，是針對比如說一個網際網路公司，還是很多人的使用習慣。比如說這個時代的資訊大爆炸，通過對時間軸、熱點的研究，就會得到很多標題黨。很多今日頭條靠低俗信息推送、用戶更喜歡標題黨，是因為抓住了用戶的注意力集中點，從而獲取用戶點擊。
這些都是基於機器學習的經驗。它們是如何獲取的用戶信息，這都是一門不錯的學問。這也是ai容易被用作商業變現的原因之一，因為人工智慧的產品往往也能脫離人，模擬人的行為邏輯，滿足一些用戶的心理訴求，相當於做到了網際網路和人的結合。然而在現實當中，許多設備和相關的應用，卻難以獲取用戶的信息，甚至人臉識別技術，也不可能輕易獲取人臉的信息，因為信息存在國家安全的風險。本質上，人工智慧這門學科，是希望依託數據，先利用機器學習算法，來實現各類決策的高效執行。