当AI专家去炼AI时，他们会在炼AI大师上先申请一个预先配置好环境的工作空间，工作空间可以灵活的搭配计算资源。然后他们就可以在工作空间中写代码和运行程序了。炼AI大师的工作空间可以由用户进一步的做环境定制化。如果用户需要在定制化后的环境下同时用不同的超参数分别运行代码，或者想把自己配置好的环境分享给同事去炼AI的话，那么可以在平台上对工作空间进行克隆、分享等操作，帮助AI专家节省环境配置的时间。
对于没有太多经验的用户，炼AI大师也能帮助他更好地炼AI。我们知道，数据、算力和算法是AI的三大基石。在数据处理方面，炼AI大师能够帮用户创建数据集，并支持多类不同的场景。这些场景分门别类针对AI的不同任务，以图片分类为例，辨别一只狗的图片到底是不是一只狗，或者说它是一只猫还是一只鸟，都属于图片分类的任务。再以图片分割为例，炼AI大师能够帮助你描绘一个图片里的人的轮廓。此外，还有检测一个物体在图片里的位置等不同的场景。
如果你想从宏观上了解数据集，炼AI大师独步江湖的数据可视化功能就派上用场了。用放大镜工具，你可以看到数据集里有什么数据，炼AI大师能帮用户将相似的图片聚在一起，当一堆鸟的照片中混进去一只猫，炼AI大师可以将这只猫单独“拎出来”。如果给某一个数据加上了某个标签，那么可以用标签传播功能给所有和这个数据相似的数据自动打上同样的标签。
我们在炼AI时分以下几步。第一步是训练，标准的训练流程要先训练模型，然后经过模型评估之后进入到部署阶段并提供API服务让别人使用。模型训练是个漫长的过程，为了解决这个问题，炼AI大师内置了分布式训练，比如用户可以使用20个GPU去训练一个模型，达到20倍的加速。
分布式训练的主要瓶颈在于通信开销，炼AI大师通过无等待后向传播，在计算的同时尽早发送数据，并且在发送数据时进行梯度压缩，减少通讯负载。还创新性的通过基于动态延迟的循梯度更新的策略，降低通信频率，实现了接近线性的加速比。
炼AI大师提供了快速的自动化模型搜索（AutoML）功能
通常情况下，AutoML搜索一个模型可能要好几天甚至好几周，联想研究院在设计炼AI大师时做了许多前期的工作。一般，大家是将常用的模块（比如卷积层）先做好，然后像搭积木一样组装，再用启发式的方式组装出符合目标大小、精度的模型。而炼AI大师在做这一步时，更进了一步，相当于先构造一个空间，在这个空间的每个关键点，都事先搜索出了模型的架构。当用户给到炼AI大师一个需求，炼AI大师就能看到用户的需求落在该空间的点，并匹配现有的、离其最近的架构，动态生成一个满足用户需求的模型结构。相比较一般的开发AI的平台，炼AI大师能够在更快的时间内搜索到一个满足用户需求的模型。
1963年，美国的两位科学家Held & Hein用两只猫做了一个实验。
他们将两只刚出生的猫分别放在两个不同的篮子里，左边的这只猫，在一个篮子里，双脚不挨地，不能自主行走；右边的这只猫双脚挨地，能够自由地左右行走或者转圈。当右边的猫行走时，它会带动左边的猫一起。
两个月之后，他们将两只猫“解救”了出来，右边的猫像正常的猫一样可以行走或者蹦跳，而左边的猫却跌跌撞撞，它不知道它的面前有没有障碍，如果把它放在高处，它会直接摔下去，尽管它的眼睛可以成像，但它无法理解它看到的东西，所以，这只猫跟瞎了没有什么区别。
这个实验告诉我们两个事情，第一，对于神经来说，反馈非常重要，当你与外界产生互动，外界的反馈会给你的大脑造成一些变化；第二，不管是人还是动物的神经元，他都会跟随外界的反馈产生连接，连接可以随着外界刺激建立，也可以随着刺激减少而断开，甚至有可能永久断开。
基于这个启发，炼AI大师做了一个模型压缩的工作，先对模型进行稀疏化操作，然后把权重很小的部分去掉。这样就可以在基本不损失精度的情况下将它的体积压缩到很小，比如，在一个具体的实验中，炼AI大师能够将一个100多兆的模型压缩到30多兆。
训练好模型后还需要一个模型评估的过程，将与训练集类似的新数据输入模型，模型测试会自动根据分类、目标检测等不同任务的评估指标，评估AI模型是否已经炼好。
已经炼好的模型可以在炼AI大师上直接一键启动服务并对外提供API调用，也可以下载SDK并部署到各种设备上。
炼AI大师不仅服务于联想自身从事算法开发的人员，也帮助联想的客户进行算力管理，一方面提高了客户的算力利用率，另一方面节约了客户运维和开发的人力。未来，联想希望，炼AI大师能够面向整个社会，让更多人、更多企业学会炼AI，让AI在更多的行业赋能，让世界变得越来越美好。
