為積極應對應用領域分佈更為多元和廣泛的新局面，構建以開源平臺為核心的基礎設施，營造基礎資料、專用晶片、演算法框架和應用一體化的開放式生態系統，正成為新一代人工智慧產業整合創新資源、提升創新效率的關鍵支撐。在資料處理與分析能力、訓練效率與穩定性，以及適用範圍和使用者群體等方面，人工智慧開源平臺仍在持續加快完善步伐，以更有效地推動新一代人工智慧與國民經濟社會各產業、各領域深度融合創新。
人工智慧
嵌入式感知系統集成了可以定製多種影片、影象、語音的感測器和資料處理平臺，發揮著“前端智慧”的重要作用。隨著技術能力的日益成熟，嵌入式感知系統已能夠將影片影象等非結構化資料實時轉化為便於進行決策分析的高質量結構化資料，不僅有效減輕海量原始資料的傳輸、計算及儲存壓力，且大幅提升資料的整體分析效率，更為迅速地形成與需求匹配的智慧化解決方案。目前，嵌入式感知系統已在智慧安防、智慧醫療、智慧駕駛等對資料預處理要求較高的領域得到應用，透過對資料的實時過濾及轉化，實現了以較低的計算和網路資源消耗來及時滿足使用者日趨擴張的多樣性、多元化需求，顯著增強了人工智慧開源平臺面對現實世界問題的實時響應能力。例如，微軟釋出了最新的一款旨在加速實時人工智慧計算的硬體架構Project Brainwave預覽版，能夠部署在微軟雲平臺Azu re和邊緣裝置上，還能夠支援谷歌的丁ensorFlow平臺，為使用者提供更加高效和低成本的人工智慧解決方案。
在圖形處理器（GPU ）、現場可程式設計門陣列（FPGA）、專用積體電路（ASIC ）等人工智慧晶片的支援下，各開源平臺已普遍構建起大規模的平行計算框架，面對文字、語音、影象、影片等各類日漸爆發式增長的海量資料，透過切分的方式開展並行訓練，最大限度地縮短自身智慧水平的升級時間。目前，平行計算已逐漸從基礎的資料切分發展為模組化的模型拆分，從資料並行訓練發展到模型並行訓練，一個超大模型的訓}練時間已可縮短到原本的三分之二，推動開源平臺的資料分析和處理效率持續上升，有助於進一步挖掘更為豐富的資料價值，形成更符合應用實踐需求的智慧化解決方案。同時，部分開源平臺已能夠對平行計算能力進行實時調配，自動適配閒置、忙碌等不同計算狀態，在算力顯著上升的同時也進一步增強了平臺執行的穩定性。例如，谷歌的丁ensorFlow開源平臺使用資料流圖將演算法進一步模組化，可以根據模型大小，搭載單一或多個CPU和GPU的系統，資料處理效率較之以往提升了16%，並進一步降低了能耗，能夠在移動裝置上執行。
