当你走在大街上，迎面窜出来一只狗。这时候，你的大脑会告诉你，这是一只狗，而且可能具有攻击性，请远离它。对周遭任何环境的变化进行感知，是我们与生俱来的能力。
那么，你有没有想过，你的大脑是如何判断出来这是一只狗的呢？即使你从未与这只狗见过面，也不晓得它的品种，但你过去“阅”狗无数，同样与生俱来的学习能力，让你可以根据它的大概轮廓外形、外貌长相，甚至奔跑的速度，就能判断这是一只狗。
而如果换作是近些年帮助人类做许多事情的AI，识别出来一只狗的难度可能要超乎你的想象。比如，我们让一只哈士奇分别展现一下正面、背面、侧面，亦或者让它躺下、坐下、直立，AI识别这些可能都很无奈，那么，你就需要告诉AI：这些都是哈士奇。
众所周知，世界上可能有很类似的拆家方式，但并没有两只完全一样的哈士奇，所以，你还需要让AI见识更多的哈士奇、见识更多的狗，让它能够对于狗有一个判断，这叫长见识，也叫学习。对于AI来说，各种姿势和各种拆家方式的哈士奇都是数据，也是AI的训练集，只有经历了长时间、多模型的训练之后，AI才能真正拥有“智能”。
AI是如何看世界的？
当我们在公司出入工区，有些人需要刷卡，有些人则很潇洒地走到闸机跟前，闸机就自动打开了。这是因为闸机有人工智能的加持，它能够获取经过的人脸，再用人脸识别的算法去认证，在闸机眼前，你就成了“最潇洒的仔”；当我们在一些电商平台购物，跟客服沟通的过程中，你会发现你给的一些问题，客服能够很快地进行回复，但这时候如果你仔细体会，你可能会发现，其实跟你聊天的并不是一个人，这是NLP技术在聊天机器人的一个应用；当我们在微信上接到语音信息后，机器可以把声音转化成文字，并呈现到屏幕上 。
在我们日常生活中，AI早已经走进了我们身边，并观察着我们的“一举一动”。但我们所知的并非是AI 的全部，AI在各行各业，都发挥着越来越大的作用。
◉ 在金融领域，许多量化交易的公司，用AI算法从事股票买卖。保险公司在对购买保险的人进行评估时，会用AI算法来评估风险；
◉ 在制造业，AI也有着许多应用，比如在联想自身的工厂，通过计算机视觉技术监测笔记本、手机的屏幕缺陷；
◉ 在科学研究方面，一些科学家利用AI做灾难预测，还有一些科学家利用AI发现新材料和新化学品。
那么，AI到底是什么原理呢？我们以计算机视觉技术与人眼作比较，当人眼看到一只狗，这只狗会先进入我们的眼睛，经过视网膜成像，这张照片再经由大脑后方的视神经去解读、去“认证”这到底是不是一只狗，这个过程其实是神经在传导信息，神经元与神经元之间的连接相当复杂。而如何让AI借鉴人的神经去设计，其中就涉及到一个经典的模型——卷积神经网络。
所谓卷积神经网络，其实是拿卷积运算去模拟神经元的连接，当一张图经过许多卷积运算之后，会生成新的一层网络，然后再重复这个过程，一直到最后一层输出一个结果。这个结果就是AI对于一只狗的确认率，比如，AI会告诉你，你拍摄的这张图像有90%的概率是一只狗子，因为从它对这只狗的认知来说，它也不能确定肯定以及一定地告诉你。整个计算过程，从最开始，AI可能辨别的是一些很基础的信息或者特征，比如狗的轮廓，越往后，其识别的信息或者特征越复杂，比如，这只狗的毛色、品种，或者它识别出这是一只狗的鼻子或者耳朵，直到最后，它拿到信息——这是不是一只狗，这就是AI看待世界的一种方式。
当然，不管我们如何去用AI算法去模拟人的神经，对比真正的神经元，它的计算单元的计算能力和单元之间的连接都相对比较“低配”。
如何让“低配”的模拟神经元拥有更高识别率地去认识一只狗，这就涉及到了“炼AI”。
如何炼AI，目前业界有两个观点。
一是以模型为中心，当前的人工智能模型只是比较复杂的统计和模式匹配，距离理想的人工智能还有很长的路要走。人工智能的进步依赖于模型的不断升级；
二是以数据为中心，一个机器学习团队80%的工作应该放在数据准备上，确保数据质量是最重要的工作。如果更多地强调以数据为中心而不是以模型为中心，那么机器学习的发展会更快。
如果把整个AI的开发者看作是一个金字塔结构，那么金字塔塔尖的可能是名校的博士或者是大厂的资深研究员，他们更适合去设计出更好的模型；金字塔中下部的人，则应该把更多的精力放在以数据为中心，更好地准备数据、处理数据，标注数据之后使用别人做好的模型进行训练，让这些模型在各行各业发挥更多作用，这种做法会更有效率。
“炼AI”不仅是一个动词，还是一个名词，联想研究院通过自研，开发出了一款开发AI的平台，叫作“炼AI大师”。炼AI大师既支持能看懂Python代码的专家级用户使用，也支持没有太多经验的用户去训练AI。
