目前应用最为广泛，工程实践最丰富，研究最为火热的人工智能（Artificial Intelligence）方向就是深度学习（Deep Learning）。深度学习算法目前在计算机视觉，自然语言处理，语音识别等典型场景取得了超越传统算法的效果与突破性进展。应用与算法层面成功的背后离不开系统本身作为基础设施提供容易编程的接口，高效率的执行，大规模的训练，跨平台的部署和工具链的支持。
这里介绍的人工智能系统（Artificial Intelligence System，AISys）主要是指深度学习系统（Deep Learning System，DLSys）。深度学习算法本身无论从模型设计，训练方式也借鉴了很多传统机器学习算法的经典理论与实践方式，但是深度学习系统本身相比机器学习系统从硬件到软件层有更多新的挑战和新的演化，数据与问题规模变得更大，应用场景与部署也更加广泛。
知识内容大纲
通过以下内容展开介绍，以让开发者在开篇了解AI系统的来龙去脉，形成 AI 系统的系统化与层次化的初步理解，为后续展开具体的 AI 系统内容打好初步基础。
- 《AI现状与大模型》：通过人工智能去了解深度学习的历史，现状与发展，特别是大模型的出现对人工智能的冲击。
- 《AI发展驱动力》：介绍深度学习发展的驱动力，即算法，框架与体系结构与算力的发展，了解除了上层应用与算法，系统底层抽象与管理的硬件资源同样是AI系统中重要的组成因素。
- 《AI系统全栈架构》：系统常常处于中间层对上管理任务，对下抽象与管理硬件。AI系统也不例外，通过对AI系统全栈的组成与生态架构展示，让开发者形成系统的（Systematic）知识框架，为未来开展AI系统的学习奠定基础。
- 《AI系统样例》：通过简单实例启发开发者，去了解算法背后的AI系统性问题，体会AI系统给上层算法和底层硬件带来的作用。
- 《AI系统原则》：回顾经典的计算机系统设计理论并指导之后的AI系统的学习，了解影响AI系统设计的理论，原则与假设。
- 《大模型的到来》：大模型的重要意义在于它是AI向AGI（通用人工智能）演化过程中的最新成果与标志，相对于之前的AI系统，AI大模型有望成为数字基础设施。
转自-GitHub开源项目：DeepLearningSystem
