以“圖像分類”舉例，比如說你想做一個花卉識別的訓練模型，那么你需要上傳一些花卉的數據樣本，也就是你想要識別出的花卉的圖片，比如向日葵、水仙、玫瑰等等。

我之前曾經寫文章聊過對AI的理解。

手機里的AI拍照越來越智能;

在衡量深度學習的加速性能時，主要通過兩個指標來衡量，一個是吞吐量，即單位時間內處理的數據量;另一個是收斂時間，即達到一定的收斂精度所需的時間。

但即便如此，我也全然沒有想到，當ModelArts實操上手后，它的“普惠性”竟然可以達到人人可以上手的程度。

去年我寫了一篇關于人工智能的文章，在其中為了深入淺出解釋AI究竟是什么，以及AI將會從哪種層面上改變人類的文明，我講了著名的“嚇尿理論”。

進入ModelArts開發平臺界面后，會有彈窗提示，你可以查看其簡易的操作流程。

畢竟，吃到肚子里的面包，才算是真正的營養。

但由于我今天采用的是“零基礎”和“無門檻”視角，所以我只展示“即便一個小學生都可以操作訓練的模型”。

是的，你沒有聽錯，是人人可以上手。

拿AI來說，對于我身邊的絕大部分朋友來說，這都是一樣“知其然而不知其所以然”的東西。

2018年曾被寄予厚望，被稱作是“人工智能元年”。

但是。

剛才我說過，在這個時代真正可以面向每一個人的AI開發平臺，應該做到收放自如的彈性，無論是面對高階開發者，還是入門級開發者，甚至是完全和行業無關的門外漢，都可以滿足其不同層級的需求。

我身邊的很多創業者，本身并不是開發者，歐洲服務器租用 云服務器，他們不懂代碼，不懂神經網絡，也不懂深度學習，但他們對人工智能有可能帶來的提效降本有根本性的需求。像華為云的ModelArts這樣的AI發開平臺，才能滿足他們在專業技能有限的前提，依然可以定制化自我需求的可能性。

是的，的確可以有這樣的操作。

而在AI全面降臨的時代里，并不是說它無處不在就已經是足夠極致的體現了，而是當每一個普通人都可以根據自己的需求，來完成AI的定制化需求的時候，這才是這個工具真正井噴的時刻。

接下來，我將以一個“零基礎”使用者的視角，來做一個粗略的ModelArts體驗。

近期BigGAN、NASNet、BERT等模型的出現，預示著訓練更好精度的模型需要更強大的計算資源。未來隨著模型的增大、數據量的增加，深度學習訓練的加速性能則成為了重中之重。

讀書的時候學習寫作，語文老師總會和我們講白居易的故事，說他寫好一首詩都要讀給村口的老太太聽，她能聽得懂才算是一首好詩。

技術究竟是否需要“雅俗共賞”呢？

再接下來就是上周，在斯坦福大學發布了DAWNBenchmark的最新成績中，華為云ModelArts排名世界第一，僅需10分28秒，比第二名提升近44%。