人(rén)工智能的研究自 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(jiā)系統”，但(dàn)是經過長時(shí)間(jiān)的研究，專家(jiā)系統進入瓶頸期，随之 AI 的資金投入和(hé)人(rén)員投入 大(dà)ᰁ縮減，AI 研究方向也悄然發生(shēng)變化，以研究計(jì)算(suàn)機視(shì)頻、語音(yīn)和(hé)計(jì)算(suàn)機自然語言進行(xíng)新的研究方向，“機器(qì)學習”算(suàn)法的不斷優化使得(de)人(rén)工智能在多(duō)個(gè)領域實現了驚人(rén)的突破。
2011 年 Google 大(dà)腦(nǎo)通(tōng)過非監督學習識别出貓臉，2015 年斯坦福人(rén)工智能實驗室的計(jì)算(suàn)機圖像識别技(jì)術(shù)的圖像識别正确率在ImageNet 圖像識别比賽首次超過人(rén)眼，2016 年微軟語音(yīn)識别技(jì)術(shù)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(rén)工智能”精彩回歸，ᰁ新受到政府、學術(shù)界、産業界等社會(huì)各界的廣泛關注。近年來(lái)，随着高(gāo)質ᰁ“大(dà)數(shù)據”的獲取、計(jì)算(suàn)能力的大(dà)幅提升、以深度學習為(wèi)代表的算(suàn)法模型不斷豐富，人(rén)工智能研究再次進入了快速發展的時(shí)期，同時(shí)不斷影(yǐng)響、滲透、推進着相關衆多(duō)産業、行(xíng)業的快速發展。

 
三次人(rén)工智能浪潮
 
我國的人(rén)工智能相關人(rén)才與世界主要發達國家(jiā)相比明(míng)顯不足，且技(jì)術(shù)應用類人(rén)才也存在較大(dà)缺口，為(wèi)此國家(jiā)相關部門(mén)先後出台多(duō)個(gè)相應的政策文件，對人(rén)工智能的發展做(zuò)出了總體(tǐ)部署，全面加速人(rén)工智能技(jì)術(shù)的研發應用和(hé)人(rén)才培養的步伐，深化各梯度人(rén)才的培養。

MoPaaS AI 平台以 Docker 容器(qì)技(jì)術(shù)為(wèi)基礎，允許多(duō)個(gè)用戶多(duō)個(gè)環境獨立的同時(shí)運行(xíng)，并且共享 CPU、GPU、內(nèi)存、網絡、存儲等 IAAS 層物理(lǐ)資源。同時(shí)這種架構将用戶環境彼此隔離，可(kě)以實現資源的高(gāo)效利用和(hé)精确配額，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(hé)環境故障所帶來(lái)的影(yǐng)響。
MoPaaS AI 平台整體(tǐ)架構如下：



MoPaaS AI 平台分為(wèi)底層基礎設施資源層、雲平台層（資源調度）、深度學習框架、系統功能和(hé) UI 層五個(gè)部分。
底層基礎設施資源層包括虛拟機、物理(lǐ)機和(hé)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(xíng)調度能力，主要具有(yǒu)容器(qì)引擎，通(tōng)過 Kubernets 對 CPU、GPU、內(nèi)存、存儲、網絡等進行(xíng)編排調度，實現資源靈活的調 度使用，多(duō)租戶隔離，不同用戶之間(jiān)互不幹擾。