1. 框架选择开发AI的第一步，是选择合适的开发框架。所谓框架（Framework），是指整个或部分系统的可重用设计。好比别人搭好了舞台，而我们只用关注节目本身。有无框架，做起事情来完全是两个概念。在编程领域，有一句广为流传的名言：“不要重复发明轮子(Reinventing the wheel)”。这句话的意思是，如果某个领域已经有成熟的解决方案了，那么除非特殊情况（知识产权、KPI、学习研究等等），我们不妨在别人已经搭好的框架上创作内容。众所周知，编程领域是一个节奏极快，竞争极其激烈的领域。当你在重新发明轮子的时候，别人可能已经用现有的轮子造出跑车了。对于AI开发而言，现在也有了一系列开发框架可供选择，它们来自学者、巨头厂商和开源社区。比方说最著名的几种：Google的TensorFlow、微软的CNTK、加州大学伯克利分校研发的Caffe，Facebook的PyTorch和Caffe2、Skymind公司维护的Deeplearning4j等等。有成熟的框架是一件造福大众的好事儿，但问题来了：众多框架纷繁复杂，你该如何选择？这些框架支持的语言不同，它们的速度也不同，可拓展性和易用性也不同。目前，关于各种框架的对比在维基百科上居然有了专属的页面，与之相关的文章更是可以搜出一大筐。如此琳琅满目的轮子，你选哪一家？
3. 训练场地选好了合适的开发框架，完成了环境部署，还剩下最重要的一环就是AI的训练。无论是微软的小冰，还是苹果的Siri，程序员往往喜欢给AI起一个名字。这种明显的拟人化特征并不完全是一种商业需要，还由于AI的开发过程和训练一个人类的过程极其相似。你需要提供合适的场地（计算平台）、充足的食物（数据），在亿万次的试错、修正之后，才会有真正有价值的AI。而这个过程中，最显著的特征便是：“计算密集型”。这种密集包括数据和算力两个层面。首先是数据。AI需要庞大的数据作为支撑，特别是自然语言处理、图像识别等领域，一个拥有充足数据量的资料库是AI训练的基础。然而这样的数据库可能未必有现成的，即使有，也需要根据自己的需求对数据进行整理，俗称“数据清洗”。例如微软的小冰，其研发团队大概花了三个月左右时间来补充小冰的整个语料库——差不多几亿条。早在十几年前，Google为了提升自己的验证码识别技术，就从全球各地截取了无数的街道路牌和门牌号码，用于建立自己的训练库。而DeepMind在训练初代“AlphaGo”的时候，也用了几千盘人类棋手的对局棋谱。数据好比AI的食物，在某种层面上，“You are what you eat”这句话对AI来说同样成立。其次要考虑算力。算法决定了AI的上限，但算力决定了AI能不能达到上限。AI对于算力的需求不仅巨大，而且增速极猛。OpenAI 今年5月发表的文章表明，自2012年以来，AI训练任务中使用的算力以指数形式增长，其目前速度为每3.5个月翻一番（相比之下，摩尔定律都还要18个月才翻一番）。并且自2012年以来，这一需求增长了超过300,000倍。对于AI开发者而言，数据和算力，则是两件不仅头痛（麻烦）、而且肉痛（昂贵）的事情。综上所述，假设我们都是替父编程的花木兰，那么，在框架选择时，我们就会被劝退一批(所以什么是最好的语言？手动doge)；到了环境部署，又会难倒一批（我曾经以为游戏开发是一件很爽的事情，直到我发现测试小姐姐要买多少台手机，你们可以了解一下）；等到最后的训练场地，基本上对于我这种穷人来说，就只能打出GG了。
即便把我关在果壳中，我仍然是无限空间之王！
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
照妖镜
