人工智能的“加速器”
《人工智能基础与应用》教学课件—认知人工智能的基础支撑
算法——如深度学习、机器学习等，就是让计算机通过大量的数据
具备学习能力；
算力——每个聪明的人工智能系统背后都有一套强大的硬件系统，
用于计算处理大数据和执行先进算法的能力。
一、人工智能的核心驱动力
（一）人工智能的“加速器”——算力 什么是算力？
算力是人工智能的基础硬件层，为算法提供基础计算能力。涵盖：GPU、CPU、FPGA和各种 各样的ASIC专用芯片。
传统芯片及类脑芯片硬件信息比较
种类
特征 领域 企业
CPU
GPU
逻辑控制、串行 3D图像处理、密 运算等通用计算 集型并行运算
云端/终端推理 英特尔
云端训练
英伟达 Imagination
传统芯片 DSP
实现各种数字 信号处理算法
端侧推理 CEVA 中星微
FPGA
半定制IC、可编 程芯片
云端/终端推理 Xilinx 深鉴科技
和使用传统双核 CPU 在运算速度上的差距最大会达到近七十倍，解决了制约计算机视觉 发展的主要瓶颈。
一、人工智能的核心驱动力
（一）人工智能的“加速器”——算力
人工智能芯片的发展路径
两种发展路径：一种是延续传统计算架构，加速硬件计算能力，主要以 3 种类型的芯 片为代表，即 GPU、FPGA、ASIC，但 CPU依旧发挥着不可替代的作用；另一种是采用类 脑神经结构来提升计算能力，以IBM TrueNorth芯片为代表。
【教学要求】
1. 知识点
人工智能芯片的分类及特点 认知物联网和AIoT，以及云计算、5G的概念及应用 人工智能数据服务的采集、标注及统计分析
2. 重难点
通过本单元的学习，厘清机器学习、深度学习之间的关系及重点应用领域；了解 AIoT这一高频词的出现背景，思考人工智能技术与物联网在实际行业应用中的落 地融合；深刻理解数据、算法模型及场境应用的流程及相互关系，由此学习人工 智能数据服务的相关内容。
fpga人工智能应用案例
fpga人工智能应用案例FPGA人工智能应用案例人工智能（AI）的发展已经在各个领域产生了重大影响，而FPGA （现场可编程门阵列）作为一种高度可定制的硬件加速器，为人工智能应用提供了强大的计算性能和低延迟的特性。
下面是一些FPGA 人工智能应用案例的介绍：1. 语音识别：FPGA可用于实时语音识别系统，通过将复杂的语音处理算法硬件化，提供了低延迟和高性能。
例如，在智能音箱、语音助手和汽车语音控制系统中，FPGA可以实现实时的语音识别和语音指令响应。
2. 图像处理：FPGA可以用于实时图像处理和计算机视觉应用。
通过将图像处理算法和卷积神经网络（CNN）硬件化，FPGA可以提供高效的图像处理和实时识别功能。
这在安防监控、自动驾驶和医学影像分析等领域中非常有用。
3. 机器人控制：FPGA可以用于实时机器人控制和路径规划。
通过将机器人控制算法和强化学习算法硬件化，FPGA可以提供低延迟和高性能的机器人控制能力。
这在工业自动化、无人机和智能仓储机器人等领域中得到广泛应用。
4. 自然语言处理：FPGA可以用于实时自然语言处理和文本分析。
通过将自然语言处理算法和循环神经网络（RNN）硬件化，FPGA可以提供高效的自然语言处理和实时文本分析功能。
这在智能客服、文本情感分析和机器翻译等领域中非常有用。
5. 金融交易：FPGA可以用于高频交易和金融数据分析。
通过将金融交易算法和数据分析算法硬件化，FPGA可以提供低延迟和高性能的金融交易能力。
这在股票交易、期货交易和加密货币交易等领域中得到广泛应用。
6. 医疗诊断：FPGA可以用于医学图像处理和医疗诊断。
通过将医学图像处理算法和机器学习算法硬件化，FPGA可以提供高效的医学图像分析和实时诊断功能。
这在医学影像诊断、病理分析和基因测序等领域中非常有用。
7. 智能交通：FPGA可以用于智能交通系统和交通流优化。
通过将交通流优化算法和智能交通控制算法硬件化，FPGA可以提供低延迟和高性能的交通流优化能力。
相关加速器技术和应用
相关加速器技术和应用加速器技术是一种利用磁场和电场对粒子进行加速的技术。
在物理、化学、医学等领域有着广泛的应用。
近年来，随着互联网的发展，加速器技术也在互联网领域得到广泛的应用。
下面，我们将介绍一些加速器技术和它们的应用。
一、CDN加速器CDN（Content Delivery Network）是一种分布式部署的服务器网络，在不同的地区提供同样的网站内容，并且能够根据网络拓扑结构和网络质量选择最优的服务器来响应请求。
CDN加速器通过将网站的内容缓存在全球各个节点上，使得用户能够更快地访问网站。
同时，CDN加速器还支持流媒体分发、动态内容分发、HTTPS传输等功能，为提升网站用户体验提供了保障。
二、网络加速器网络加速器是一种基于优化网络传输协议的技术。
通过压缩数据、减少重复传输数据、使用多个传输通道等技术手段，网络加速器能够提高数据传输速度，减少网络延迟。
网络加速器的应用场景包括网络游戏、视频会议、远程办公等。
网络加速器能够改善网络传输效率，提高用户体验，为用户提供更快、更便捷的网络服务。
三、GPU加速器GPU（Graphic Processing Unit）加速器是一种基于GPU的并行计算技术。
GPU加速器可以将计算任务分解为多个子任务，由GPU并行地执行，从而提高计算速度。
GPU加速器的应用场景包括图像处理、视频编码、深度学习等。
GPU加速器能够提高计算速度，缩短处理时间，为用户提供更高效、更快速的计算服务。
四、人工智能加速器人工智能加速器是一种基于专用硬件的加速器，能够加速机器学习、深度学习、自然语言处理等人工智能算法。
人工智能加速器的应用场景包括图像识别、语音识别、自动驾驶等。
人工智能加速器的出现大大提高了人工智能算法的计算速度和效率，促进了人工智能技术在各个领域的广泛应用。
五、业务加速器业务加速器是一种基于网络代理技术的加速器，能够将企业内部应用和服务快速接入互联网，并提高其性能。
业务加速器的应用场景包括企业数据中心、云计算服务、移动办公等。
计算机硬件的发展历程和未来趋势
计算机硬件的发展历程和未来趋势计算机硬件是计算机系统中的重要组成部分。
它经历了长期的发展和演化，从最早的机械计算机到现代高性能计算机，扮演着至关重要的角色。
本文将探讨计算机硬件的发展历程以及展望未来的趋势。
一、计算机硬件的发展历程1. 机械计算机时代机械计算机是计算机硬件的起源，早在19世纪末就出现了差分机和解析机等机械设备。
这些机械计算机通过齿轮和滑轨等物理结构实现数据的处理和运算，尽管速度较慢，但为计算机硬件的发展奠定了基础。
2. 电子管时代20世纪40年代，随着电子技术的进步，电子管赋予了计算机硬件更高的处理速度和更大的功能扩展性。
ENIAC是第一台电子管计算机，它使用了数千个电子管，但体积庞大且功耗高。
接着，UNIVAC-1和IBM 650等计算机相继问世，标志着电子管时代的到来。
3. 晶体管时代1950年代后期，发明了晶体管，这是计算机硬件发展的一个重要里程碑。
晶体管取代了电子管，它们更小巧、更可靠，并且功耗较低。
这种技术的突破使得计算机硬件可以更加紧凑和高效，从而进一步推动了计算机的普及和应用。
4. 集成电路时代1960年代中期，集成电路的发明使得更多的晶体管可以集成在一块芯片上。
这种制造技术的进步使得计算机硬件的性能急剧提升，成本也大幅降低。
1965年，摩尔定律被提出，预言了集成电路上可容纳的晶体管数量将每隔18至24个月翻一番，这一定律至今仍然有效。
5. 微处理器时代1971年，英特尔发布了第一款商用微处理器Intel 4004，标志着微处理器时代的开始。
微处理器是一种集成了运算器、控制器和存储器等功能的芯片，大大提高了计算机的性能和功能。
自此之后，微处理器不断进化，普及到个人电脑、服务器和移动设备等各个领域。
6. 多核时代随着技术的进步，单核处理器的频率和性能达到了瓶颈。
为了进一步提升计算机的处理能力，多核处理器应运而生。
多核处理器将多个核心集成在同一芯片上，使得计算机可以同时执行多个任务，提高了并行处理的效率。
电脑常见网络加速软件推荐
电脑常见网络加速软件推荐随着互联网的普及和电子设备的广泛应用，人们对网络速度的要求也越来越高。
在日常生活中，我们经常会遇到网络卡顿、视频缓冲慢等问题，而网络加速软件就成了解决这些问题的好帮手。
本文将为大家推荐几款常见的网络加速软件，希望能够帮助到大家。
一、腾讯电脑管家网络加速器腾讯电脑管家网络加速器是由腾讯公司推出的一款专业的网络加速软件。
它通过优化网络路径和提供丰富的节点资源，能够有效提升网络的速度和稳定性。
用户只需简单设置，即可享受更流畅的上网体验。
腾讯电脑管家网络加速器支持多种网络类型，包括电信、联通和移动等，适用范围广泛。
二、360网盘加速器360网盘加速器是由奇虎360公司推出的一款专业加速软件。
它主要针对360网盘用户，在上传和下载文件时提供加速服务。
360网盘加速器能够优化传输路线、提高传输速度，并且具备断点续传、智能压缩等功能，大大提升了文件传输效率。
无论是个人用户还是企业用户，都能够从中受益。
三、迅雷网络加速器迅雷网络加速器是迅雷公司推出的一款知名软件，广受用户欢迎。
它通过优化网络连接和加速下载，提供更高效的下载体验。
迅雷网络加速器支持多种协议和资源下载，包括HTTP、FTP、BT等，提供多节点下载，用户可以选择最快的下载源。
同时，它还具备防火墙穿透、加密传输等安全功能，保护用户的网络安全。
四、优酷加速器优酷加速器是由优酷公司推出的一款专业网络加速软件，主要用于优酷视频的播放加速。
优酷加速器提供了全球多个加速节点，能够根据用户的地理位置选择最佳的加速节点，有效提升视频的加载速度，避免视频卡顿和缓冲。
无论是观看高清视频还是直播节目，优酷加速器都能够提供更流畅的体验。
五、爱奇艺加速器爱奇艺加速器是由爱奇艺公司推出的一款网络加速软件，为用户提供更快速、稳定的视频播放服务。
爱奇艺加速器能够通过优化网络连接和提供多个加速节点，加快视频的加载速度，缩短视频缓冲时间，给用户带来更好的观影体验。
基于FPGA的人工智能加速器设计
设计基于FPGA的人工智能加速器是一种很好的选择，因为它具有高性能、低功耗和灵活性等特点。
下面是一些设计步骤：
1. 确定人工智能算法：首先，需要确定要加速的人工智能算法。
这可以是深度学习、机器学习、自然语言处理等。
2. 确定FPGA架构：根据算法的要求，确定FPGA的架构。
这可以是ASIC、FPGA、GPU等。
3. 设计流水线：根据算法的复杂度和FPGA的资源，设计流水线，以加速算法的执行。
4. 设计网络接口：根据算法的要求，设计网络接口，以支持数据传输。
5. 设计控制器：设计控制器，以控制FPGA的工作流程。
6. 实现算法：将算法实现为硬件描述语言（HDL）代码，并在FPGA上实现。
7. 调试和优化：进行调试和优化，以确保FPGA能够正确地加速算法。
总之，设计基于FPGA的人工智能加速器需要深入了解FPGA和人工智能算法的知识，并需要一定的硬件设计和调试经验。
人工智能加速器的设计与实现研究
人工智能加速器的设计与实现研究随着人类对科技的需求越来越高，人工智能技术的应用也越来越广泛。
而在人工智能的领域中，一种非常重要的技术就是人工智能加速器。
其作用就是能够大大提升人工智能应用的运算速度和效率。
本文将介绍人工智能加速器的设计与实现研究。
一、人工智能加速器的概念人工智能加速器是一种硬件设备，在人工智能系统中充当加速器的角色。
它可以帮助加速人工智能应用的算法运行，并提高性能效率。
通常，人工智能加速器集成了高端的人工智能芯片，通过硬件加速运算，可以在短时间内完成大量的复杂计算任务。
二、人工智能加速器的分类目前，人工智能加速器可以分为以下三类。
1、图形处理器(GPU)GPU最初被广泛应用在电子游戏和图形处理等领域，但随着时代的进步，GPU 也被广泛应用于人工智能计算领域中。
由于GPU设计为高度并行, 具有极高的吞吐量和效率，因此非常适合用于训练深度学习模型。
2、特定应用集成电路(ASIC)ASIC是一种专门为特定的应用开发的芯片。
此类芯片通常被用于特定的任务，如人工智能算法的运行。
与CPU和GPU相比，ASIC具有更高的效率和速度。
3、泛在计算环境下的可重构计算可重构计算设备是一种可编程硬件，允许在执行任务时动态地改变架构、算法以及数据流行为。
它们非常适用于深度学习和人工智能应用领域，因为使用可重构计算，可以动态地改变运算负载，满足不同应用的实时要求。
三、人工智能加速器的设计与实现研究1、设计思路人工智能加速器的设计主要是为了解决当前人工智能领域存在的瓶颈问题，比如：算法的运算速度和能耗问题。
人工智能加速器主要可以通过提高硬件运算的效率，来解决这些问题。
其中，最常见的加速器设计可以分为三个阶段：数据的读取、权值的计算和结果的输出。
在设计阶段中，需要考虑的主要因素包括内存、带宽、总线以及温度等。
2、实现方法实现人工智能加速器通常是通过将人工智能算法转化为硬件版本。
例如，设计者可以考虑使用互连网络和节点阵列，来模拟反馈型神经网络结构的计算过程。
人工智能硬件加速技术研究
人工智能硬件加速技术研究人工智能是现今最火热的领域之一，其在各个领域的应用也越来越广泛。
为了提高人工智能算法的运行效率，人工智能硬件加速技术得到了快速发展。
本文将从人工智能算法对硬件资源的需求入手，讲解人工智能硬件加速技术的原理及其应用。
近年来，随着深度学习的飞速发展，人工智能的算法也变得越来越复杂，需要更多的硬件资源去支持。
特别是在训练深度神经网络时，需要大量的计算资源，这导致了GPU的广泛应用。
GPU（Graphics Processing Unit）是一种可以进行图像处理的高速并行处理器，其结构非常适合深度学习中矩阵计算等大量并行计算任务。
然而，随着模型参数量的不断增加，GPU的运算效率也变得不足以支撑大规模深度学习训练，于是人工智能硬件加速技术应运而生，以提高深度学习算法的运行效率。
人工智能硬件加速技术的原理是通过定义特殊的硬件架构，将算法中的矩阵乘法等计算密集型操作转移到硬件平台上进行加速，从而实现对深度学习模型的快速训练和推理。
人工智能加速器芯片可以提供更快、更高效的计算能力。
它们可以使用各种不同的硬件架构去加速各种人工智能任务，例如，卷积神经网络、循环神经网络和语音识别等。
实现人工智能硬件加速技术的一种主要方式是制造专用的ASIC芯片。
ASIC （Application-Specific Integrated Circuit）芯片是为特定应用程序或行业领域而设计的集成电路。
它们的硬件架构能够针对特定的任务进行优化，以实现更高效的运行。
例如，Google的Tensor Processing Unit（TPU）就是一种专用的ASIC芯片，为深度学习任务提供了高效的计算功能。
除了ASIC，另一种实现人工智能硬件加速技术的方式是通过FPGA（Field-Programmable Gate Array）进行定制化编程。
FPGA是一种可编程逻辑电子元件，能够在设计后适应新的应用程序和从未预料到的任务。
人工智能 加速卡技术要求及测试方法
人工智能（本人）技术正在以前所未有的速度和规模融入人们的日常生活和商业领域。
加速卡作为实现本人技术高性能计算的重要组成部分，其要求和测试方法也愈发成为人们关注的焦点。
1. 了解人工智能加速卡技术要求人工智能加速卡是一种专门用于加速人工智能工作负载的硬件设备，它具有高性能、高吞吐量和低功耗的特点。
在实际应用中，人工智能加速卡的性能往往是企业和开发者们考虑的重要因素。
了解人工智能加速卡的技术要求是至关重要的。
在实际应用中，人工智能加速卡的技术要求包括但不限于：- 计算能力：要求能够高效地执行深度学习模型和大规模数据处理，需要强大的计算能力来支持复杂的人工智能算法。
- 内存带宽：高性能的人工智能加速卡需要具备足够的内存带宽，以保证数据的快速读写和处理。
- 低功耗设计：随着人工智能应用的不断普及和发展，对于能效的关注也日益增加。
低功耗设计成为人工智能加速卡技术要求的重要考量因素。
2. 测试方法为了评估人工智能加速卡的性能和符合技术要求的程度，需要进行一系列的测试和评估工作。
而测试方法的合理性和科学性对于评估结果的准确性和可靠性具有重要的影响。
有效的测试方法是确保人工智能加速卡技术要求得以满足的关键。
针对人工智能加速卡的技术要求，通常可以采用以下测试方法：- 计算能力测试：通过运行一系列的人工智能模型和算法，评估人工智能加速卡在执行计算密集型任务时的性能表现，包括计算速度、稳定性和功耗等指标。
- 内存带宽测试：利用数据传输速率和内存访问速度等指标来评估人工智能加速卡的内存带宽性能，以确保其满足高密度数据传输和处理的需求。
- 功耗测试：通过监测人工智能加速卡在执行不同工作负载时的功耗情况，评估其能效表现，以确保其低功耗设计得以有效实现。
3. 个人观点和理解就我个人来说，我认为人工智能加速卡技术要求及测试方法的重要性不言而喻。
随着人工智能技术的快速发展和广泛应用，对于高性能、低功耗的人工智能加速卡的需求将会持续增长，而相关的技术要求和测试方法也将更加成熟和规范。
AI技术的计算性能优化与加速技巧
AI技术的计算性能优化与加速技巧概述随着人工智能（Artificial Intelligence，AI）技术的不断发展，计算性能的提升变得至关重要。
在处理大规模数据和复杂算法时，如何优化计算性能成为了研究者和开发者们所面临的重要挑战。
本文将介绍一些用于优化和加速AI技术的计算性能的技巧，并探讨它们对于不同应用领域的影响。
一、高效使用硬件资源1. GPU加速：图形处理器（Graphics Processing Unit，GPU）是一种并行处理器，具备出色的并行计算性能。
通过利用GPU加速技术，可以将大部分繁重的计算任务转移到GPU上进行处理。
这样就可以释放CPU的负担，并且显著提高运行速度和效率。
2. 分布式计算：分布式计算是通过将任务划分为多个子任务，并在多台计算机上同时进行处理，从而实现更高效地完成计算任务。
借助分布式计算平台，我们可以充分利用现有硬件资源，并根据实际需求进行动态调度，以提高整体运行效率。
二、优化神经网络结构1. 裁剪不必要参数：神经网络通常具有大量的参数，在实际应用中，很多参数对结果的贡献较小。
通过裁剪掉这些不必要的参数，可以减少计算量和内存占用。
一种常见的方法是使用稀疏模型来压缩和精简网络结构。
2. 模型量化：模型量化是指将浮点数表示的权重和激活值转换为低位数表示（如8位整数或二进制），从而减少内存使用和计算量。
通过牺牲一定的模型精度，我们可以在保持性能的同时获得更高的计算速度和功耗优势。
三、加速训练过程1. 批次归一化：批次归一化（Batch Normalization）是一种有效地规范神经网络中间层输入分布的技术。
它可以避免梯度消失或爆炸问题，并加速训练过程。
批次归一化还使得网络对初始权重选择更加鲁棒，并且能够快速适应新的训练数据。
2. 分布式训练：通过将数据和任务分发到多台计算机上进行并行处理，分布式训练不仅可以加快训练速度，还能够提高模型的泛化能力。
同时，分布式训练还可以有效地处理大规模数据集和复杂任务。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
人工智能的“加速器”
作者：齐鹏
来源：《数字商业时代》2018年第10期
没有人能精确地说明这一轮人工智能的热潮到底是从哪个节点开始，但是能够肯定的一点是今天人工智能的发展已经形成了“多轮驱动”，而不在是早几年那个“单打独斗”、各自为战的时代。
日前，英特尔与南京大学宣布成立英特尔-南京大学人工智能联合研究中心就很好的印证了这一点。
南京大学周志华教授团队近期提出的“深度森林”算法在人工智能学术界和工业界受到广泛关注，并已在大型互联网金融企业实施。
比如，针对在网络交易方面是否存在套现的行为的监测，“深度森林”可以用少量的数据训练出不错的结果，直接可以解读交易的行为。
如今，双方的合作将加速“深度森林”这一创新成果的商业化，并加速人工智能技术创新和生态构建。
与此同时，也将推动人工智能人才的培养，比如，借助英特尔AI平台（包括硬件和软件）将AI技术用于解决实际问题的实践经验，进行以硬件和软件为导向的AI培训。
加速创新
尽管“深度森林”实现了人工智能的创新，但是，在周志华看来，这个“深度森林”模型的计算量非常大，普通的企业很难有匹配的技术条件去做一个大型的分布式去实现。
“如果能像今天的神经网络一样，大家买几块芯片插进设备就能实现人工智能的应用，何乐而不为？”周志华看到的不仅是双方共赢的机会，而且看到了未来人工智能将如何以一种简单的形态被应用的可能。
在周志华看来，人工智能一样没有“免費的午餐”，“任何一个模型都只适用于一定的范围，现在深度神经网络在图像、视频、语音的问题上特别有效，但是它并不能解决所有的问题。
” 周志华表示，“深度森林”的结构在符号数据、离散数据、混合建模上面有它的特长，如果能够进一步优化可能会做更多的事情。
“与英特尔的合作，有可能做到指令级的优化，或者直接芯片布局的优化。
”
不过，加速对“深度森林”的优化仍然有很多的挑战，比如，不能在同一芯片上做加速，因为AI应用的形态种类很多，有在前端的，有在云端的，有在边缘计算位置的，它们对功耗、尺寸、实时性、性能要求都不太一样。
英特尔目前给出的是全栈式的解决方案。
加速商业化
通过学院在算法上的突破，再接入企业的数据和应用，再加上英特尔在芯片上的设计，将帮助更多的商业领域实现人工智能“落地”，让其产生商业价值。
“对英特尔来说，我们核心的业务是硬件，以芯片的方式在出我们的产品，芯片上还会有一层层的软件的堆栈。
因为硬件的设计周期很长，我就要预先知道哪些潜在运算的模块是非常重要的，通过跟各个产业和学术界建联合实验室，来去运行他们认为比较重要的或者前瞻性的一些工作负载，可以对我们做硬件架构的设计提供很好的指导。
”英特尔中国研究院院长宋继强表示。
以英特尔-南京大学人工智能联合研究中心的成立为例，“深度森林”的具体算法是怎样的？它的性能指标、准确率、计算效率等等都是英特尔需要在芯片的设计方面考量的因素。
总之，通过与学院的联合，英特尔将获悉生产相关硬件产品，以及做架构设计的重要信息。
只有这样，才能推出面向商业更合适的硬件。
“比如说我们会给出硬件的平台多核处理器，再加上AI的平台。
英特尔的研发人员会和周教授他们团队一起来看怎么去优化某些算法，再下一步其实就是要看到底在哪些行业去用。
” 宋继强表示。
加速人才培养
比起合作对人工智能技术的研究突破，让周志华更为兴奋的是将为南京大学人工智能学院培养出兼具出色软硬件工程实现能力的人才。
“我们现在组里的几位研究生现在对这种底层硬件的理解和操作的能力，已经远远超过了我们一般课程培养出来的研究生。
”周志华解释，他们得到了英特尔的很多资深的工程师的指点。
“我们的学生虽只是在理论和算法上给他们支持，但是他们通过合作得到更多的硬件，软硬件有机结合的知识，这个人才培养已经看到效果。
”
按照南京大学学院的计划，未来还将加入智能芯片的课程。
“我们的老师就应该了解这个行业里面的最新的进展，而英特尔在这个方面应该说是在国际上最领先的企业之一。
那么通过这个合作之后，我们的老师在准备开设这样的课程的时候，就不光能够用到经典教科书里的内容，还可以跟学生讲述现在最新的发展甚至动向，这个对我们的人才培养无疑变成很大的优势。
”周志华如是说。
在周志华看来，未来合格的人工智能人才应该具备两个特质：第一，应该具有源头创新的能力；第二，应该具有能够解决企事业单位关键技术难题的能力。
对南京大学来说，就要做好人才基本素质培养的基础，首先要培养其扎实的数学基础，其次是培养扎实的计算和软件程序的基础，最后是培养出具有全面的人工智能的专业知识。