在近来的大会上，微软反复强调其全新的世界观“智能云&智能边缘”。在移动互联网时代掉队的微软，似乎要以这个新口号在人工智能时代脱胎换骨。然而，以Windows操作系统起家的微软，并没有放弃“系统”。2017年，微软定位北京，成立了微软亚洲研究院-微软（亚洲）互联网工程院人工智能系统联合中心，旨在为微软的AI生态搭建最核心、最基础的系统平台。

（微软微软全球执行副总裁、人工智能及微软研究事业部负责人沈向洋博士在微软2018人工智能大会）

6月20日，微软亚洲研究院副院长、人工智能系统联合中心负责人周礼栋以及其团队召开了一次深度workshop，介绍微软如何做“人工智能时代的系统创新”。

何为系统？微软给出的定义是系统就是把零散、复杂的个体组织成有序的整体。在计算机领域，不妨将这个抽象又简单的名词理解为平台。“一直以来，微软都是一个平台公司，从早期的操作系统、数据库，到云平台、分布式系统，其实都可以被称为‘系统’。”

PC时代有操作系统，互联网时代有分布式系统，AI对系统提出了新的要求。现阶段的人工智能有三个非常重要的支柱点——大数据、新算法和大计算。而“系统”作为连接数据和算法的纽带，是一个不为大众所熟知的关键要素，一个好的系统可以有效支撑AI应用的架构、开发、部署和落地。

周礼栋介绍道，微软人工智能系统联合中心要做一个全栈的AI平台（AI Stack），可以为AI开发者提供全方位支持，让广大AI开发者、AI应用背后的技术团队，让他们在开发AI应用时更加得心应手，没有后顾之忧，目前主要分为三个层次：

一、AI计算能力

从硬件到基础设施再到管理系统全部覆盖，充分利用GPU、FPGA等新兴技术，以及云计算、大数据等现有的相对成熟的大规模分布式系统，让AI的计算能力实现价值最大化。

二、AI平台中间层

其中包括编程语言、各种工具包等，供开发AI算法的人使用，为他们提供完善的开发和运行环境。

三、AI算法

提供成熟的AI算法供应用开发者使用，例如让微软认知工具包CNTK与TensorFlow、Caffe等框架实现灵活转换，在一种框架下训练好的模型，可以在另一种框架下无缝使用，并将更多算法集成到Visual Studio中去。

全栈AI平台（AI Stack）体现了微软的系统理念，连接底层技术和工具包直接提升开发者进行深度学习开发、模型训练的效率，但是对于开发者来说整个系统又像是无形的、不可见的。这样的系统思路有助于实现“AI普及化”，打造一个通用AI平台的目标。当然，目前还需要各个层面的协同发展。

在AI计算能力方面，英特尔、谷歌等主要发力AI芯片，微软则强调Azure智能云。Azure智能云汇聚了微软在人工智能领域的大量投入与技术积累，是开发、部署、运行人工智能的云平台，同时也是将智能云与智能边缘融会贯通的关键环节。微软一直在拓展Azure的功能。

Azure目前有四个方面：公有云Azure、混合云Azure Stack、物联网Azure IoT Edge和Azure Sphere，以这四个方面打造出完整的计算环境，支持全新应用场景。

在AI平台中间层，微软已有多种工具：Project Brainwave 、ML.NET、ONNX、OpenPAI、Tools for AI、NNI等，都旨在提供更简易、高效的人工智能开发工具。

微软于2017年发布的Project Brainwave能利用Azure上的FPGA基础架构完成实时的人工智能处理。用户只需要通过实时的单一批数据，就能得到以往需要多得多的批量数据处理才能得到的结果。

在Build 2018微软全球开发者大会上，微软宣布推出跨平台、开源机器学习框架ML.NET的预览版。ML.NET让任何开发者都能开发出自己的定制化机器学习模型，并将其融入到自己的应用中去——开发者完全无需具备开发和调试机器学习模型的经验。

在随后的微软2018人工智能大会上，微软介绍了两个新的工具：Open Platform for AI（OpenPAI）和Tools for AI。

OpenPAI由微软亚洲研究院和微软（亚洲）互联网工程院联合研发，旨在为深度学习提供一个深度定制和优化的人工智能集群管理平台，其支持多种深度学习、机器学习及大数据任务，可提供大规模GPU集群调度、集群监控、任务监控、分布式存储等功能。

Tools for AI也是中国团队打造，为开发者提供了一个全平台、全软件产品生命周期、支持各种深度学习框架的开发套件。开发者可以通过熟悉的Visual Studio和Visual Studio Code开发工具，快速开发深度学习相关的程序。Tools for AI的一键安装功能可以帮助开发者配置深度学习的开发环境，配合Visual Studio (Code)自带的Python语言开发功能，开发者可以方便地编辑和调试基于CNTK、TensorFlow、PyTorch等主流深度学习框架下构建的深度学习训练程序。

除了以上已经发布的工具外，微软亚洲研究院资深研究员伍鸣和研究员薛卉在workshop现场演示了微软在人工智能系统上的创新。

伍鸣展示了三种深度学习框架后端优化路径，第一种是一种硬件网络技术RDMA网卡，目前许多以深度学习为目标应用的GPU集群都部署了这样的网络。为了更好地利用如RDMA、NVLink等的高速网络硬件的能力，微软设计了一种零拷贝通信机制，将Tensor数据直接传输到接收端。经过在TensorFlow上的实验，该方法在一系列神经网络模型上的收敛速度提高2-8倍。第二种是内核融合，其主要思路是如何自动对任意深度学习网络模型实施优化，提升单个计算单元运算效率，实现约10倍左右的性能加速。第三种是扩展TensorFlow API，使用户可以在模型脚本中直接控制压缩和量化，另一个思路是将输入数据异步拷贝到CPU中，掩盖数据拷贝的开销，这种做法需要和内核融合结合。

研究员薛卉介绍了其开发的NNI。薛卉原本从事自然语言处理，在加入系统组后，从自身在上层技术领域进行科研工作的切身体会出发，和微软亚洲研究院首席研究员杨懋一起开发了名为Neural Network Intelligence（NNI）的底层框架。NNI项目源起于传统机器学习开发的繁琐流程，特别是深度学习目前还处于黑箱状态，研究人员往往需要花费大量的时间进行模型选择和超参数调试。NNI的诞生不仅可以支持不同的操作系统和编程语言，自动地帮助使用者完成数据分析、模型比对、参数调试和性能分析工作，还能方便使用者将模型运行在不同的分布式系统上。近期，NNI就会以开源工具包的形式对外发布，这将给研究、开发人员更多尝试创新的可能性，加快科研和技术发展的脚步。

做系统最重要的是易用性，微软以上的项目通过系统的优化、创新，能够赋能更多科研人员、开发者和实践者。

目前除了微软，其他巨头公司也在积极推广人工智能系统/平台，英特尔有其“人工智能全栈解决方案”，囊括了芯片、处理器、数据库、开源软件工具等；苹果有机器学习框架Core ML、Create ML、对话式人工智能Siri。未来，人工智能时代的标志性系统究竟是什么样？还需要我们继续探索。