人工智能的研究自 1956 年之后，引發(fā)第一次浪潮，主要研究邏輯推進為主的“基于規(guī)則的專家系統(tǒng)”，但是經(jīng)過長時間的研究，專家系統(tǒng)進入瓶頸期，隨之 AI 的資金投入和人員投入 大?縮減，AI 研究方向也悄然發(fā)生變化，以研究計算機視頻、語音和計算機自然語言進行新的研究方向，“機器學習”算法的不斷優(yōu)化使得人工智能在多個領域?qū)崿F(xiàn)了驚人的突破。
2011 年 Google 大腦通過非監(jiān)督學習識別出貓臉，2015 年斯坦福人工智能實驗室的計算機圖像識別技術的圖像識別正確率在ImageNet 圖像識別比賽首次超過人眼，2016 年微軟語音識別技術可以將英語錯詞率降至 5.9%。2016 年AlphaGo 戰(zhàn)勝李世石引起全世界的轟動，“人工智能”精彩回歸，?新受到政府、學術界、產(chǎn)業(yè)界等社會各界的廣泛關注。近年來，隨著高質(zhì)?“大數(shù)據(jù)”的獲取、計算能力的大幅提升、以深度學習為代表的算法模型不斷豐富，人工智能研究再次進入了快速發(fā)展的時期，同時不斷影響、滲透、推進著相關眾多產(chǎn)業(yè)、行業(yè)的快速發(fā)展。
三次人工智能浪潮
我國的人工智能相關人才與世界主要發(fā)達國家相比明顯不足，且技術應用類人才也存在較大缺口，為此國家相關部門先后出臺多個相應的政策文件，對人工智能的發(fā)展做出了總體部署，全面加速人工智能技術的研發(fā)應用和人才培養(yǎng)的步伐，深化各梯度人才的培養(yǎng)。
2011 年 Google 大腦通過非監(jiān)督學習識別出貓臉，2015 年斯坦福人工智能實驗室的計算機圖像識別技術的圖像識別正確率在ImageNet 圖像識別比賽首次超過人眼，2016 年微軟語音識別技術可以將英語錯詞率降至 5.9%。2016 年AlphaGo 戰(zhàn)勝李世石引起全世界的轟動，“人工智能”精彩回歸，?新受到政府、學術界、產(chǎn)業(yè)界等社會各界的廣泛關注。近年來，隨著高質(zhì)?“大數(shù)據(jù)”的獲取、計算能力的大幅提升、以深度學習為代表的算法模型不斷豐富，人工智能研究再次進入了快速發(fā)展的時期，同時不斷影響、滲透、推進著相關眾多產(chǎn)業(yè)、行業(yè)的快速發(fā)展。
三次人工智能浪潮
我國的人工智能相關人才與世界主要發(fā)達國家相比明顯不足，且技術應用類人才也存在較大缺口，為此國家相關部門先后出臺多個相應的政策文件，對人工智能的發(fā)展做出了總體部署，全面加速人工智能技術的研發(fā)應用和人才培養(yǎng)的步伐，深化各梯度人才的培養(yǎng)。
2017 年 7 月國務院正式發(fā)布《新一代人工智能發(fā)展規(guī)劃》，將我國人工智能技術與產(chǎn)業(yè)的發(fā)展上升為國家重大發(fā)展戰(zhàn)略，提出要“完善人工智能教育體系”。
2018 年 4 月教育部印發(fā)了《高等學校人工智能創(chuàng)新行動計劃》，明確提出了設立人工智能專業(yè)、推動人工智能領域一級學科建設、建立人工智能學院以及完善人工智能領域人才培養(yǎng)體系等重要任務。
2019 年教育部在專業(yè)發(fā)展調(diào)整規(guī)劃中，正式宣布在普通高等學校、高等職業(yè)教育院校中設置“人工智能技術服務專 業(yè)”，并且從 2019 年開始實行。
MoPaaS AI 平臺以 Docker 容器技術為基礎，允許多個用戶多個環(huán)境獨立的同時運行，并且共享 CPU、GPU、內(nèi)存、網(wǎng)絡、存儲等 IAAS 層物理資源。同時這種架構將用戶環(huán)境彼此隔離，可以實現(xiàn)資源的高效利用和精確配額，能保護用戶免受由其他用戶活動所造成的應用程序崩潰和環(huán)境故障所帶來的影響。
MoPaaS AI 平臺整體架構如下：
MoPaaS AI 平臺分為底層基礎設施資源層、云平臺層（資源調(diào)度）、深度學習框架、系統(tǒng)功能和 UI 層五個部分。
底層基礎設施資源層包括虛擬機、物理機和一體機等多種模式組成。云平臺層主要實現(xiàn)對資源進行調(diào)度能力，主要具有容器引擎，通過 Kubernets 對 CPU、GPU、內(nèi)存、存儲、網(wǎng)絡等進行編排調(diào)度，實現(xiàn)資源靈活的調(diào) 度使用，多租戶隔離，不同用戶之間互不干擾。
MoPaaS AI 平臺整體架構如下：
|
|
MoPaaS AI 平臺分為底層基礎設施資源層、云平臺層（資源調(diào)度）、深度學習框架、系統(tǒng)功能和 UI 層五個部分。
底層基礎設施資源層包括虛擬機、物理機和一體機等多種模式組成。云平臺層主要實現(xiàn)對資源進行調(diào)度能力，主要具有容器引擎，通過 Kubernets 對 CPU、GPU、內(nèi)存、存儲、網(wǎng)絡等進行編排調(diào)度，實現(xiàn)資源靈活的調(diào) 度使用，多租戶隔離，不同用戶之間互不干擾。
深度學習框架層實現(xiàn)以插件的方式接入系統(tǒng)，集成了多種框架，如Tensorflow,Caffe,Torch 和 Teano 等，大大提升整體系統(tǒng)的擴展性和可維護性。系統(tǒng)功能層為用戶端提供資源預約、一鍵部署、遠程訪問、監(jiān)控信息、評估報告和模型導出等功能；為管理端提供主機管理、用戶管理、資源預約、框架管理、工單管理和系統(tǒng)管理等功能
平臺 UI 界面包括用戶界面和管理界面。系統(tǒng)基于 Docker 容器技術，實現(xiàn)平臺資源（CPU、GPU、內(nèi)存、存儲）的分配調(diào)度，并提供相應的管理、監(jiān)控功能。