华为云华为云互联网就业创新大赛（天津）结束啦！在本帖公布活动获奖情况！奖品兑换时间：12月27日—1月5日 （在此期间内未进行兑奖将视为自动放弃奖品）兑奖方式：私信华为云小助手企业微信号，发送个人中心华为云账号截图+姓名+学校+专业领奖方式：到指定学校领取，小助手会告知具体领取方式，不同奖品领取方式不同。奖品公示方案类奖本次作品按照评审打分*90%+投票*10%最终得出结果，投票不是唯一凭证。请私信小助手获取领奖方式。团队名称作品序号及名称团队人数获奖等级智猫76、AppCube应用的商业策划案2参与奖1等风来8、基于华为云DevCloud平台DevOps服务平台分析4参与奖1小破玩意儿9、基于华为云DevCloud营销策划1参与奖1Rainbow 11、应用魔方4参与奖2战狼队35、基于DevCloud营销策划书2参与奖2Cloud37、Cloud3参与奖2易诚47、华为营销策划书2参与奖2十二22、智能保温杯模拟促销方案2参与奖2哈哈对36、AppCube推广策划书1参与奖2一直在走神105、华为手机策划书4参与奖2浪漫满屋1001147、应用魔方 AppCube推广方案3参与奖2芋头114、华为云互联网就业创新大赛1参与奖2盎然前行3、基于智能推荐算法的低碳出行解决方案3参与奖2超越梦想队19、基于华为云互联网的智能会议厅5参与奖3舟渡14、基于华为云技术的智慧物业系统5参与奖3终极规律31、未来科技互联网5参与奖3及时救援1、基于ADAS的交通事故自动报警及机动车行驶对象标识显示系统5参与奖3智造未来4、基于掌纹特征的人脸识别测温门禁系统4参与奖3小杜小杜170、鲜度查询的智能冰箱5参与奖3组织类奖注意：1、兑奖一定要在规定日期内，过期不候2、加小助手企业微信并发送相关信息获取领奖方式3、解释权归大赛组委会所有

华为云华为云互联网就业创新大赛（天津）结束啦！在本帖公布活动获奖情况！奖品兑换时间：12月27日—1月5日 （在此期间内未进行兑奖将视为自动放弃奖品）兑奖方式：私信华为云小助手企业微信号，发送个人中心华为云账号截图+姓名+学校+专业领奖方式：到指定学校领取，小助手会告知具体领取方式，不同奖品领取方式不同。奖品公示方案类奖本次作品按照评审打分*90%+投票*10%最终得出结果，投票不是唯一凭证。请私信小助手获取领奖方式。团队名称作品序号及名称团队人数获奖等级智猫76、AppCube应用的商业策划案2参与奖1等风来8、基于华为云DevCloud平台DevOps服务平台分析4参与奖1小破玩意儿9、基于华为云DevCloud营销策划1参与奖1Rainbow 11、应用魔方4参与奖2战狼队35、基于DevCloud营销策划书2参与奖2Cloud37、Cloud3参与奖2易诚47、华为营销策划书2参与奖2十二22、智能保温杯模拟促销方案2参与奖2哈哈对36、AppCube推广策划书1参与奖2一直在走神105、华为手机策划书4参与奖2浪漫满屋1001147、应用魔方 AppCube推广方案3参与奖2芋头114、华为云互联网就业创新大赛1参与奖2盎然前行3、基于智能推荐算法的低碳出行解决方案3参与奖2超越梦想队19、基于华为云互联网的智能会议厅5参与奖3舟渡14、基于华为云技术的智慧物业系统5参与奖3终极规律31、未来科技互联网5参与奖3及时救援1、基于ADAS的交通事故自动报警及机动车行驶对象标识显示系统5参与奖3智造未来4、基于掌纹特征的人脸识别测温门禁系统4参与奖3小杜小杜170、鲜度查询的智能冰箱5参与奖3组织类奖华为云账号获奖等级hid_gvqr1yv928588qt一等奖hhhhhhych二等奖hid_ggfemd8ad8iha13三等奖hw045516571优秀奖1hid_x0xf7d32rnuo5hm优秀奖2hw26931507优秀奖2hid_b60dn-018co9al4优秀奖2ymxxxx优秀奖2hid_071ye-jmn-q3kdc优秀奖2hid_11dvlwov0kdpowv优秀奖2hw066327224优秀奖2hw_008617709350543_01优秀奖2hw033733942优秀奖2hid_kd9nk-3_z1ibla3优秀奖2a13654842117优秀奖2hw_008615234474495_01优秀奖3matian1236优秀奖3hw043652532优秀奖3hw028110460优秀奖3hid_qc1e2al3imqaz6x优秀奖3hid_atm6-igkz_w_mi7优秀奖3hid_k375cn7slpbyntu优秀奖3plx13395517356优秀奖3hid_mg7tk0bd0c_hp2-优秀奖3hw075315590优秀奖3hw017630323优秀奖3hid_qya_rnmscjk3kvo优秀奖3l12345678137优秀奖3hw80694693优秀奖4hid_zy1307q6udb-1f1优秀奖4touuuuuu优秀奖4hid_c5li30prp4sz8xm优秀奖4lilihong628优秀奖4hid_an0u5_th3vd48ae优秀奖4hid_pozd7z4xih4a-qe优秀奖4hid_h99wlc75sf_-ct0优秀奖4hw081665519优秀奖4hid_928fndfltqdy-2g优秀奖4hid_d9392n_-eliw3dm优秀奖4hid_fv9bixkb7spx2-k优秀奖4hid_p10f1l_1ou-b1kk优秀奖4hid_562nrfynlg26s23优秀奖4hid_cafbyd-t6mthza8优秀奖4bjtango优秀奖4hid_etw1i9_zf-jg4z5优秀奖4hid_l1qfjdzg3eodkbf优秀奖4aa1234560428优秀奖4cj09270优秀奖4hid_pu89t6yztzxsjos优秀奖4hid_crniq-1g9ck0l-3优秀奖4hw017208738优秀奖4hw019600487优秀奖4hid_3qrl6-ovexhomta优秀奖4hw02388015优秀奖4hid_enl9c5mw4e5m6ok优秀奖4hid_vydq52byvbn_yfy优秀奖4hid_co63yjg41ue8_z3优秀奖4hw058088757优秀奖4hid_mihgk3z-90s-eo-优秀奖4hid_iy0qq6xkpu4y95_优秀奖4hid_ozqk68i2yo_bmgs优秀奖4hid_c5tqxy_29b_87f3优秀奖4注意：1、兑奖一定要在规定日期内，过期不候2、加小助手企业微信并发送相关信息获取领奖方式3、解释权归大赛组委会所有

--- 当前中国智能手机市场已经进入高端领域的竞争时代，对于旗舰手机来说，产品的工业设计、屏幕、性能等要素已经高度规格化，并不容易作出真正的差异化。在此背景下，影像成为众多手机厂商着力攻克、实现差异化的一个突破点。特别是近两年，手机厂商们在发布新品时往往会重点突出产品的拍照、摄像能力。 而从消费者的角度来说，根据2019年的调查数据，消费者在选购智能手机时候，拍照也是他们关注的第一要素。由此可见，智能手机已经进入“影像为王”的时代，成为手机市场最重要的主题之一。  而单就智能手机的影像来说，也经历了不同的发展时期，从早期的拼像素，到拼摄像头数量，然后再到拼传感器的尺寸，越来越高阶。而眼下，智能手机影像领域最炙手可热的话题，无疑非“计算摄影”莫属。 **计算摄影，照亮手机影像新方向** 什么是计算摄影?简单理解，其实就是将计算机软件算法和现代传感器、光学系统等技术融合在一起，从而形成新型的摄影设备。它突破了传统数码摄影的种种限制，让算法在摄影中发挥核心作用，这其中，人工智能技术的应用是关键。 这里我们再回顾一下手机影像的工作流程： 　　光线首先透过镜组和光圈来到CMOS图像传感器，CMOS的作用是将光信号转换为电信号，这时候的信号还是模拟信号，所以需要ADC模数转换器将模拟电信号转换为数字信号。 接着，数字信号会来到ISP，ISP的主要任务是通过一系列先进的数字信号图像处理算法对传输过来的信号进行效果处理，例如坏点校正、去除噪点等等。 ISP处理过信息后，再通过IO接口传输到CPU中进行比较、存储、分析等处理，最后通过显示屏就可以看到图像了。 可以看到，传统手机影像的工作流程中，也是需要算法参与的，主要是在ISP及向后的数字信息处理的过程。而计算摄影，几乎可以说成了由计算机算法成主导，参与的深度和复杂度是传统摄影无法比拟的， 而且，计算摄影中，算法干预的步骤甚至可以达到图像传感器这一层级。而且，如今智能手机摄像头的数量通常都要达到3个甚至4个，计算摄影的另一个重要使命或者工作，就是推动多摄像头在拍摄时实现像素级的深度融合、协同，这背后，需要AI算法深入到传感器、ISP乃至CPU、GPU等运算模块，共同完成算法对影像效果的把控。 而说到计算摄影，目前智能手机行业的领先者已经做了很多探索，包括谷歌、苹果、华为等等。而在刚刚过去的骁龙技术峰会上，高通推出的全新一代骁龙8移动平台，则在计算摄影方面强势发力，将行业对计算摄影的探索又向前推进了一大步。 **全新一代骁龙8移动平台，影像与AI构建核心竞争力** 作为全球最先进的移动平台，骁龙是顶级Android体验的代名词，而全新一代骁龙8移动平台则是2022年各大旗舰安卓智能手机的标配，同时也是在AI、影像、性能、连接等各方面都全面升级的一代，其中就包括计算摄影方面的能力。 看了前面对于计算摄影的介绍，相信大家已经能够想到，骁龙8的计算摄影能力，核心来源于强大的ISP和AI能力。 **1、进阶的18-bit Qualcomm Spectra ISP** 今年骁龙8搭载的是全新Qualcomm Spectra ISP，它是高通首个支持 18-bit 的 ISP，也是首个支持 18-bit ISP 的智能手机 ISP。18-bit 技术超越了许多专业相机的配置，影响数据项相比之前提升达 4096 倍。 　　18-bit 为影像表现带来的，不仅是色彩丰富度的大大提升，动态范围也显著提高。它能够为画面带来额外 4 个比特动态范围，将让用户能够在图像最暗和最亮的部分看到更多细节。 　　同时，Qualcomm Spectra ISP 的强大还体现在疯狂的像素吞吐能力，它能够每秒捕捉 32 亿像素, 与前代相比速度提升 19%，为移动端最快。而且他还能够用单个摄像头以 30fps 捕获 1.08亿像素的画面，或者三颗摄像头每颗分别以 30fps 捕获 3600 万像素的画面，或者，按键一次在一秒内捕获 240 张 1200 万像素画面。 　　尤其是在低光环境下，全新 18-bit Qualcomm Spectra ISP 还支持“超级多帧引擎”，能够捕获 30 张画面，再将它们合成为一张照片。低光条件下拍摄的照片将具有超级锐丽度、超级丰富的色彩和超级的亮度。这一点对于计算摄影能力的提升非常有帮助。 　　而在视频拍摄方面， 18-bit ISP 将率先在智能手机上支持 8K HDR 视频拍摄，同时 8K HDR 视频还能以 HDR10 + 格式进行拍摄，并且与前代产品相比，在 HDR10 + 视频拍摄使用场景下，功耗降低达 50%。 而且，18-bit ISP 的超大带宽支持用同一图像传感器同时拍摄 8K 视频(每帧 3300 万像素)和拍摄 6400 万像素的照片。 **2、强大的第7代高通AI引擎** 在AI方面，全新一代骁龙8移动平台搭载了第7代高通 AI 引擎。 在第7代高通 AI 引擎上，高通着重提升了 Hexagon 处理器的性能，实现了性能翻倍的表现，同时对共享内存进行了翻倍。 　　具体而言，第7代高通 AI 引擎在广泛的 AI 模型用例中的推理时间比前代 AI 引擎快 4 倍，同时 AI 能效比前代提升 1.7 倍，同时，AI软件性能也提升了 2 倍。 另外第7代高通 AI 引擎值得关注的就是它的传感器中枢模块，骁龙 8 中，高通在传感器中枢里引入了全新低功耗 AI 子系统。该系统为多核架构，由专用 AI 处理器、DSP、外加自有内存组成，用于处理情境数据流，包括语音、音频、传感器和连接。在全新低功耗 AI 子系统的辅助下，传感器中枢模块的 AI 性能提升 75 %，功耗降低 50%。 　　还有就是，在第7代高通 AI 引擎中，高通还和谷歌合作，将神经网络架构搜索(NAS)引入骁龙平台。 NAS 研究可以将要使用的硬件以及其他设计参数以帮助工程师快速实现最优设计，自动设计神经网络模型。从根本上绘制硬件蓝图并利用 AI 充分发挥那些特性以产生最优结果。 此外，它能够考虑时延、网络规模或精度等目标，将初始网络作为起点并全面搜索优化网络以便在该硬件上针对性约束内运行得更快。 总之就是可以让第7代高通 AI 引擎的强大AI算力能够得到充分释放。 **3、CPU、GPU、传感器……** 我们知道，骁龙移动平台的高通 AI 引擎并不是专门的NPU神经网络芯片，而是通过协同Hexagon 处理器、CPU、GPU等运算模块实现强大的AI能力。因此在骁龙8上，CPU、GPU等模块性能的提升，对于AI能力的升级也非常重要，进而自然也能为计算摄影带来增益。 在骁龙8中，全新高通Kryo CPU基于最新的 ARMv9 架构，采用三星 4nm 制程工艺，核心架构包括1 个 Cortex-X2 核心，最高主频 3.0GHz ，1MB L2 缓存，3 个 Cortex-A710 核心，最高主频 2.5GHz ，512K L2 缓存，4 个 Cortex-A510 核心，最高主频 1.8GHz，6MB L3 缓存。 在这些特性的支持下，高通Kryo CPU的整体性能提升幅度为 20%，能效提升幅度为 30%。 至于全新的高通 Adreno GPU，也采用了新的架构，图形渲染能力提升 30%，并且游戏时的能效提升 25%。 　　前面我们说过，计算摄影理念中，AI算法的干预链路甚至可以上探到传感器层面，而骁龙8也做到了这一点。正如高通在骁龙技术峰会上宣布的那样，高通会与索尼传感器合作，成立联合实验室推动移动影像发展，联合实验将为基于骁龙 8 开发的设备，来提供优化，还将在这里进行高通和索尼对于最新影像技术的测试，甚至为骁龙 8定制图像传感器。相信双方的合作中，计算摄影一定是最重要的方向之一。 **多种创新AI+影像用例坐阵，计算摄影能力可见一斑** 计算摄影中，算法参与智能手机影像工作的几乎整个流程，从前段的传感器到后段的CPU、GPU等，每一个环节，骁龙8都实现了显著提升。这是完成计算摄影创新应用的基本条件，就像完成一幅画，这些是画布、颜料、彩笔，有了这些，高通就能通过骁龙8更好地施展才华，将他们在计算摄影方面的创意描绘出来。 特别是借助全新18-bit Qualcomm Spectra ISP和第7代高通 AI 引擎的融合，骁龙8创造了很多AI+影像的用例，这些用例，都代表着平台计算摄影能力上了一个新台阶。 　　比如利用Qualcomm Spectra ISP的超级多帧引擎，搭载骁龙8的设备在拍摄运动状态物体时，能够在每张照片中精准地追踪每个像素细节。有了这个计算视觉能力，Qualcomm Spectra ISP 能够助力终端拍出“光影流动”的效果。 在峰会的演示区，IT之家就看到了这个技术的演示。搭载骁龙8的参考设计手机拍摄下面这个场景，前面是静止的木头人，后面是不停转动的霓虹摩天轮。在手机上按一下快门，就会快速捕捉很多帧，最终融合成一张木头人清晰、但后面霓虹风车的灯光模糊成圆形运动轨迹的照片。一张艺术照轻松拍成。 　　还有，全新Qualcomm Spectra ISP融入AI能力后，还可以进行更强大的人脸识别，哪怕在全景照片中人物面部非常小，现在也能准确识别。 而且在进行人脸识别时，骁龙8现在可以检测到 300 个特征点，而且神经网络还针对更多的人脸特征进行训练，包括眉毛、嘴唇、下颌线等，因此Qualcomm Spectra ISP 可以检测拍摄对象的表情，从而更准确地理解情绪。 　　和人脸识别相关的还有一个应用，就是高通与虹软合作实现的AI影像，在视频拍摄状态下，能够同时进行人脸识别、手势识别和背景虚化，这三者分开，每一个用例都需要足够的AI算力支撑，现在同时进行，其创新力和难度可想而知。 IT之家在现场也做了体验，人物一进入画面，视频很快就会完成背景的虚化，同时尝试摇头晃脑做手势，各种效果也能很快跟着改变。 　　还有就是，利用三个ISP 中的两个 ISP ，搭载骁龙8的终端将可以拍摄类似全景图像的画面，按一次快门便可获得无畸变且达到极宽的 140 度视场的照片，再也不用移动手机分几次拍摄了。 　　IT之家在峰会演示现场还看到了一个应用，就是利用骁龙8强大的计算摄影能力，同时调用智能手机的三枚摄像头进行视频拍摄，而且最高可以支持3个6400万像素以30fps的方式同时工作，非常惊人。 更重要的是，三个摄像头不仅是同时工作，更能彼此交流数据，例如广角镜头可从长焦镜头中获取更多的细节，长焦还能通过超广角镜头得到更好的白平衡效果，三枚摄像头彼此深度融合，正是我们前面说的当前计算摄影的重要应用场景。 　　最后值得一提的是，在峰会上高通还宣布了在 AI 层面和徕卡的合作：未来骁龙移动平台将支持由高通 AI 引擎赋能的徕卡Leitz风格(Leica Leitz Look)，后续还会有更多基于其他传统徕卡镜头的风格加入进来。 　　**结语** 总体来说，全新一代骁龙8移动平台凭借全面提升的影像和AI能力，在计算摄影方面实现了诸多创新性的应用，并且，上面IT之家展示的还只是高通给出的基本用例，随着终端手机厂商在应用层面的发力，必然会诞生更多的计算摄影功能和用途，在让消费者获得专业级影像能力的同时，没推动计算摄影领域的前进和发展。 (本文内容转载自IT之家)

新一代信息技术加速突破应用，推动新一轮科技革命和产业变革重构全球创新版图。人工智能作为新一代信息技术的战略重点之一，近年来获得长足进步，给经济社会发展产生了重大而深远的影响。　　近年来，中国在人工智能领域表现亮眼，已成为世界人工智能主要创新中心之一。根据《人工智能发展报告2020》，在人工智能高层次人才数量和专利申请量等关键指标上，中国位居世界前列。这亮眼表现的背后离不开以中国科学院院士张钹等为代表的中国科学家作出的奠基性、开创性贡献。　　早在40多年前，张钹就开始投身人工智能领域研究，发表了中国第一篇人工智能领域的学术论文、获得中国在人工智能领域的第一个国际重要奖项、领衔成立国内首个智能机器人实验室、培养了本土第一位人工智能领域博士毕业生，组建中国第一个人工智能国家重点实验室……这些“第一”树立了中国人工智能发展的一个个里程碑，推动中国在此领域大踏步前进。　　如今，“人工智能”是人们耳熟能详的热词，但是在40多年前，中国科技界对该词汇还很陌生，科技领域的专业人士对该领域也知之甚少。1978年，已从清华大学毕业留校任教20年的张钹由于所在系调整而改变专业方向，进入一个全新研究领域——人工智能。　　张钹时年43岁，中年转型不仅知识结构上面临很大挑战，而且对人工智能领域国内知之甚少，求教无门。张钹回忆说：“当时国内科研人员对人工智能领域发展的认识很有限，甚至相关资料也非常少。”当时，国际上人工智能已经有了约20年发展历程。随着国门打开，国际科技合作与交流兴起，张钹获得了与国际同行交往的机会　　1980年初，张钹赴美访学。然而，抵达美国后，他就在与外国同行交流中感到一种说不出的尴尬和郁闷。“你们是从中国来的？知道什么是人工智能吗？”有外国研究者提出这样的问题。张钹很受刺激，立志让中国在人工智能领域奋起直追，迎头赶上国际先进水平，赢得外国同行的尊敬。　　在访学过程中，张钹率先发现数学与人工智能结合的广阔前景。张钹说：“当时，我觉得人工智能要深入发展下去，提高算法效率，必须要很好利用数学这个工具。”于是，他选择跟数学出身当时尚在安徽大学任教的张铃教授合作，一起推进人工智能研究。　　由于跨国电话资费昂贵，两人只能通过邮寄书信的方式进行沟通。对当年与张铃中美飞鸿、合作科研的往事，张钹介绍说：“当时，中美间一封航空信大概要人民币8角钱，寄给对方约10天才能收到，一来一回就要约20天。我们计算过，一封信如果超过5张纸，就会超重，须多付邮资。为了省钱，我们特意挑相对薄的纸，写非常小的字。”　　就这样，张钹跟张铃开始了一场跨越大洋的人工智能合作研究。约1年后，他们联手完成了一篇人工智能领域的论文，实际上这也是中国科学家在人工智能领域的第一篇学术论文，成功发表于人工智能领域顶级国际期刊《IEEE模式分析与机器智能汇刊》，引起了国际同行的高度关注，这让张钹等中国学人颇为扬眉吐气，也增强了他为中国人工智能发展作出更大贡献的信心和决心。

2021年12月24日，HDZ城市行深圳站：AIoT引爆全场景应用新机会（智联生活专场）圆满落幕。本次活动由深圳HDZ开发者社区核心组主办，深圳市家具行业协会、深圳市大新极客协会、深圳天安骏业投资发展（集团）有限公司承办，广邀全国各地百余位智联生活领域的技术专家和伙伴齐聚一堂，聚焦智联生活场景的技术与实践，展开学习与交流。本次活动完美搭建了开发者、华为云技术专家与核心伙伴深入沟通的桥梁，并将AIoT技术渗入到具体的应用场景中，向观众们立体展现了解决方案、技术应用、实践经验等多个价值点。本次活动共分为洞见智联网新风口和企业优秀实践两个篇章。第一篇章邀请了华为云专家针对IoT和AI两大热门领域进行分享交流。 第一篇章：洞见智联网新风口 华为云IoT资深技术专家刘旭明随着技术的高速发展，物联网已被应用于各个行业和众多场景中。一直以来，华为云致力于为伙伴提供更有竞争力的服务和工具，助力开发者快速完成物联网的开发。华为云IoT资深技术专家刘旭明在《智联生活，2B与2C的全场景融合》的演讲中，介绍了华为云联合HarmonyOS面向智能硬件企业推出的智联生活解决方案，同时解读了该方案是如何满足企业的发展需求和智能设备体验升级的需求。 华为云EI产品服务部解决方案专家陈衎ModelBox是一个华为自主开源的AI应用框架，旨在解决端云AI应用统一开发和部署的问题。华为云EI产品服务部解决方案专家陈衎在《华为云ModelBox：赋能智慧家庭端云协同》演讲中，介绍了如何利用ModelBox框架，搭配端云协同AI应用开发平台HiLens，及ModelArts Pro 套件，实现一套AI应用框架端云统一开发、部署、运行，最终构建具备AI能力的智慧生活解决方案。 华为技术专家的分享，多维度多层面介绍了华为云在智联生活产业方面所作出的努力和成就，同时也为全场景智联生活带来了更多想象空间和可能性。在第二篇章节——企业优秀实践部分，邀请到了华为云的核心伙伴分享自身在行业中的各种经历，为促进智联生活的发展提供了灵感和思路。 第二篇章：企业优秀实践上海海思智慧IoT产品管理部高级市场经理康永恒海思PLC-IoT解决方案，一直在助力打造智能家居极致体验的路上从未停歇过。本次活动我们邀请到了上海海思智慧IoT产品管理部高级市场经理康永恒为大家带来《海思PLC-IoT点亮智联生活最后一公里》，分享中对智能家居联接技术需求以及PLC-IoT优势进行了解读，同时向在场观众展示了海思PLC-IoT方案的特点以及 PLC-IoT方案家居应用的实际案例。 康体佳智能科技（深圳）有限公司副总经理罗苑随着经济的发展与社会的进步，人们的生活品质在不断提升，对智慧照明的设计需求也在不断提高。科学的智慧照明设计可以节约能源、减少成本、科学环保，并且能有效地帮助人们营造出一个良好的环境和氛围，给人们带来舒适与美的感受。康体佳智能科技（深圳）有限公司副总经理罗苑在《PLC-IoT在智能照明中的深化应用》的分享中，对智慧照明未来发展趋势和行业现状存在的痛点进行了分析，介绍了PLC通讯技术在照明行业中得天独厚的应用优势，并结合PLC技术在照明行业的落地案例分享，为大家带来更深的认知及收获。 杭州妙联物联网技术有限公司执行董事王永飞目前家庭AIoT产业仍然是供给侧比较热，而需求测没有充分爆发。这个状态也导致了行业从业者们供给侧过度竞争，内卷严重。杭州妙联物联网技术有限公司执行董事王永飞针对这样的现状，带来了《快速场景赋能，助力AIoT价值变现》主题分享。尤其就如何跨越供给侧和需求测之间的鸿沟与现场观众展开了讨论，他表示，在这个过程中，需要融合各方资源，发挥行业合力，才能多快好省地实现场景快速落地。在伙伴的精彩分享之后，华为云技术专家与核心伙伴又针对《物联网高速增长，智联生活战略机会点》展开了系列问题的深度讨论，本次对话还特别邀请到了加利弗设计创始人刘亮参与其中。“智能照明2.0时代将如何呈现？”、“To B 类场景中，将如何打破现有智能照明局限？”、“工业设计如何助力AIoT推动生活新革命？”等问题在对话中得到了充分的解答和拓展。在这场思维与思维的碰撞中，产生了新的火花，也挖掘出很多闪光点和机会点。 活动最后，本次活动的主办方深圳HDZ核心组，向在场的观众分享了深圳HDZ在2022年的运营计划，我们相信会有越来越多的开发者加入到深圳HDZ开发者社区中，而HDZ也会在全国更多的城市中扎根发芽，成就每一位开发者！一直以来，华为云始终致力于将全场景、高质量的智能生活体验带给更多的人，对于伙伴的赋能也在长期的坚持中，相信在伙伴与华为云的共同努力下，智能生活定会打破壁垒，场景定会持续延伸，更美好的数字生活定会到来！

近日，国际数据公司IDC发布 《IDC中国2021H1人工智能公有云服务市场研究报告》 华为云一站式AI开发平台 ModelArts 位居中国机器学习公有云服务市场份额第一 连续三次登上该市场榜首位置 报告指出，在中国机器学习公有云服务市场中，华为云受到政企客户的青睐，在AI云服务市场的竞争优势逐渐凸显。华为云一站式AI开发平台ModelArts可以提供数据处理、算法开发、模型训练、模型管理、模型部署等AI模型开发全流程技术能力；率先支持MLOps；持续构建大模型训练优化能力。同时积极打造开放的AI生态，接入生态开发工具，通过华为云AI Gallery联接AI市场的供、需、学三方，助力解决AI落地时所面临的“AI算力稀缺、AI人才短缺、AI开发难、AI行业应用难”两难两缺难题，推动AI走进千行百业的核心生产系统。面向AI开发者，持续提供硬核黑科技服务 ModelArts人工智能集群服务支持大规模分布式训练。为帮助开发者及企业客户解决训练大模型时面临的技术、成本、资源等挑战，华为云一站式AI开发平台ModelArts提供人工智能集群服务，全场景深度优化，支持大规模分布式训练。从端到端全流程角度看，相比线下开发大模型，基于ModelArts的开发效率可提升4倍以上，并且可以解决超大模型训练的资源可获得性问题。云原生模型开发工具链，助力AI开发效率提升。华为云一站式AI开发平台ModelArts支持将云上资源与开发工具链相结合。面向AI初学者，线上CodeLab支持秒级接入资源，可按需切换；面向深度开发者，支持云上远程开发与自定义开发环境。借助云原生的资源调度，开发者可进一步构筑基于ModelArts云原生的算法开发范式和能力。面向AI生态，搭建“知识”+“实训”的AI开发社区 基于一站式AI开发平台ModelArts，华为云构建了开发者生态社区AI Gallery，这是一个AI资产共享的社交平台，也是“知识”+“实训”的AI开发社区。 AI Gallery汇聚了算法、模型、数据集、工作流等10余种、50000余个AI资产，保障AI开发、应用生态链上的各个参与方都能高效地实现各自的商业价值，降低各行各业开发者在人工智能领域的学习门槛，加速AI的应用实践。面向AI行业落地，全面支持全流程MLOps开发 华为云一站式AI开发平台ModelArts全面支持MLOps，改变了原有分段开发AI模型的流程, 实现全流程自动化的协同迭代开发模式。ModelArts也成为国内首个支持MLOps的AI开发平台。 基于MLOps的理念，华为云一站式AI开发平台ModelArts的Workflow工具提供运行记录、监控、持续运行等功能。通过Workflow工具，实现AI开发、运行及运行后监测的全生命周期管理，加快AI开发到落地的迭代速度，以及效果体验的持续优化。同时，开发者可通过AI Gallery实现Workflow快速构建与能力分享。华为云一站式AI开发平台ModelArts帮助企业实现了AI应用全生命周期管理，大幅提升AI开发效率，加速了AI在千行百业的落地。制造领域，华为云和博世华域基于ModelArts Workflow开发出了刀具状态智能识别Usecase。通过刀具声音识别算法，在保证良品率的情况下，刀具使用效率提升5%以上。基于MLOps理念打造的刀具声音识别Usecase，能够轻松地针对不同刀具甚至其他生产工具进行方案扩展，将声音检测算法应用在更广泛的制造行业状态维护场景；药物研发领域，依托华为云一站式AI开发平台ModelArts与华为云一站式医疗研发平台EIHealth，中国科学院上海药物研究所联合华为云训练了华为云盘古药物分子大模型，赋能全流程的AI药物设计，大幅提升新药研发效率；交通运输领域，深圳机场基于华为云机场智能体快速构建60+调度规则，实现机位分配自动化、智能化，让机场靠桥率提升5%，每年帮助260万旅客免乘摆渡车。转自华为云公众号

>摘要：随着边缘设备的广泛使用和性能提升，将机器学习相关的部分任务迁移到边缘，也即边缘AI技术，已成为必然趋势。但仅凭技术是不足够完成落地和产业转化的。近日我们启动了边缘AI研发落地生态挑战调研。我们发现，当前学界业界在落地过程已经遇到各式各样的困难，重点生态挑战包括数据集和配套算法难以获取、通用方案无法满足特定业务需求、缺乏商业成功案例等。本文分享自华为云社区[《华为云 - 边缘AI研发落地生态挑战调研报告》](https://bbs.huaweicloud.com/blogs/317787?utm_source=csdn&utm_medium=bbs-ex&utm_campaign=ei&utm_content=content)，作者： 边缘云创新实验室。  随着边缘设备的广泛使用和性能提升，将机器学习相关的部分任务迁移到边缘，也即边缘AI技术，已成为必然趋势，甚至能够同时结合云侧算力和边侧数据来完成机器学习任务。机器学习服务将边缘产生的数据转换为知识的过程中，需要在边缘快速响应并处理本地产生的数据。在落地过程中，我们发现，在连接海量边缘节点的边缘云时代，随着AI服务与边缘用户的距离缩短，通用AI原本部分**挑战在边缘场景下变得更加尖锐**。 基于一些落地经验，**华为云边缘云创新实验室（ECIL，Edge Cloud Innovation Lab，Huawei Cloud）** 系列文章中曾介绍过数据异构等四大技术挑战。针对这些挑战，各个技术方案落地与成果转化到产业的进程正在紧锣密鼓地进行。**但仅凭技术是不足够完成落地和产业转化的**。当前学界业界很多团队已经遇到各式各样的困难，比如数据集难以获取、通用方案无法满足特定业务、缺乏商业成功案例等。 因此除了技术挑战外，华为云边缘云创新实验室一直密切关注边缘AI的**生态挑战***。为了让更多边缘AI领域的朋友多快好省地完成技术研发落地和商业闭环，华为云边缘云创新实验室启动了边缘AI研发落地生态挑战调研。本次调研通过问卷发放的方式，希望进一步了解边缘AI方案落地与产业落地过程中遇到的生态挑战。截至2021年11月29日，已回收有效答卷175份，问卷开放选项采集到49条补充意见和8条补充建议。对答卷中共计20项量表题项进行分析，信度Cronbach. **为0.975。 *比如研发资源难获取、工具链不完备等主要依赖社区分工与共享的非技术挑战，在本文中定义为生态挑战 **信度指同一问卷对同一组对象重复测量时所得结果的一致性程度，用于测量样本回答结果是否可靠。如果在0.8以上,则该测验或量表的信度非常好；如果低于0.6,量表就需要重新设计题项。 根据调研结果，对边缘AI各角色而言，当前阻碍研发落地，首当其冲生态挑战分别是 - 算法开发者：“真实业务数据集及其基线算法、预训练模型难以获取” - 服务开发者：“通用方案整体性能不一定满足特定业务需求” - 技术布道者：“缺乏商业成功案例” 具体调研报告结果请见下文。 # 1、调研对象  调研对象职业主要是工业界从业者（53.45%），其次是在校学生（31.03%）和学术界研究者（25.86%）。  调研对象的技术方向主要是边缘AI及其应用（55.75%）、AI及其应用（49.43%）、边缘计算及其应用（42.53%）。也有约四分之一的方向为云计算及其应用（25.86%），以及少量的其它方向（13.22%）。 # 2、边缘AI算法开发者 本问卷中，边缘AI算法开发者是指研发联邦学习、协同推理乃至深度学习调度等边缘AI典型算法的角色。有80.46%调研对象填写了边缘AI算法开发者相关问卷调研选项。对每个挑战的负面影响有四种选项，包括“不了解可跳过”“可维持现状”“建议改进”“亟需改进”。 本章先介绍答卷中关于各个算法开发生态挑战的不同维度调研结果，本章末尾将小结各不同维度的结论。 ## 2.1平均分 若选择“不了解跳过”或“可维持现状”记为0分，“建议改进”记为5分，“亟需改进”记为10分，答卷中对边缘AI算法开发者各挑战的平均分值如下图所示。对比认为“还有其他重要挑战”的1.43分，问卷中所罗列的各挑战都超过了5分，可以认为各挑战都有改进的需求。  其中，平均分值最高（6.87分）的挑战是： - “真实业务数据集及其基线算法、预训练模型难以获取” 在截尾均值* 6.09分以上的其它头部挑战还包括： - “算法研发迭代中，重复部署整套端边云系统过于沉重” - “缺乏AI工具，包括资源监控、节点仿真、标注工具等” - “算法找不到对应业务场景，或很难得知实际业务落地性能” *截尾均值指是指在一个数列中，去掉两端的极端值后所计算的算术平均数。在本问卷中用于屏蔽最后一个开放选项的影响，下同。 从“边缘AI及其应用”方向细分工业界、学术界和在校学生等不同职业调研对象（三者在调研对象中的比例大致为2:1:1），细化算法开发者各项挑战平均分：  “边缘AI及其应用”方向下各职业平均分值最高的算法开发挑战分别是： - 工业界：“缺乏AI工具，包括资源监控、节点仿真、标注工具等” （平均分7.5） - 学术界：“缺乏真实业务及其研究需求的固定来源” （平均分7.14） - 在校学生：“真实业务数据集及其基线算法、预训练模型难以获取”（平均分7.68） 在截距均值以上的其它头部挑战还包括： 工业界（截距均值6.19）： - “真实业务数据集及其基线算法、预训练模型难以获取”（平均分7.1） - “算法研发迭代中，重复部署整套端边云系统过于沉重”（平均分7） - “边缘AI系统部署等起步过程中缺乏指南文档”（平均分6.35） 学术界（截距均值6.30）： - “真实业务数据集及其基线算法、预训练模型难以获取”（平均分6.96） - “缺乏AI工具，包括资源监控、节点仿真、标注工具等”（平均分6.72） 在校学生（截距均值6.77）： - “缺乏真实业务及其研究需求的固定来源”（平均分7.41） - “算法找不到对应业务场景，或很难得知实际业务落地性能”（平均分7.59） ## 2.2亟需改进  对于边缘AI算法开发者，问卷中提及的挑战被选为“亟需改进”的比例通常三分之一左右，高于“还有其他重要挑战”的6.36%，可以认为各个挑战都有相当的迫切需求。 其中被选为“亟需改进”的挑战中比例最高（42.77%）的是： - “真实业务数据集及其基线算法、预训练模型难以获取” 在截尾均值（33.33%）以上的其它头部挑战还包括： - “算法研发迭代中，重复部署整套端边云系统过于沉重” - “缺乏AI工具，包括资源监控、节点仿真、标注工具等” - “算法找不到对应业务场景，或很难得知实际业务落地性能” - “边缘AI系统部署等起步过程中缺乏指南文档” 可以看到，除了一个挑战，“亟需改进”和“平均分”头部挑战基本保持一致，这个有区别的挑战是： - “边缘AI系统部署等起步过程中缺乏指南文档” 但可以观察到，除了“亟需改进”维度，该挑战其实在“平均分”维度也是非常接近头部（距离截尾均值0.02），这说明其重要性。 ## 2.3可改进  问卷中的绝大部分挑战都以较大比例（63.1% - 69.94% ）被选为“建议改进”和“亟需改进”（下总称“可改进”），对比认为“有其他重要挑战”需改进的比例仅为13.87%，说明列举在问卷中相关挑战大部分都明显有改进的需求。 其中，被认为“可改进”的挑战中比例最高（69.94%）的是： - “真实业务数据集及其基线算法、预训练模型难以获取” 在截尾均值（67.06%）以上的其它头部挑战还包括： - “缺乏真实业务及其研究需求的固定来源” - “边缘AI系统部署等起步过程中缺乏指南文档” - “缺乏AI工具，包括资源监控、节点仿真、标注工具等” - “算法研发迭代中，重复部署整套端边云系统过于沉重” 与“亟需改进”相比，“可改进”维度头部部分选项排名有变化。 1、在“可改进”维度头部选项中，比“亟需改进”排名更高的挑战，可以认为是有一定的重要性，但相对不那么紧急。这些可能看上去更“长远”的“重要不紧急”挑战包括： - “缺乏真实业务及其研究需求的固定来源” - “边缘AI系统部署等起步过程中缺乏指南文档” 第二个挑战也与“亟需改进”部分结论一致。 2、在“亟需改进”维度头部选项中，比“可改进”排名更高的挑战，可以认为是一定的重要性，但相对比较紧急，这些看上去更“紧迫”的“重要且紧急”挑战包括： - “算法研发迭代中，重复部署整套端边云系统过于沉重” - “缺乏AI工具，包括资源监控、节点仿真、标注工具等” ## 2.4小结 对边缘AI算法开发者有以下结论： 1.平均分值最高（6.87分）的挑战是：“真实业务数据集及其基线算法、预训练模型难以获取” 2.其它头部重要挑战中 - “重要不紧急”头部重要挑战包括：“缺乏真实业务及其研究需求的固定来源”“边缘AI系统部署等起步过程中缺乏指南文档” - “重要且紧急”头部重要挑战包括：“算法研发迭代中，重复部署整套端边云系统过于沉重”“缺乏AI工具，包括资源监控、节点仿真、标注工具等” 3.“边缘AI及其应用”方向下算法开发各职业平均分值最高的生态挑战分别是： - 工业界：“缺乏AI工具，包括资源监控、节点仿真、标注工具等” （平均分7.5） - 学术界：“缺乏真实业务及其研究需求的固定来源” （平均分7.14） - 在校学生：“真实业务数据集及其基线算法、预训练模型难以获取”（平均分7.68） 问卷中也尝试调研边缘AI算法开发其余重要挑战，调研结果词云如下所示，包括边缘AI**概念与定义、硬件方案、人才协作、工具与文档、场景需求、AI效果**等24条意见，由于篇幅限制不一一阐述。  # 3、边缘AI服务开发者 本问卷中，边缘AI服务开发者是指，在给定算法基础上开发工业、Re-ID、能源、机器人等边缘AI服务的角色。有74.90%的调研对象填写了边缘AI服务开发者相关问卷调研选项。对每个挑战的负面影响有四种选项，包括“不了解可跳过”“可维持现状”“建议改进”“亟需改进”。 本章先介绍答卷中关于各个算法开发生态挑战的不同维度调研结果，本章末尾将小结各不同维度的结论。 ## 3.1平均分 若选择“不了解跳过”或“可维持现状”记为0分，“建议改进”记为5分，“亟需改进”记为10分，答卷中对边缘AI服务开发者各挑战的平均分值如下图所示。对比认为“还有其他重要挑战”的1.24分，问卷中所罗列的各挑战都超过了5分，可以认为各挑战都有改进的需求。 其中，平均分值最高（6.76分）的挑战是： - “通用方案整体性能不一定满足特定业务需求” 在截尾均值6.09分以上的其它头部挑战还包括： - “自研业务算法和系统方案周期长成本高” - “方案效果复现困难或通用方案应用范围存疑”  从“边缘AI及其应用”方向细分工业界、学术界和在校学生等不同职业调研对象（三者在调研对象中的比例大致为2:1:1），细化服务开发者各项挑战平均分：  “边缘AI及其应用”方向下各职业平均分值最高的服务开发挑战完全一致： - 工业界：“通用方案整体性能不一定满足特定业务需求” （平均分7.1） - 学术界：“通用方案整体性能不一定满足特定业务需求” （平均分7.8） - 在校学生：“通用方案整体性能不一定满足特定业务需求”（平均分7.5） 在截距均值以上的其它头部挑战还包括： 工业界（截距均值5.99）： - “自研业务算法和系统方案周期长成本高”（平均分6.63） - “方案效果复现困难或通用方案应用范围存疑”（平均分6.1） 学术界（截距均值5.75）： - “自研业务算法和系统方案周期长成本高”（平均分7.00） - “方案效果复现困难或通用方案应用范围存疑”（平均分6.60） 在校学生（截距均值5.84）： - “方案效果复现困难或通用方案应用范围存疑”（平均分6.88） - “自研业务算法和系统方案周期长成本高”（平均分6.46） ## 3.2亟需改进  对于边缘AI服务开发者，问卷中提及的挑战被选为“亟需改进”的比例都在20%以上，高于“还有其他重要挑战”的6.36%，可以认为各个挑战都有一定的迫切需求。 其中被选为“亟需改进”的挑战中比例最高（36.78%）的是： - “通用方案整体性能不一定满足特定业务需求” 在截尾均值（25.57%）以上的其它头部挑战还包括： - “自研业务算法和系统方案周期长成本高” - “现场人员只会开关机，希望简化现场安装部署” 与“平均分”维度相比，“亟需改进”维度头部部分选项排名有变化。 1、在“亟需改进”维度才进入头部的挑战有一个，在“平均分”部分其实也是非常接近头部（距离截尾均值0.06），这可能说明该挑战比较重要，而且需求比较迫切，这个挑战是： “现场人员只会开关机，希望简化现场安装部署” 2、在“平均分”维度有一个头部挑战在“亟需改进”维度排名下降，意味着其有一定的重要性，但相对紧急程度较低，可能是“重要不紧急”的、更为“长远”的需求，这个挑战是： “方案效果复现困难或通用方案应用范围存疑” ## 3.3可改进  问卷中的绝大部分挑战都以较大比例（59.77% - 68.96% ）被选为“建议改进”和“亟需改进”（下总称“可改进”），对比认为“有其他重要挑战”需改进的比例仅为10.92%，说明列举在问卷中相关挑战大部分都明显有改进的需求。 其中，被认为“可改进”的挑战中比例最高（68.96%）的是： - “通用方案整体性能不一定满足特定业务需求” 在截尾均值（61.78%）以上的其它头部挑战还包括： - “自研业务算法和系统方案周期长成本高” - “方案效果复现困难或通用方案应用范围存疑” 与“亟需改进”相比，“可改进”维度头部部分选项排名有变化。 1、在“可改进”维度头部选项中，比“亟需改进”排名更高的挑战，可以认为是有一定的重要性，但相对不那么紧急，看上去更“长远”的“重要不紧急”挑战包括： “方案效果复现困难或通用方案应用范围存疑” 这与“亟需改进”章节结论一致。 2、在“亟需改进”维度头部选项中，比“可改进”排名更高的挑战，可以认为是一定的重要性，但相对比较紧急，这些看上去更“紧迫”的“重要且紧急”挑战包括： “现场人员只会开关机，希望简化现场安装部署” 这与“亟需改进”章节结论一致。 ## 3.4小结 对边缘AI服务开发者有以下结论： 1.平均分值最高（6.76分）的挑战是：“通用方案整体性能不一定满足特定业务需求” 2.头部重要挑战中 - “重要不紧急”头部重要挑战包括：“方案效果复现困难或通用方案应用范围存疑” - “重要且紧急”头部重要挑战包括：“现场人员只会开关机，希望简化现场安装部署” - 头部重要挑战还包括：“自研业务算法和系统方案周期长成本高” 3.“边缘AI及其应用”方向下服务开发各职业平均分值最高的生态挑战完全一致： - 工业界：“通用方案整体性能不一定满足特定业务需求” （平均分7.1） - 学术界：“通用方案整体性能不一定满足特定业务需求” （平均分7.8） - 在校学生：“通用方案整体性能不一定满足特定业务需求”（平均分7.5） 问卷中也尝试调研边缘AI服务开发其余重要挑战，调研结果词云如下所示。包括场景定制化、培训与指南、部署安装、硬件资源、技术方案等18条挑战，由于篇幅原因不一一阐述。  # 4、边缘AI技术布道者 本问卷中，边缘AI技术布道者是指开展边缘AI技术演讲布道，推广甚至销售现有边缘AI技术与服务的角色。有69.94%调研对象填写了边缘AI技术布道者相关问卷调研选项。对每个挑战的负面影响有四种选项，包括“不了解可跳过”“可维持现状”“建议改进”“亟需改进”。 本章先介绍答卷中关于各个算法开发生态挑战的不同维度调研结果，本章末尾将小结各不同维度的结论。 4.1平均分 若选择“不了解跳过”或“可维持现状”记为0分，“建议改进”记为5分，“亟需改进”记为10分，答卷中对边缘AI技术布道者各挑战的平均分值如下图所示。对比认为“还有其他重要挑战”的0.73分，问卷中所罗列的各挑战都超过了5分，可以认为各挑战都有改进的需求。  其中，平均分值最高（6.61分）的挑战是： - “缺乏商业成功案例” 在截尾均值5.77分以上的其它头部挑战还包括： - “缺乏与现有方案系统对比，包括成本、部署要求” - “受众对边缘AI不了解” 从“边缘AI及其应用”方向细分工业界、学术界和在校学生等不同职业调研对象（三者在调研对象中的比例大致为2:1:1），细化技术布道者各项挑战平均分：  “边缘AI及其应用”方向下各职业平均分值最高的技术布道挑战分别是： - 工业界：“缺乏与现有方案系统对比，包括成本、部署要求” （平均分6.63） - 学术界：“缺乏商业成功案例” （平均分6.59） - 在校学生：“受众对边缘AI不了解”（平均分6.25） 在截距均值以上的其它头部挑战还包括： 工业界（截距均值5.98）： - “受众对边缘AI不了解”（平均分6.15） - “缺乏商业成功案例”（平均分6.43） 学术界（截距均值5.40）： - “受众对边缘AI不了解”（平均分5.91） - “缺乏与现有方案系统对比，包括成本、部署要求”（平均分5.68） 在校学生（截距均值5.46）： - “缺乏商业成功案例”（平均分6.05） - “缺乏直观的UI界面和Demo”（平均分6.05） - “缺乏与现有方案系统对比，包括成本、部署要求”（平均分5.53） ## 4.2亟需改进  对于边缘AI技术布道者，问卷中提及的挑战被选为“亟需改进”的比例都在20%以上，高于“还有其他重要挑战”的1.72%，可以认为各个挑战都有一定的迫切需求。 其中被选为“亟需改进”的挑战中比例最高（32.18%）的是： - “缺乏商业成功案例” 在截尾均值（25.00%）以上的其它头部挑战还包括： - “缺乏与现有方案系统对比，包括成本、部署要求” - “缺乏直观的UI界面和DEMO” 与“平均分”维度相比，“亟需改进”维度头部部分选项排名有变化。 1、在“亟需改进”维度才进入头部的挑战有一个，在“平均分”部分其实也是非常接近头部（距离截尾均值0.06），这可能说明该挑战比较重要，而且需求比较迫切。这个“重要且紧急”挑战是： “缺乏直观的UI界面和DEMO” 2、在“平均分”维度有一个头部挑战在“亟需改进”维度排名下降，意味着其有一定的重要性，但相对紧急程度较低，更为“长远”的需求。这个“重要不紧急”挑战是： “受众对边缘AI不了解” ## 4.3可改进  问卷中的绝大部分挑战都以较大比例（54.02% - 62.07%） 被选为“建议改进”和“亟需改进”（下总称“可改进”），对比认为“有其他重要挑战”需改进的比例仅为6.89%，说明列举在问卷中相关挑战大部分都明显有改进的需求。 其中，被认为“可改进”的挑战中比例最高（62.07%）的是： - “缺乏商业成功案例” 在截尾均值（57.61%）以上的其它头部挑战还包括： - “缺乏与现有方案系统对比，包括成本、部署要求” - “受众对边缘AI不了解” 与“亟需改进”相比，“可改进”维度头部部分选项排名有变化。 1、在“可改进”维度头部选项中，比“亟需改进”排名更高的挑战，可以认为是有一定的重要性，但相对不那么紧急，看上去更“长远”的挑战包括： “受众对边缘AI不了解” 这与“亟需改进”章节结论一致。 2、在“亟需改进”维度头部选项中，比“可改进”排名更高的挑战，可以认为是一定的重要性，但相对比较紧急，这些看上去更“紧迫”的“重要且紧急”挑战包括： “缺乏直观的UI界面和DEMO” 这与“亟需改进”章节结论一致。 ## 4.4小结 对边缘AI技术布道者有以下结论： 1.平均分值最高（6.61分）的挑战是： “缺乏商业成功案例” 2.其它头部重要挑战中 - “重要不紧急”头部重要挑战包括： “受众对边缘AI不了解” - “重要且紧急”头部重要挑战包括： “缺乏直观的UI界面和DEMO” - 头部重要挑战还包括：“缺乏与现有方案系统对比，包括成本、部署要求” 3.“边缘AI及其应用”方向下技术布道各职业平均分值最高的生态挑战分别是： - 工业界：“缺乏与现有方案系统对比，包括成本、部署要求” （平均分6.63） - 学术界：“缺乏商业成功案例” （平均分6.59） - 在校学生：“受众对边缘AI不了解”（平均分6.25） 问卷中也尝试调研边缘AI技术布道其余重要挑战，调研结果词云如下所示。包括边缘AI价值和方案配套等7条意见，由于篇幅原因不一一阐述。  # 5、未来工作  作为KubeEdge社区SIG AI重要成员，华为云边缘云创新实验室将依据调研结果有针对性地向KubeEdge社区SIG AI持续贡献。KubeEdge是业界首个云原生边缘计算框架、当前云原生计算基金会内部唯一孵化级边缘计算开源项目。KubeEdge在全球已拥有800+贡献者和60+贡献组织，在Github获得4.6k+Stars和1.3k+Forks。作为KubeEdge中唯一的AI特别兴趣小组（Special Interest Group），KubeEdge社区SIG AI致力于使能AI应用在边缘更好地运行，聚焦边缘AI技术讨论、API定义、参考架构、开源实现等。**为全球开发者提供相关研发支持并孵化繁荣生态，当前已开源边缘AI平台Sedna，包括其跨边云的协同推理、联邦学习、增量学习和终身学习特性。**   作为信奉开源文化的社区，KubeEdge始终都强调“Best ideas win”，领域发展自然也不例外。为了交出一个更有竞争力和创意的提案，本次调研了解每位关注开源与边缘AI的朋友对相关方案落地过程遇到的困难，然后选取Best idea，对社区内容进行优化，以便为大家呈现一个体现开源开放精神的资源分享社区生态。  除了之前章节提及的内容，问卷中还包括调研对象的建议。其中“提供公开数据集、预处理和基线代码，构建Benchmark”的建议无论在总览、还是在边缘AI方向的工业界、学术界和在校学生中票数均排名第一，比例分别为82.18%、92.98%、87.10%、86.67%，并且显著高于其它建议，相信此建议需要重点关注。社区也可以根据上面的阐述细分相关职业需求，进一步优化边缘AI生态。 问卷也尝试调研其余重要建议。包括场景演示和研发支撑等8条建议： ### 场景演示 - 增加demo展示 - 深入了解行业落地痛点 - 找准一个典型领域或场景进行全方案的落地测试，包括训练和推理结合实际业务形成一套端到端的解决方案 - 光调研开发者不足够，并非方案用户，要落地还得调研边缘AI的最终客户需求 ### 研发支撑 - 最重要还是数据公开 - 希望能提供更多的例子，示例怎么完成一个任务的训练和部署。联邦学习目前了解的人比较少，希望对它的优势和使用方法做更多介绍，降低系统使用门槛。 - 需要对相关开源平台的了解，也可以搞合作 - 提供更多的开发者使用模式，不局限于现在example 路遥共相伴，勠力同向前。特别感谢参与答卷的专家、学者和同学，本次调研的四大“意见领袖”与十佳“优秀意见”等各项评选正在有序进行，并将陆续发放报告和纪念品。结合行业关注的最新技术趋势，KubeEdge将集结当前SIG AI中30+单位的各供应商和开发者为**边缘AI算法开发者、服务开发者、技术布道者**三种角色提供资源和平台帮助。这将包括数据集开源、预处理与范式算法开源、以及AI工具等行业内迫切需要的资源，为大家带来一场开源饕餮盛宴。相关内容将陆续到来！欢迎关注KubeEdge 社区https://github.com/kubeedge/ 、KubeEdge SIG AI及其项目Sedna https://github.com/kubeedge/sedna。

    “让云无处不在，让智能无所不及，共建智能世界云底座”。12月20日，华为云计算技术有限公司贵安园区暨华为全球培训中心盛大开园，华为云的三个班级——“华为云人工智能高研班”、“华为云云服务工程师培训班”、“华为云人工智能师资培训班”亦同期开班。      国家提出“东数西算”工程，旨在把握数字经济加速发展战略机遇期，构建算力新格局。华为公司高级副总裁、华为云CEO、消费者云服务总裁张平安表示：华为将云数据中心落户贵安，将华为云业务全球总部建立在贵安，就是要全面支持贵州“在实施数字经济战略上抢新机”，将贵州打造成数字经济高地。同时，华为将进一步促进贵州IT人才培养，并希望与贵州共建“贵州数字经济创新中心”，推动各产业协同创新，促进本地高质量人才的培育孵化，以技术赋能企业，以产教融合培养数字经济技术型、实用型人才。（华为云CEO张平安先生开园致辞）     华为云开展的此次培训正是面向数字化转型人才培养需求的一次积极探索。贵州的大数据产业发展具有得天独厚的优势，贵安华为云数据中心又是华为云全球规模最大的数据中心核心节点，在云的数据中心，学习和使用云服务将为学员带来更为直观的体验。因此，我们将培训的主题定为云计算、人工智能与大数据，参培的学员也均为云贵渝地区与大数据相关的政府、企业高层及院校教师。    云贵渝地区的大数据分管部门领导、关联产业及高校代表共聚华为云人工智能高研班，与华为云大数据、人工智能资深专家就“大数据思维与技术应用”及“人工智能的趋势与应用”两个主题进行了学习与研讨，致力于推动贵州产业数字化进程与数字人才框架的搭建。（华为云计算公司副总裁王海杰先生致辞）    华为云计算公司副总裁王海杰先生为“华为云人工智能高研班”发表开班致辞时表示：“随着我们进入‘万物互联’时代，大数据、人工智能和云计算对于贵州数字化发展、智能化发展发挥着至关重要的作用。在国家、贵州省政府以及贵阳市政府的大力支持下，华为云计算技术有限公司贵安园区未来将会构建全球最领先的数据中心，为助力贵州乃至整个西部地区数字经济发展和本地技术型、应用型人才的培育孵化打下坚实基础。”同时，他对首场高研班培训也寄予了殷切希望：“华为云人工智能高研班作为培训中心首个开班的培训班级，特别邀请AI、大数据与云计算专家全面赋能，带领大家充分了解技术发展趋势与行业应用格局，将华为在数字转型实践上的精华奉献出来，与诸位共享共融。”（高研班学员积极参与课程互动）       除高研班外， 华为云的两个技术培训班“华为云云服务工程师培训”、“华为云人工智能师资培训”也紧随其后，依次开班。    “华为云云服务工程师培训”聚焦计算、存储、网络等常用的云服务，完整展现了未来云计算高端人才的能力图谱。课程以“云计算是什么”为切入点，逐步延伸至华为云上常见的云服务，以理论讲解与云上实践结合的方式，使学员熟悉与掌握计算、存储、网络服务的基本概念、架构、功能及应用，并简单了解数据库、安全、CDN及EI企业智能服务的基本知识。“华为云人工智能师资培训”则在详尽地讲解神经网络基础知识后，带领学员基于ModelArts一站式AI开发平台完成动物叫声分类、花卉识别与云宝检测应用的初级开发，寓教于乐，使其沉浸式地感受普惠AI的魅力。      华为云贵州云业务部总经理吕河先生为两个技术培训班发表开班致辞时表示，“希望通过这次培训，能更好地推动人工智能技术结合本地特色在本地的落地，能更好地携手企业及高校联合为AI的技术研发、人才培养与储备提供坚实力量”。（技术培训班学员认真学习听讲）    学员们也纷纷表示本次培训使其受益匪浅。来自贵州的学员王先生表示，“通过这次学习增强了自身为产业发展服务的能力，体验了华为云在数字人才培育上的专业度，也对贵州未来数字经济的发展充满信心”。参加人工智能师资培训的张老师认为，“这次学习让我了解了大数据和云计算相关的前沿知识和技术，更明确地感受到人工智能将更好地服务于人们的生活，推动时代进步。也相信本次培训为推动人工智能技术在贵州本地的落地以及 AI人才的培养与储备提供了坚实力量，起到了积极的作用”。    未来，华为云开发者学堂将继续致力于数字人才的培养，并与各个高校、行业客户、伙伴一起构建数字知识平台，为全球华为云客户打造一站式的“学练训考”学习平台，推动各产业创新，促进高质量数字人才的培育孵化。云聚未来，共建数字人才生态。让云无处不在，让智能无所不及，共建智能世界云底座！    学以致用，云世界大有可为！更多华为云培训服务精彩内容，请关注华为云开发者学堂。（https://edu.huaweicloud.com） 

关闭学校、关闭工作场所、取消公共活动、限制人群聚集、公共交通管制、居家生活建议、限制国内流动、限制国际旅行…… 到底哪项政策防疫效果更好？钟南山团队与腾讯的联合研究发现了其中的 Top 3。日前，钟南山院士团队与腾讯公司披露了一项利用大数据与人工智能技术，定量评估不同公共防控政策对新冠疫情控制效果的研究。研究团队开发了一种新的反事实推理模型框架，通过引入隐含交互因子项，最大程度排除了随时间变化的混杂因素的影响，对包含 145 个国家和地区、8 种公共防控政策的动态数据，进行更加准确，且符合真实世界运转的量化分析。研究结果表明，更快、更精准地实施疫情防控，才能有效遏制新冠肺炎疫情的发展。这也是新冠防控领域首次引入该技术进行研究。这项研究成果已在国际著名医学期刊 Value in Health（《健康价值》）刊出，题为《Quantifying the Effect of Public Activity Intervention Policies on COVID-19 Pandemic Containment Using Epidemiologic Data From 145 Countries》。论文链接：https://www.sciencedirect.com/science/article/pii/S1098301521017940据了解，广州呼吸健康研究院院长何建行和腾讯健康副总裁吴文达为该论文共同通讯作者，钟南山院士为指导作者，广州呼吸健康研究院的梁文华教授、杨子峰教授、曾志奇博士，以及腾讯天衍实验室的孙继超博士、郑冶枫博士为这项新研究的共同第一作者。这也是继去年 2 月，钟南山院士团队与腾讯公司共同成立大数据及人工智能联合实验室，双方在抗击新冠肺炎疫情上的最新研究成果。此前，双方还联合研发了新冠重症 AI 预测系统，有助于合理地为新冠患者进行早期分诊。

完成本实验贴任务视为支持 AI发展需要更多的前沿技术还是需要与更多的行业结合？反方观点√反方观点：与更多行业结合活动时间：2021年12月23日~2022年1月16日 参与方式：1、按照demo操作实验  》点击查看实验demo《2、按照要求生成实验结果截图，反馈到此活动贴 特别说明：请务必完成年终活动报名：点击报名请务必按照以下格式要求进行回帖，否则无法计算奖励：1、华为云账号：xxx（即右上角的字母数字组合ID）2、任务截图：注意事项：1、请务必使用个人账号参与活动（IAM、企业账号等账号参与无效）2、 本次活动规则详见：https://bbs.huaweicloud.com/forum/thread-174300-1-1.html参与博文写作，还能另外获奖喔点击了解

完成本实验贴任务视为支持 AI发展需要更多的前沿技术还是需要与更多的行业结合？正方观点√正方观点：需要更多的前沿技术活动时间：2021年12月23日~2022年1月16日 参与方式：1、按照demo操作实验  》点击查看实验demo《2、按照要求生成实验结果截图，反馈到此活动贴 特别说明：请务必完成年终活动报名：点击报名请务必按照以下格式要求进行回帖，否则无法计算奖励：1、华为云账号：xxx（即右上角的字母数字组合ID）2、任务截图：注意事项：1、请务必使用个人账号参与活动（IAM、企业账号等账号参与无效）2、 本次活动规则详见：https://bbs.huaweicloud.com/forum/thread-174300-1-1.html参与博文写作，还能另外获奖喔点击了解

年底活动力推：“调用领豪礼”，冲啊！调用量！活动说明：12月调用量达标即可联系小助手领取奖品，赶紧看看你是否达标~活动时间：即日起-12月31日【活动规格】：1、调用新增破千万，最高可获得价值10000元礼品2、调用新增破百万，最高可获得价值1000元礼品3、调用新增破万，可获得围巾/背包/玩偶或其他等价值礼品。大家可根据自己业务量冲刺不同档位！【活动注意事项】：1、图引擎服务/自然语言处理/视频内容审核/语音交互服务-实时语音识别/语音交互服务-录音文件识别 不参与此活动2、不可与其他活动同时参与3、根据API服务不同，各档位获得礼品价值不同，细则详情可联系小助手4、较上月相比，增长量大的企业用户可单独添加小助手询问相关激励

从懂AI，到懂行Leslie编者按Leslie，中国HCS交付与服务部AI使能团队负责人，2019年5月进入华为，2020年获得中国区优秀新人称号。2021年A带领I使能团队，负责全国AI业务发展及能力建设。       2019年5月份，从港中文电子信息工程毕业后，我进入了华为，成为专业服务部AI使能团队的一份子。彼时，华为的AI产品方兴未艾，项目不多，兜兜转转做了几个大数据的项目，才迎来了第一个AI项目——某地市的TrafficGo项目。              作为现场交付的人员，需要经常和客户交流智慧岛的出行特征分析，交通供给总量，路口-路段-区域的承载力等各种市内交通的特点，而作为新人如何短时间内能让客户认可我们方案的价值以及如何能和客户同频交流是我遇到的最大挑战。      客户不太关注技术实现，更倾向对场景的要求，例如重要单位、重要场所周边的交通路况优化。这里面很多路口信息化设施缺失或不足，如何最小代价发挥我们算法的优势，这个需要好好研究，比如能否从算法上适配这种情况。另外，一块区域给你控制了，和周边没有控制的区域是什么关系？有没有缓进缓出或缓进快出的策略？是否放车快了把周边一些路口堵死？       这样的问题，当时的我根本都招架不住，很多次只能跟客户说，“这个问题，我回去和家里确认一下，会尽快给出方案。”转头便厚着脸皮，一次一次地问研发、问SA、翻看了几大本牛津词典那么厚的交通行业论文集，有时客户也会变成我的老师。就这样啃了几个月，才逐步构建起了我对交通行业的业务知识，能够从容一些地跟客户对话，真正地理解客户的场景痛点，并给出方案。       TrafficGo的项目，我趟过了很多坑，熬了很多个夜，被拒绝了不下百次，拉了无数个电话会议。后来我发现，其他项目压力再大，我都能扛过去。也许像跟领导聊天时他提到的那样：“五岳归来不看山，黄山归来不看岳。”非常幸运，我的成长被组织看见，被评为了地区部优秀新人。       21年下半年由于组织调整，我的TL转战公有云，而我接过接力棒，带领团队10个人在HCS继续拓展和交付。这对我而言，也是一次全新的挑战。        从小白到带领一个团队，我在交付这条路上，也不知不觉走了2年多。有一天中午午休，和同事喝咖啡，她问我，进华为以来，我变化最大的三点是什么？我当时脑子里蹦出了2点。       最先蹦出来的是，就是做交付以后，我对数字化架构有了更宏观的理解，更多地站在架构的角度去思考问题，而不是局限在问题本身。       举个例子，在做TrafficGO的标准化方案时，我们的第一步标准动作，是将路口视频结构化处理，标注关键信息，例如什么时间点，出现了什么车，先哪个方向转弯，时速多少等等。然后，我们会将结构化的数据上载到TrafficGo的算法模型中，然后通过训练及调优，设置出策略，再将策略下放到信号机中，自动调节红绿灯亮灭时间。              初入项目时，我投入了大量精力在前期的视频结构化处理上，也非常在意问题和告警的出现。随着对行业理解的深入，我发现如果站在整个架构的层面，就不难发现其实当前很多摄像头已经存储了结构化的数据，经过校验之后，可以打通网闸，直接对接到平台上用于模型训练。这样不仅节省了交付团队很多的时间，也减低了交警们协调外场的工作量。一旦站在了更高的维度看问题，低维度的问题就不再是问题了。       另外一点，我的项目管理能力也得到很大的提升。作为AI专业服务工程师，尤其在智慧政务这种集成项目中，我们往往还身兼数职：补充大PM的盲区，承担EI领域的项目管理；SA不在现场时，充当SA解答客户关于方案设计的问题。其中，由于TrafficGo由华为和4-5家ISV联合，而TrafficGo项目往往属于直签，需要由华为兜底。因此我的工作中很大部分需要去识别项目过程中的风险，推动ISV或者华为的同事完成问题闭环。这不仅需要风险识别能力，更需要项目管理能力。项目管理能力的提升，也使我在带领团队更有底气和更从容了。       作为跟AI解决方案一起成长起来的工程师，最后想谈谈我对AI专业服务的价值的看法。              AI专业服务的价值，在于端到端的交付，真正实现AI赋能行业。2019年前后，公司单独卖Model Arts平台，客户并不懂怎么用好；单卖算法，只能解决客户部分核心的问题，无法解决全局的问题。 如果说算力是电厂，真正能让用户享受到电厂的科技红利是电器，而真正能让用户享受到算力带来的好处的，是应用。而AI专业服务是连接算力到应用的最后一公里。        而这最后一公里要打通，非常吃行业知识。还是以交通智能体为例，很多三四线城市的交警客户，对交通优化一直处于感性的认识中，优化方式也仅限于让某个方向的绿灯多放行几秒。但是我们和客户交流过程中，都会基于现阶段的数据进行客观分析，例如某个区域早高峰从东向西方向的车流量多，而晚高峰则相反。有些路口通过分析已达到饱和，通过配时优化已无法显著提高通行效率，那我们可能建议交警修改标志标线进行优化。许昌的在试点过程中，选取了两条市区内的主干道（16个路口）进行优化，优化前后对比相同距离通行时间缩短了26%左右，这对客户是个很满意的优化结果。               除了交通智能体，我们还有政务智能体、配煤配料智能体、供暖智能体等近20个行业的解决方案，只有真正触达行业客户的痛点，才有可能以AI的手段解决问题、创造价值。              未来，我也希望在团队内部构建算法的能力。我们在一个个的项目中，深耕行业，掌握大量一手行业数据，相比研发，我们在算法打造上也许能更贴近客户的需求。我希望自己成为那个懂AI，更懂行的工程师。

人工智能帮助发现系外行星上的分子，甚至有一天可能会发现新的物理定律你知道地球的大气是由什么组成的吗？你可能记得它是氧气，也可能是氮气。借助 Google 的一点帮助，您可以轻松得出更精确的答案：78% 的氮气、21% 的氧气和 1% 的氩气。大气可以表明行星的性质，以及它们是否可以承载生命。然而，当谈到外大气层——太阳系外行星的大气层——的组成时，答案是未知的。由于系外行星如此遥远，已证明探测它们的大气层极其困难。研究表明，人工智能 (AI) 可能是探索它们的最佳选择——但前提是能够证明这些算法以可靠、科学的方式思考，而不是欺骗系统。来自伦敦大学的研究人员提出了一些通用评估方法，可以应用于任何训练有素的 AI 模型。特别是，他们训练了三种不同的流行深度神经网络（DNN）架构来从系外行星光谱中检索大气参数，并表明这三种架构都实现了良好的预测性能。同时研究人员对 DNN 的预测进行了广泛的分析，这可以给定仪器和模型的大气参数的可信度限制。执行基于扰动的敏感性分析，以确定检索结果对频谱的哪些特征最敏感。该团队得出结论，对于不同的分子，DNN 预测最敏感的波长范围确实与其特征吸收区域一致。该方法有助于改进 DNN 的评估并为其预测提供可解释性。该研究以「Peeking inside the Black Box: Interpreting Deep-learning Models for Exoplanet Atmospheric Retrievals」为题，于 2021 年 10 月 13 日发布在《The Astronomical Journal》。天文学家通常利用凌日方法来研究系外行星，这涉及测量当行星从恒星前面经过时恒星发出的光的倾角。如果行星表面存在大气，它可以吸收少量恒星的光。通过在不同波长（光的颜色）下观察这一事件，可以在吸收的星光中看到分子的指纹，在光谱中形成可识别的图案。如果恒星与太阳相似，则木星大小行星的大气产生的典型信号只会使恒星光减少约 0.01%。地球大小的行星产生的信号要低 10-100 倍。这有点像从飞机上发现地面上猫咪的眼睛颜色。未来，詹姆斯·韦伯太空望远镜（JWST）和 The Ariel Space Mission 这两个探测器都将从太空轨道上调查系外行星，它们可以获取数千个系外大气层的高质量光谱。但是，由于大气层的复杂性，对单个凌日行星的分析可能需要数天甚至数周才能完成。科学家们试图训练人工智能来预测大气中各种化学物质的丰度。为了证明人工智能的可靠性，科学家研究了人工智能的思考模式。窥视黑匣子内部如果无法理解，就不能采用理论与工具。也许人工智能中的一个「小故障」，可能会得出在系外行星发现了生命的结论。人工智能在解释它们发现方面很糟糕。即使是人工智能专家也很难确定是什么原因导致网络提供给定的解释。这种劣势阻碍了人工智能技术在天文学领域的应用。研究人员开发了一种方法，可以一瞥人工智能的决策过程。该方法非常直观。假设 AI 必须确认图像是否包含猫。它大概会通过发现某些特征来做到这一点，例如皮毛或脸型。为了了解它所引用的特征和顺序，可以模糊猫的图像的一部分，看看它是否仍然可以识别出它是一只猫。这正是科学家通过「扰动」或改变光谱区域为系外行星探测 AI 所做的训练。通过观察人工智能对系外行星分子丰度的预测在每个区域被修改时是如何变化的（比如说大气中的水），研究人员开始构建人工智能如何思考的「图片」，比如它用来决定大气中的水含量的光谱区域。结果发现训练有素的人工智能在很大程度上依赖于物理现象，例如独特的光谱指纹——就像天文学家一样。事实上，在学习方面，AI 和高中生并没有太大的不同——它会尽量避开艰难的道路（一步步解析），寻找各种捷径（套用公式），获取答案。如果人工智能基于记住它遇到的每一个频谱来做出预测，那将是非常不可取的。这一发现提供了第一种偷窥所谓「人工智能黑匣子」的方法，让研究人员能够评估人工智能所学到的东西。借助这些工具，研究人员现在不仅可以使用 AI 来加速对外部大气的分析，而且还可以验证他们的 AI 是否使用了众所周知的自然法则。也就是说，现在说完全了解人工智能还为时过早。下一步是精确计算每个概念的重要性，以及如何将其处理为决策。这个前景对人工智能专家来说是令人兴奋的。AI 令人难以置信的学习能力源于它从数据中学习「表示」或模式的能力——这种技术类似于物理学家如何发现自然定律。论文链接：https://iopscience.iop.org/article/10.3847/1538-3881/ac1744/meta相关报道：https://phys.org/news/2021-12-ai-reliably-molecules-exoplanets-day.html转发自：https://www.jiqizhixin.com/

# 使用强化学习内置环境 这里通过官方教程简单介绍使用AI Gallery中预置的强化学习算法训练内置环境CartPole示例。gogogo! #### 环境介绍 CartPole，车杆游戏，游戏画面如[图1]所示。游戏中，黑色的方块是一个小车，小车在一维无阻力轨道上运动。小车上连接一根活动杆，杆会左右摇摆。为保证游戏持续进行，小车需要左右移动保持杆子竖直。当小车的移动位置超出游戏界面所示范围或者杆子倾斜角度大于15°，游戏结束。游戏全过程可以理解为AI智能体与环境之间的互动，可以将复杂的因素抽象成以下三个变量。 1. 可采取的动作：左移、右移。 2. 获得奖励规则：左移或右移小车之后游戏没有结束，reward值会+1。 3. 目的：使用强化学习训练一个智能体，玩CartPole游戏，尽可能多获得奖励。 **图1** CartPole游戏画面  #### 进入AI Gallery订阅强化学习算法 ModelArts预置的强化学习算法（名为“强化学习预置算法”）发布在AI Gallery中。您可以前往AI Gallery，订阅此模型，然后同步至ModelArts中。 1. 在ModelArts管理控制台中，在左侧菜单栏中选择“AI Gallery”，进入AI Gallery。 2. 在AI Gallery中，选择“算法”页签，在搜索框中输入“强化学习预置算法”，查找对应的算法。 3. 单击算法名称进入算法详情页，单击右侧的“订阅”，根据界面提示完成算法订阅。 此算法由ModelArts官方提供，目前免费开放。订阅算法完成后，页面的“订阅”按钮显示为“已订阅”。 4. 单击详情页的“前往控制台”，此时弹出“选择云服务区域”对话框，选择对应的区域，然后再单击“确定”， 页面将自动跳转至ModelArts的“算法管理>我的订阅”中同步对应的算法。 **图2** 选择云服务区域  5. 在ModelArts管理控制台的算法管理页面，算法将自动同步至ModelArts中。 未同步的算法，无法直接用于创建训练作业，因此从AI Gallery订阅完成后，需在ModelArts管理控制台执行同步操作。同步成功后，下方界面中的“创建训练作业”按钮可用，且状态变更为“就绪”。 **图3** 同步算法  #### 使用订阅算法创建训练作业 算法订阅成功后，算法将呈现在“算法管理>我的订阅”中，您可以使用订阅的“强化学习预置算法”算法创建训练作业，获得模型。 1. 进入“算法管理>我的订阅”页面，选择订阅的“强化学习预置算法”算法，单击左侧的小三角展开算法，在版本列表中，单击“创建训练作业”。 **图4** 创建训练作业  2. 在创建训练作业页面，参考如下说明填写关键参数。 - “算法来源”：系统默认选择步骤[1](https://support.huaweicloud.com/bestpractice-modelarts/modelarts_10_0033.html#modelarts_10_0033__li15495195512168)订阅的算法，请勿随意修改。 - “训练输入”：由于本场景选择内置环境，无需数据输入。此处请选择一个OBS空目录。 - “训练输出”：选择一个OBS空目录存储训练输出的模型。 - “调优参数”：系统默认的环境ID为“CartPole-v0”，即我们想要训练的环境，无需修改。由于本示例使用的是内置环境，“use\_preset\_env”参数需设置为“True”。其他参数在本示例中建议采用默认值。 - “资源池”：建议选择CPU规格的资源池，例如“modelarts.vm.train.cpu.8u”规格。 **图5** 训练作业参数  **图6** 调优参数配置  3. 参数填写完成后，单击“下一步”，根据界面提示完成训练作业创建。 4. 进入“训练管理>训练作业”页面，等待训练作业完成。 训练作业运行需要几分钟时间，请耐心等待。根据经验，此样例在5分钟左右完成训练。 当训练作业的状态变更为“运行成功”时，表示已运行结束。您可以单击训练作业名称，进入详情页面，了解训练作业的“配置信息”、“日志”、“资源占用情况”等信息。您也可以在配置的“训练输出位置”对应的OBS目录下获得训练生成的模型。 #### 导入模型 1. 在ModelArts管理控制台，选择“模型管理 > 模型”。 2. 在模型列表页面，单击“导入”。进入导入模型页面，参考如下说明填写关键参数。 “元模型来源”：选择“从训练中选择”。然后在“选择训练作业”右侧下拉框中选择上一步创建的训练作业。 **图7** 从训练中选择模型  3. 模型导入参数填写完成后，单击“立即创建”。页面自动跳转至模型列表页面，等待模型导入结果。 当模型的状态变为“正常”时，表示模型导入成功。 **图8** 模型导入成功  #### 部署为在线服务 模型导入成功后，可将此模型部署为在线服务，部署完成后即可在ModelArts管理控制台进行预测。 1. 在模型列表中，单击操作列的“部署 > 在线服务”。 **图9** 部署模型  2. 在部署页面，参考如下说明填写关键参数。 “资源池”：选择“公共资源池”。 “选择模型及配置”：“模型”及“版本”会自动选择前面导入的模型。“计算节点规格”，在下拉框中选择CPU或GPU，本示例选择CPU资源进行部署。计算节点个数，需设置为“1”，目前仅支持单机部署，只能设置为“1”，不可修改。 其他参数可使用默认值。 **图10** 部署模型参数  3. 参数设置完成后，单击“下一步”，根据界面提示，完成在线服务的部署。 您可以进入“在线服务”列表页面，等待服务部署结束，当服务状态变为“运行中”时，表示服务部署成功。 4. 在线服务部署完成后，您可以单击服务名称进入服务详情页。 - **访问服务**：了解“调用指南”，获取“API接口地址”，了解“输入参数”和“输出参数”，可通过postman或使用curl命令发送请求，[访问在线服务](https://support.huaweicloud.com/engineers-modelarts/modelarts_23_0063.html)。 **图11** 调用指南  **预测**：单击“预测”页签，输入相应的参数或代码，单击“预测”即可看到运行结果，具体格式及要求参考算法说明文档。给出一组可用于推理预测的标准示例数据及格式，如下所示： {"seq\_lens": \[0\],"is\_training": "False","observations": \[\[0.02160617659181513,0.022702596137138,\-0.026817784180154104,0.04523499832683836\]\]} 说明： 在线部署推理仅为单步预测，如果想实现完整的游戏推理，需要使用训练保存的模型或调用在线服务API的方式，编写相应的推理程序。 **图12 **预测结果  到这里全过程结束