一、人工智能常用的开发框架
人工智能常用的开发框架如下：
1、TensorFlow
TensorFlow是人工智能领域最常用的框架，是一个使用数据流图进行数值计算的开源软件，该框架允许在任何CPU或GPU上进行计算，无论是台式机、服务器还是移动设备都支持。该框架使用C++和Python作为编程语言，简单易学。
2、微软的CNTK
CNTK是一款开源深度学习工具包，是一个提高模块化和维护分离计算网络，提供学习算法和模型描述的库，可以同时利用多台服务器，速度比TensorFlow快，主要使用C++作为编程语言。
3、Theano
Theano是一个强大的Python库，该库使用GPU来执行数据密集型计算，操作效率很高，常被用于为大规模的计算密集型操作提供动力。
4、Caffe
Caffe是一个强大的深度学习框架，主要采用C++作为编程语言，深度学习速度非常快，借助Caffe，可以非常轻松地构建用于图像分类的卷积神经网络。
5、Keras
Keras是一个用Python编写的开源的神经网络库，与TensorFlow、CNTK和Theano不同，它是作为一个接口，提供高层次的抽象，让神经网络的配置变得简单。
6、Torch
Torch是一个用于科学和数值的开源机器学习库，主要采用C语言作为编程语言，它是基于Lua的库，通过提供大量的算法，更易于深入学习研究，提高了效率和速度。它有一个强大的n维数组，有助于切片和索引之类的操作。除此之外，还提供了线性代数程序和神经网络模型。
7、Accord.NET
Accord.NET框架是一个NET机器学习框架，主要使用C#作为编程语言，该框架可以有效地处理数值优化、人工神经网络，甚至是可视化，除此之外，Accord.NET对计算机视觉和信号处理功能非常强大，同时也使得算法的实现变得简单。
二、人工智能的技术架构包括
(1)基础层。基础层一般由软硬件设施以及数据服务组成。软件设施主要包括智能云平台和大数据平台，比如国外的谷歌大数据平台和国内的百度智能云平台等；硬件设施主要包括CPU硬件及芯片，美国的高通和苹果都是这个领域的代表企业；数据服务包括通用数据和行业数据，由于大部分已经积累海量数据的互联网企业不会对外分享数据资源，故市场上出现了很多第三方数据提供企业，典型代表就是国内海天瑞声技术公司以及国外的CrowdFlower数据服务公司。目前，我国在基础层这个层面还比较薄弱。(2)技术层。技术层由基础框架、算法模型以及通用技术组成。基础框架主要指分布式存储和分布式计算，同时也是大数据技术的基础；算法模型分为机器学习、深度学习以及强化学习，其中机器学习是实现人工智能的一种重要手段，例如生活中常用到的iPhone手机的Siri助手以及高速公路收费站点的ETC车牌识别系统都是运用了机器学习的算法，深度学习和强化学习则是机器学习的技术之一，最典型的运用代表就是谷歌公司开发的阿尔法围棋机器人（AlphaGO）；通用技术有自然语言处理、智能语言、计算机视觉等，我国现在在这个领域已经达到了世界上中上水平，代表企业有科大讯飞和依图网络科技等。(3)应用层。应用层主要包括应用平台和智能产品，应用平台主要是各种智能操作系统，如美国的IOS系统和安卓系统，以及国内的华为鸿蒙系统等；智能产品包括像人脸识别、智能客服、无人驾驶等运用了人工智能技术的设施设备。近来十几年，我国在这个层面的发展呈爆发式的趋势，涉及的领域有零售产业、金融产业、电商服务、安保工作、教育产业等。
人工智能（ArtificialIntelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
三、华为的人工智能处理器是什么意思
华为的人工智能处理器意思是指华为推出的华为升腾芯片。包括升腾910和升腾310处理器，采用自家的达芬奇架构。
升腾910支持全场景人工智能应用，而升腾310主要用在边缘计算等低功耗的领域。
华为自己开创了一个新的架构，要有极致功耗和散热，可以全场景覆盖。华为在人工智能处理器上与寒武纪进行合作采用过后者的架构。
扩展资料
AI的许多数据处理涉及矩阵乘法和加法。大量并行工作的GPU提供了一种廉价的方法，但缺点是更高的功率。具有内置DSP模块和本地存储器的FPGA更节能，但通常更昂贵。
技术手段方面AI市场的第一颗芯片包括现成的CPU，GPU，FPGA和DSP的各种组合。虽然新设计正在由诸如英特尔、谷歌、英伟达、高通，以及IBM等公司开发，但还不清楚哪家的方法会胜出。似乎至少需要一个CPU来控制这些系统，但是当流数据并行化时，就会需要各种类型的协处理器。
参考资料来源：百度百科-AI芯片
四、为什么人工智能用的是GPU
通常在我们的映像中，计算机处理运算的，都是cpu，但人工智能的运算使用的是gpu，图形处理器(英语：GraphicsProcessingUnit，缩写：GPU)，又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备(如平板电脑、智能手机等)上图像运算工作的微处理器。
在GPU设计之初，并非针对深度学习，而是图形加速，在NVIDIA推出CUDA架构之前，GPU并无太强对深度学习运算能力的支持。而如今，NVIDIA可以提供基于其GPU的从后端模型训练到前端推理应用的全套深度学习解决方案，一般的开发人员都可以非常容易地上手使用GPU进行深度学习开发，或者高性能运算。而CUDA架构的开发，耗费了NVIDIA巨大的人力物力。可以说，是CUDA这个中间层(computingframework)的优化，才使得开发者真正爱上了GPU，NVIDIA胜在软件。而CUDA还不能称之为算法，它只是计算硬件与算法之间的桥梁。
对于人工智能计算架构来说，一般可以归结为三类模式：CPU+ GPU，CPU+ FPGA，CPU+ ASIC(专用集成电路)。其中，应用于图形、图像处理领域的GPU可以并行处理大量数据，非常适合深度学习的高并行、高本地化数据场景，是目前主流的人工智能计算架构。
如果把科技产业划分为三个时代：PC时代、移动互联网时代和AI时代。目前，我们处于移动互联网时代的末期和下一个时代的早期，即以深度学习、无人驾驶为主的AI时代。时代转变会引起一系列的变化。
