人工(gōng)智能(néng)的研究自 1956 年之後，引發第一次浪潮，主要研究邏輯推進為(wèi)主的“基于規則的專家系統”，但是經過長(cháng)時間的研究，專家系統進入瓶頸期，随之 AI 的資金投入和人員投入 大ᰁ縮減，AI 研究方向也悄然發生變化，以研究計算機視頻、語音和計算機自然語言進行新(xīn)的研究方向，“機器學(xué)習”算法的不斷優化使得人工(gōng)智能(néng)在多(duō)個領域實現了驚人的突破。
2011 年 Google 大腦通過非監督學(xué)習識别出貓臉，2015 年斯坦福人工(gōng)智能(néng)實驗室的計算機圖像識别技(jì )術的圖像識别正确率在ImageNet 圖像識别比賽首次超過人眼，2016 年微軟語音識别技(jì )術可(kě)以将英語錯詞率降至 5.9%。2016 年AlphaGo 戰勝李世石引起全世界的轟動，“人工(gōng)智能(néng)”精(jīng)彩回歸，ᰁ新(xīn)受到政府、學(xué)術界、産(chǎn)業界等社會各界的廣泛關注。近年來，随着高質(zhì)ᰁ“大數據”的獲取、計算能(néng)力的大幅提升、以深度學(xué)習為(wèi)代表的算法模型不斷豐富，人工(gōng)智能(néng)研究再次進入了快速發展的時期，同時不斷影響、滲透、推進着相關衆多(duō)産(chǎn)業、行業的快速發展。
三次人工(gōng)智能(néng)浪潮
我國(guó)的人工(gōng)智能(néng)相關人才與世界主要發達國(guó)家相比明顯不足，且技(jì )術應用(yòng)類人才也存在較大缺口，為(wèi)此國(guó)家相關部門先後出台多(duō)個相應的政策文(wén)件，對人工(gōng)智能(néng)的發展做出了總體(tǐ)部署，全面加速人工(gōng)智能(néng)技(jì )術的研發應用(yòng)和人才培養的步伐，深化各梯度人才的培養。
2011 年 Google 大腦通過非監督學(xué)習識别出貓臉，2015 年斯坦福人工(gōng)智能(néng)實驗室的計算機圖像識别技(jì )術的圖像識别正确率在ImageNet 圖像識别比賽首次超過人眼，2016 年微軟語音識别技(jì )術可(kě)以将英語錯詞率降至 5.9%。2016 年AlphaGo 戰勝李世石引起全世界的轟動，“人工(gōng)智能(néng)”精(jīng)彩回歸，ᰁ新(xīn)受到政府、學(xué)術界、産(chǎn)業界等社會各界的廣泛關注。近年來，随着高質(zhì)ᰁ“大數據”的獲取、計算能(néng)力的大幅提升、以深度學(xué)習為(wèi)代表的算法模型不斷豐富，人工(gōng)智能(néng)研究再次進入了快速發展的時期，同時不斷影響、滲透、推進着相關衆多(duō)産(chǎn)業、行業的快速發展。
三次人工(gōng)智能(néng)浪潮
我國(guó)的人工(gōng)智能(néng)相關人才與世界主要發達國(guó)家相比明顯不足，且技(jì )術應用(yòng)類人才也存在較大缺口，為(wèi)此國(guó)家相關部門先後出台多(duō)個相應的政策文(wén)件，對人工(gōng)智能(néng)的發展做出了總體(tǐ)部署，全面加速人工(gōng)智能(néng)技(jì )術的研發應用(yòng)和人才培養的步伐，深化各梯度人才的培養。
2017 年 7 月國(guó)務(wù)院正式發布《新(xīn)一代人工(gōng)智能(néng)發展規劃》，将我國(guó)人工(gōng)智能(néng)技(jì )術與産(chǎn)業的發展上升為(wèi)國(guó)家重大發展戰略，提出要“完善人工(gōng)智能(néng)教育體(tǐ)系”。
2018 年 4 月教育部印發了《高等學(xué)校人工(gōng)智能(néng)創新(xīn)行動計劃》，明确提出了設立人工(gōng)智能(néng)專業、推動人工(gōng)智能(néng)領域一級學(xué)科(kē)建設、建立人工(gōng)智能(néng)學(xué)院以及完善人工(gōng)智能(néng)領域人才培養體(tǐ)系等重要任務(wù)。
2019 年教育部在專業發展調整規劃中(zhōng)，正式宣布在普通高等學(xué)校、高等職業教育院校中(zhōng)設置“人工(gōng)智能(néng)技(jì )術服務(wù)專 業”，并且從 2019 年開始實行。
MoPaaS AI 平台以 Docker 容器技(jì )術為(wèi)基礎，允許多(duō)個用(yòng)戶多(duō)個環境獨立的同時運行，并且共享 CPU、GPU、内存、網絡、存儲等 IAAS 層物(wù)理(lǐ)資源。同時這種架構将用(yòng)戶環境彼此隔離，可(kě)以實現資源的高效利用(yòng)和精(jīng)确配額，能(néng)保護用(yòng)戶免受由其他(tā)用(yòng)戶活動所造成的應用(yòng)程序崩潰和環境故障所帶來的影響。
MoPaaS AI 平台整體(tǐ)架構如下：
MoPaaS AI 平台分(fēn)為(wèi)底層基礎設施資源層、雲平台層（資源調度）、深度學(xué)習框架、系統功能(néng)和 UI 層五個部分(fēn)。
底層基礎設施資源層包括虛拟機、物(wù)理(lǐ)機和一體(tǐ)機等多(duō)種模式組成。雲平台層主要實現對資源進行調度能(néng)力，主要具(jù)有(yǒu)容器引擎，通過 Kubernets 對 CPU、GPU、内存、存儲、網絡等進行編排調度，實現資源靈活的調 度使用(yòng)，多(duō)租戶隔離，不同用(yòng)戶之間互不幹擾。
MoPaaS AI 平台整體(tǐ)架構如下：
|
|
MoPaaS AI 平台分(fēn)為(wèi)底層基礎設施資源層、雲平台層（資源調度）、深度學(xué)習框架、系統功能(néng)和 UI 層五個部分(fēn)。
底層基礎設施資源層包括虛拟機、物(wù)理(lǐ)機和一體(tǐ)機等多(duō)種模式組成。雲平台層主要實現對資源進行調度能(néng)力，主要具(jù)有(yǒu)容器引擎，通過 Kubernets 對 CPU、GPU、内存、存儲、網絡等進行編排調度，實現資源靈活的調 度使用(yòng)，多(duō)租戶隔離，不同用(yòng)戶之間互不幹擾。
深度學(xué)習框架層實現以插件的方式接入系統，集成了多(duō)種框架，如Tensorflow,Caffe,Torch 和 Teano 等，大大提升整體(tǐ)系統的擴展性和可(kě)維護性。系統功能(néng)層為(wèi)用(yòng)戶端提供資源預約、一鍵部署、遠(yuǎn)程訪問、監控信息、評估報告和模型導出等功能(néng)；為(wèi)管理(lǐ)端提供主機管理(lǐ)、用(yòng)戶管理(lǐ)、資源預約、框架管理(lǐ)、工(gōng)單管理(lǐ)和系統管理(lǐ)等功能(néng)
平台 UI 界面包括用(yòng)戶界面和管理(lǐ)界面。系統基于 Docker 容器技(jì )術，實現平台資源（CPU、GPU、内存、存儲）的分(fēn)配調度，并提供相應的管理(lǐ)、監控功能(néng)。