AI發(fā)展框架白皮書

No.202201AI框架發(fā)展白皮書(2022年)中國(guó)信息通信研究院2022年2月版權(quán)聲明本白皮書版權(quán)屬于中國(guó)信息通信研究院，并受法律保護(hù)。轉(zhuǎn)載、摘編或利用其它方式使用本白皮書文字或者觀點(diǎn)的，應(yīng)注明“來源：中國(guó)信息通信研究院”。違反上述聲明者，本院將追究其相關(guān)法律責(zé)任。前言e作為其中重要的使能技術(shù)，對(duì)激活實(shí)體經(jīng)濟(jì)具有溢出帶動(dòng)性很強(qiáng)的家科技影響力具有舉足輕重的意義。人工智能壯大、數(shù)字經(jīng)濟(jì)蓬勃發(fā)展提供強(qiáng)大牽引力。加入財(cái)經(jīng)、投資、投行和股權(quán)實(shí)務(wù)及上市公司并購(gòu)、資管銀行等各類資本市場(chǎng)交流群微 圖目錄 表目錄表1Github社區(qū)中主流AI框架情況(2022.1) 16表2Gitee社區(qū)中主流AI框架情況(2022.1) 18AI框架發(fā)展白皮書(2022年)1一、AI框架技術(shù)持續(xù)演進(jìn)，已形成較為完整的體系性庫(kù)和工具包，集成了算法的封裝、數(shù)據(jù)的調(diào)用以及計(jì)算資源的使用，同時(shí)面向開發(fā)者提供了開發(fā)界面和高效的執(zhí)行平臺(tái)，是現(xiàn)階段網(wǎng)絡(luò)算法的工程實(shí)現(xiàn)并發(fā)力建設(shè)算法模型工具，進(jìn)一步將其封裝為經(jīng)網(wǎng)絡(luò)模型的數(shù)學(xué)操作，把復(fù)雜的數(shù)學(xué)表達(dá)轉(zhuǎn)換成計(jì)算機(jī)可識(shí)別的題，實(shí)現(xiàn)目標(biāo)分類、語(yǔ)音識(shí)別等應(yīng)用(一)AI框架演進(jìn)步入深化階段成長(zhǎng)階段(2012~2014年)、穩(wěn)定階段(2015年~2019年)、深化階段(2020年以后)。其發(fā)展脈絡(luò)與人工智能，特別是神經(jīng)網(wǎng)絡(luò)技2限于計(jì)算能力不足，這一階段的神經(jīng)網(wǎng)絡(luò)技術(shù)影AI不是專門為神經(jīng)網(wǎng)絡(luò)得不進(jìn)行大量基礎(chǔ)的工作，例如手寫反向傳播、搭建網(wǎng)絡(luò)結(jié)exNetImageNet并碾壓第二名，引爆了深度神經(jīng)網(wǎng)絡(luò)的熱潮。自此極大地推動(dòng)AI框架發(fā)展白皮書(2022年)3的AI框架趟AI研究團(tuán)隊(duì)也發(fā)布了另一個(gè)流行的框架PyTorch，該框架拓展自Torch框架，但使用了更流行的PythonAPI。微軟研究院開發(fā)了TensorFlowCNTKTheano而PyTorchTorch令式編程風(fēng)格。。同時(shí)各種AI框架不斷進(jìn)行迭代，為框架提供各種面向高效友好開發(fā)的核心組件，例如幾乎所有AI框架都支持的自動(dòng)微分能力，TensorFlow提供了分布式版本的4，而在不斷發(fā)展的基礎(chǔ)上，各種框架不斷迭代，也被開經(jīng)過激烈的競(jìng)爭(zhēng)后，最終形成了兩大陣營(yíng)，TensorFlow和osoftCNTK：隨著人工智能的進(jìn)一步發(fā)展，新的趨勢(shì)不斷涌現(xiàn)，例如超大規(guī)模模型的出現(xiàn)(GPT-3等)，向AI框架提出了更高的要求。隨著人工智能應(yīng)用場(chǎng)景的擴(kuò)展以及與更多領(lǐng)域交叉融合進(jìn)程與社會(huì)倫理的痛點(diǎn)問題也促使可信賴人工智能在框架層面的進(jìn)步。面深度布局。在這一階段，AI框架正向著全場(chǎng)景支持、超大規(guī)模AI全可信等技術(shù)特性深化探索，不斷實(shí)現(xiàn)新的突破。AI框架發(fā)展白皮書(2022年)5(二)AI框架技術(shù)演化出三個(gè)層次礎(chǔ)層層是開發(fā)者與AI框架6的AI框架應(yīng)支持多行、優(yōu)化器并行等策略。隨著模型規(guī)模的增大，傳統(tǒng)的數(shù)據(jù)并行無(wú)法有效處理，自動(dòng)并行技術(shù)的使用將會(huì)是常態(tài)。需要將大模型切分小塊計(jì)算發(fā)送到不同的計(jì)算資源進(jìn)行計(jì)算，最后將小塊計(jì)算的結(jié)構(gòu)計(jì)算利用率方面存在較大的挑戰(zhàn)，算子切分的并行則在通信量方面的基本運(yùn)算，每一項(xiàng)基本運(yùn)算都可以通過查表得出AI框架發(fā)展白皮書(2022年)7reversemode算圖前向傳播的同時(shí)計(jì)算微分，反將其呈現(xiàn)給傳感器流，在訓(xùn)練期間提供了更高的性能，但這樣做的代價(jià)是不易于使用、不夠靈活。動(dòng)態(tài)圖計(jì)算是即時(shí)執(zhí)行的，化技術(shù)。一般來說，模型輕量化就是指模型壓縮和加縮重點(diǎn)在于減少網(wǎng)絡(luò)參數(shù)量，加速則側(cè)重在降低計(jì)算復(fù)雜度、提升并行能力等。算法層壓縮加速主要包括結(jié)構(gòu)優(yōu)化(如矩陣分解、分組卷積、小卷積核等)、量化與定點(diǎn)化、模型剪枝、模架層加速主要包括編譯優(yōu)化、緩存優(yōu)化、稀疏存儲(chǔ)和圖進(jìn)行計(jì)算化簡(jiǎn)和替代、算子拆分和8資源利用率，實(shí)現(xiàn)l動(dòng)完成，不需要網(wǎng)絡(luò)開發(fā)人員進(jìn)行其它額外感AIAI絡(luò)對(duì)系統(tǒng)內(nèi)存的消耗。一般常用的內(nèi)存優(yōu)化技術(shù)有：靜態(tài)內(nèi)存復(fù)用優(yōu)化和動(dòng)態(tài)內(nèi)存分配機(jī)制。靜態(tài)內(nèi)存復(fù)用優(yōu)化會(huì)分析計(jì)算圖的數(shù)據(jù)流關(guān)系，基于數(shù)據(jù)的內(nèi)存占用大小、數(shù)據(jù)間的生命周期重疊關(guān)系，規(guī)劃數(shù)據(jù)的內(nèi)存復(fù)用策略，從而最小化內(nèi)存占用。動(dòng)態(tài)內(nèi)存分配機(jī)制進(jìn)行內(nèi)存切片提供，當(dāng)算子執(zhí)行完且相關(guān)數(shù)據(jù)的引用均已結(jié)束時(shí)，些算子往往不能滿足開發(fā)者算法不斷演進(jìn)的需求。因此，需要AI架具備針對(duì)不同算力設(shè)備的統(tǒng)一算子生成和優(yōu)化的能力，使得開發(fā)人員只需要編寫高層編程語(yǔ)言(如DSL)就可以通過AI框架提層算子，極大降低AI框AI框架發(fā)展白皮書(2022年)9IR對(duì)計(jì)算圖和算子格式的定義。完備的中間表示需要支持不同硬件設(shè)備算子定義和計(jì)算圖的性能優(yōu)化，支持不同類型的AI量上執(zhí)行的計(jì)算操作，它接受零或多個(gè)張量作為輸出，利用梯度、散度、旋度算子：用于分布式節(jié)點(diǎn)通信的函數(shù)節(jié)點(diǎn)。2.組件層組件層主要提供AI模型生命周期的可配置高階功能組件，實(shí)優(yōu)化組件、科學(xué)計(jì)算組件、混合并行策略，例如數(shù)據(jù)流并行和模型并行的組合、數(shù)據(jù)流和。并行及優(yōu)化組件-高階優(yōu)化器：AI框架支持多種不同的一階/二科學(xué)計(jì)算組件-科學(xué)計(jì)算(數(shù)值方法)：人工智能發(fā)展的重要方AI加接近數(shù)學(xué)計(jì)算的方式進(jìn)行編程，以緩解當(dāng)中需要大量的數(shù)學(xué)公式的表達(dá)(例如微分方程求解)的情況。科學(xué)計(jì)算組件-科學(xué)計(jì)算(AI方法)：針對(duì)AI方法直接替代數(shù)值方法取得計(jì)算結(jié)果的形式，AI框架需要具備“AI+科學(xué)計(jì)算”統(tǒng)一的數(shù)據(jù)底座，將傳統(tǒng)科學(xué)計(jì)算的輸入數(shù)據(jù)(如傳統(tǒng)科學(xué)計(jì)算軟件生配合取得計(jì)算結(jié)果形式，除了需要具備統(tǒng)一的數(shù)據(jù)引AI方法的混合實(shí)現(xiàn)“AI+科學(xué)計(jì)算”端到端加速。持可解釋人工智能。建模前的“數(shù)據(jù)可解釋”，分析數(shù)據(jù)分布，找出工智能模型”，通過與傳統(tǒng)機(jī)器學(xué)習(xí)(如貝葉斯概率編程)結(jié)合的方對(duì)人工智能結(jié)構(gòu)進(jìn)行補(bǔ)充，平衡學(xué)習(xí)結(jié)果的有效性和學(xué)習(xí)模型AI框架發(fā)展白皮書(2022年)性。對(duì)已構(gòu)筑模型進(jìn)行“解釋性分析”，通過分析人工智能輯。的保護(hù)，還要防止通過模型推理結(jié)果反推出數(shù)化能力不足，導(dǎo)致模型面對(duì)惡意樣本時(shí)，無(wú)法給出正確的判斷結(jié)AI的人工智能魯棒性檢測(cè)工具，過黑盒、白盒、灰盒測(cè)試等對(duì)抗檢測(cè)技術(shù)測(cè)試人工智能模型的魯程中的核心內(nèi)容，包括訓(xùn)練標(biāo)量信息、參數(shù)分布圖、計(jì)無(wú)窮大等，開發(fā)者希望分析訓(xùn)練無(wú)法收斂的原因。但是，由于計(jì)算3.生態(tài)層套件/模型庫(kù)：AI框架應(yīng)對(duì)領(lǐng)域通用任務(wù)提供預(yù)訓(xùn)練模型或者，方便開發(fā)者獲取和開展人工智能模型訓(xùn)練和推AI領(lǐng)域擴(kuò)展庫(kù)：AI框架要能夠提供豐富的領(lǐng)域任務(wù)支持，并學(xué)制藥、能源、氣象、生物、材料等)提供簡(jiǎn)單易用的科學(xué)計(jì)算套件，這些套件包含高質(zhì)量的領(lǐng)域數(shù)據(jù)集、高精度的基礎(chǔ)AIAI框架發(fā)展白皮書(2022年)(三)AI框架重要性愈加突顯件棧主要針對(duì)串行指令進(jìn)行優(yōu)化。由于人工智能算法涉及大陣計(jì)算和并行數(shù)值計(jì)算，面向智能經(jīng)濟(jì)時(shí)代的硬件計(jì)算已經(jīng)其中AI框架將成為大度化等特點(diǎn)，在一定程度上決定了人工智能產(chǎn)業(yè)應(yīng)用的主體技術(shù)路線，其研發(fā)能夠促進(jìn)生態(tài)圈關(guān)聯(lián)及外圍的芯片、系統(tǒng)、軟硬件平臺(tái)等產(chǎn)業(yè)發(fā)展，已經(jīng)成為了人工智能產(chǎn)業(yè)創(chuàng)新的焦點(diǎn)之一，引起了學(xué)術(shù)界、產(chǎn)業(yè)界視。AI力量，營(yíng)造學(xué)術(shù)創(chuàng)新氛圍，是兩大主體的源動(dòng)力。個(gè)AI框架發(fā)展白皮書(2022年)AI益性的AI，我國(guó)數(shù)字科技企業(yè)國(guó)外數(shù)字科技企業(yè)巨頭在基礎(chǔ)算法框架研發(fā)方面具有先發(fā)優(yōu)勢(shì)，效試驗(yàn)驗(yàn)證及功能完善。在此基礎(chǔ)之上，數(shù)字科技企業(yè)巨頭將原I布局推出AI框架，立AI性理論研究工作，布局整體早于數(shù)字科技企業(yè)，更易實(shí)現(xiàn)革命性突破創(chuàng)新。高校最早推出的I整體發(fā)展起到巨大推動(dòng)作用，但在大規(guī)模分布式計(jì)算等場(chǎng)景下的性(二)開源生態(tài)方面，全球進(jìn)入活躍期AII開源社區(qū)進(jìn)行代碼開源、項(xiàng)目托管、協(xié)作分享、溝通交流等一系社區(qū)在推動(dòng)AI框架發(fā)展的過程中起著巨大的作用。開源社區(qū)的相關(guān)指標(biāo)，也體現(xiàn)著AIOSCHINA.NET推出的代碼托管平臺(tái)Gitee(碼云)。nkorkmitsForkributorsgnFramework1Commits代表開源代碼提交的次數(shù)，表征開源項(xiàng)目活躍度.2Fork代表代碼復(fù)刻、分叉，表征開源項(xiàng)目被引用情況.3Star代表點(diǎn)贊數(shù)，表征開源項(xiàng)目關(guān)注度.4Contributors代表貢獻(xiàn)者，表征開源項(xiàng)目貢獻(xiàn)者規(guī)模.AI框架發(fā)展白皮書(2022年)nkorkmitsForkributors2ch03Developing4Developing05esticFramework1dSpore2ePaddle03gine045torGithub作為業(yè)內(nèi)認(rèn)可度最高的開源社區(qū)，也是AI框架開發(fā)者AI領(lǐng)域表現(xiàn)亮眼的后起之秀PyTorch緊隨其后，雖在頂會(huì)占據(jù)了主流地位，但與AInkorkors1dSpore2ePaddle3214gEngine65tor3國(guó)內(nèi)社區(qū)中最活躍、關(guān)注度最高、被應(yīng)用最多的框架，處在我國(guó)者地位。(三)市場(chǎng)格局方面，雙寡頭持續(xù)引領(lǐng)AI框架生態(tài)領(lǐng)域發(fā)力，引領(lǐng)全球AI框架技術(shù)創(chuàng)新升級(jí)趨勢(shì)，并逐步形成了以Google-TensorFlow和Meta-PyTorch為代表的雙寡頭格局。從市場(chǎng)AI框架發(fā)展白皮書(2022年)遠(yuǎn)高于排名第二的PyTorch(53700)，且Google于2019年推出長(zhǎng)期的技術(shù)支持，并與GoogleCloud服務(wù)深度集成，持續(xù)鞏固AI的領(lǐng)先優(yōu)勢(shì)在持續(xù)加強(qiáng)。5/trends.(四)支撐應(yīng)用方面，科研與產(chǎn)業(yè)齊驅(qū)1.AI框架賦能學(xué)術(shù)科研w預(yù)測(cè)氣候變遷會(huì)產(chǎn)生的極端天氣，提升了氣象研究的精準(zhǔn)度家提供了一個(gè)全新的平臺(tái)來加深對(duì)宇宙的了解。lownsorFlow問題，通過注釋大量木薯植株圖像來識(shí)別和分類疾病，目前尼亞部分地區(qū)試驗(yàn)應(yīng)用，農(nóng)民們可以通過在木薯葉子前揮動(dòng)AI框架發(fā)展白皮書(2022年)可擴(kuò)展、實(shí)時(shí)監(jiān)控報(bào)警的熱帶雨林環(huán)保系統(tǒng)，用，通過當(dāng)?shù)氐氖謾C(jī)蜂窩網(wǎng)絡(luò)向中央云計(jì)算服我國(guó)框架作為后起之秀在學(xué)術(shù)科研領(lǐng)域已經(jīng)嶄露頭角。基于MindSpore程.盤古作為全球首個(gè)發(fā)布的千億級(jí)預(yù)訓(xùn)練中文大模預(yù)訓(xùn)練大模型，具備跨模態(tài)理解與跨模態(tài)生成能力。武漢大學(xué)運(yùn)用MindSpore深度學(xué)習(xí)遙感框架武漢.LuojiaNet，全球最大中文單體模型，在機(jī)器閱讀理解、文本分類、語(yǔ)義相似度計(jì)算等60多項(xiàng)任務(wù)取得最好效果。此外，百度基于PaddlePaddle研發(fā)推出量子機(jī)器學(xué)習(xí)工具集量槳(PaddleQuantum)，建立起了人工智能與量子計(jì)算之間的橋梁，可以快速實(shí)現(xiàn)量子神經(jīng)網(wǎng)絡(luò)的搭2.AI框架賦能產(chǎn)業(yè)應(yīng)用、人類生理學(xué)、天文學(xué)和基礎(chǔ)物理學(xué)等多方面空客使用TensorFlow開發(fā)的模型在數(shù)據(jù)流監(jiān)控過程中進(jìn)行異常檢，大大的簡(jiǎn)化了異常原因分析過程并縮短了解Celgene是一家從事免疫醫(yī)療的制藥企業(yè)，通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)識(shí)別方t析ock傳統(tǒng)模式下地質(zhì)學(xué)家會(huì)一厘米一厘米地仔細(xì)研究這些樣本，以評(píng)估礦物學(xué)和結(jié)構(gòu)，工程師則會(huì)尋找諸如斷層、裂縫和巖石質(zhì)量等物理AI框架發(fā)展白皮書(2022年)社區(qū)貢獻(xiàn)者，支持超過5000個(gè)在線AI了3倍?；贛indSpore的金融解決方案在深圳、上海等地銀行，同時(shí)利用OCR識(shí)別技術(shù)和生物識(shí)別技術(shù)，實(shí)現(xiàn)企業(yè)年報(bào)、合同、保單、發(fā)票等各類能輸電線路巡檢方案對(duì)輸電線路的設(shè)備和周界情況進(jìn)行前端監(jiān)控，PaddlePaddle服務(wù)企業(yè)遍布能源、金融、工業(yè)、醫(yī)療、農(nóng)業(yè)等“創(chuàng)作大腦”，覆蓋了全媒體策劃、采集、編輯、傳播效果分析等各頻直播關(guān)鍵人物、語(yǔ)句識(shí)別、全網(wǎng)熱點(diǎn)數(shù)據(jù)自定義監(jiān)測(cè)預(yù)警、批量AI系統(tǒng)”，已首先在湖南郴州湘南學(xué)院附屬醫(yī)院投入使用，可快速檢測(cè)識(shí)別肺炎病灶，為病情診斷提供病灶的數(shù)量、體積、肺部占比顯示等可視化手段，為臨床醫(yī)生篩查和預(yù)診斷患者肺炎病情提供定像頭模組企業(yè)提供的智能質(zhì)檢解決方案實(shí)現(xiàn)了產(chǎn)品的在線實(shí)了園區(qū)安全管理系統(tǒng)，AI框架發(fā)展白皮書(2022年)in智能開發(fā)平臺(tái)，提供多種混合算力解決方案，支持資該項(xiàng)目交付智用投入使用后，經(jīng)計(jì)算，其系統(tǒng)算力率(五)推廣途徑方面，三條路齊發(fā)并進(jìn)的壯大與優(yōu)化，吸引更多學(xué)術(shù)界與產(chǎn)業(yè)界開發(fā)TensorFlow貢獻(xiàn)TensorFlow高階API代碼計(jì)劃，為開發(fā)者提供優(yōu)惠的云服務(wù)資源和相關(guān)的知識(shí)賦能培術(shù)科研開發(fā)者規(guī)模以及學(xué)術(shù)開發(fā)者的發(fā)展已成為整個(gè)AI框架生華為與教育部聯(lián)合啟動(dòng)建設(shè)“智能基座”產(chǎn)教融合協(xié)同育人基地，目AI先鋒教師。百度支持教育部產(chǎn)學(xué)框架也選擇通過設(shè)立創(chuàng)新基金激勵(lì)框架的創(chuàng)新應(yīng)用。華為于2020MindSpore學(xué)術(shù)獎(jiǎng)勵(lì)基金》，旨在激勵(lì)原創(chuàng)性科學(xué)研究開展，構(gòu)建會(huì)聯(lián)中心，重點(diǎn)依托我國(guó)AI框架構(gòu)建底AI框架發(fā)展白皮書(2022年)PaddlePaddle積極與硬件廠商合作，完成適配或正在適配的芯片的統(tǒng)一AI框架需要提供更全面的API體系以及前端語(yǔ)言支持轉(zhuǎn)換能相關(guān)開源項(xiàng)目成員組織的ConsortiumforPythonDataAPIStandardso的編程接口與功能支持。從開發(fā)語(yǔ)言來看，眾多已有的開發(fā)框架主從目前看，盡管Julia(科學(xué)計(jì)算)和Swift(工業(yè)級(jí)開發(fā)應(yīng)用)都通來實(shí)現(xiàn)模型部署時(shí)的高性能運(yùn)行；同時(shí)，通過動(dòng)態(tài)方式，來實(shí)現(xiàn)方便的部署和性能優(yōu)化。目前，國(guó)際主現(xiàn)動(dòng)態(tài)圖開發(fā)、靜態(tài)圖部署的編程范式，具備動(dòng)靜部署備等人工智能硬件運(yùn)算設(shè)備的不斷涌現(xiàn)，以及各類人工智能運(yùn)算沒有統(tǒng)一的中間表示層標(biāo)準(zhǔn)，導(dǎo)致各硬件廠商解決方案存在一定AI框架發(fā)展白皮書(2022年)AI訓(xùn)練出來的模型進(jìn)行標(biāo)準(zhǔn)化互通將是未來的挑戰(zhàn)。接口實(shí)現(xiàn)跨設(shè)備平臺(tái)的快速部署。隨著處理任務(wù)的復(fù)雜化、處理要開放一套可解耦的硬件注冊(cè)接口，支持硬件廠商無(wú)需觸碰對(duì)多種AI框架以及架版本的適配代碼進(jìn)行維護(hù)?？山怦畹挠布?cè)接口，需包標(biāo)準(zhǔn)的硬件運(yùn)行態(tài)管理、算子抽象定義、性能優(yōu)化適配等接口，AI設(shè)備驅(qū)動(dòng)、運(yùn)行算子和計(jì)算圖等關(guān)鍵信息。除上述接口標(biāo)準(zhǔn)化外，還應(yīng)該對(duì)產(chǎn)業(yè)界和學(xué)術(shù)界看到這種新型范式的潛力后紛紛入局，繼OpenAI框架也提出了新的挑戰(zhàn)，可總結(jié)為“五堵墻”。一是內(nèi)存墻，大模型億參數(shù)規(guī)模的，節(jié)點(diǎn)之間的通信關(guān)系非常復(fù)雜，要保證計(jì)算的正確以適應(yīng)推理側(cè)的部署需求。I并行，支持?jǐn)?shù)據(jù)并行、模型并行、流水并行、優(yōu)化器并AI型及集群的，支持超大規(guī)模模型切分到大集群高效訓(xùn)練，并實(shí)現(xiàn)AI框架發(fā)展白皮書(2022年)AI的數(shù)據(jù)速定位出現(xiàn)精度異常的網(wǎng)絡(luò)結(jié)構(gòu)或者算子，提供方便度問題定位能力，并通過可視化的方式記錄并且分析開發(fā)模式轉(zhuǎn)換成分布式推理模式，并實(shí)現(xiàn)服務(wù)化封裝，支持確的數(shù)學(xué)模型為根基，以嚴(yán)謹(jǐn)?shù)挠?jì)算方法為手段，對(duì)應(yīng)用領(lǐng)域中氣學(xué)計(jì)算方法通過數(shù)值迭代的方式解決問題，面臨著維度災(zāi)難引起的量指數(shù)上升的問題，導(dǎo)致在復(fù)雜問題或者場(chǎng)景中“算不起”，甚至是“算不動(dòng)”。在科學(xué)計(jì)算的諸多領(lǐng)域仍舊存在著大量待求解的問題，因?yàn)闄C(jī)理不清楚，或是計(jì)算過于復(fù)雜，以至于傳統(tǒng)算法難以求AI框架提供了科學(xué)計(jì)算問題求解的新范式，推動(dòng)科學(xué)計(jì)算與圖對(duì)傳統(tǒng)數(shù)值方法和AI方法的面向不同的科學(xué)計(jì)算領(lǐng)域提供簡(jiǎn)單易用的科學(xué)計(jì)算套件，包含高質(zhì)量的領(lǐng)域數(shù)據(jù)集、高精度的基礎(chǔ)AI模型和用于前后處理的工具集信息行業(yè)的MindSporeElec套件和面向生命科學(xué)行業(yè)的MindSporePaddleScience科學(xué)計(jì)算開發(fā)套件，具備求解科學(xué)計(jì)算問題的能力。與魯棒性持，將黑盒的人工智能決策轉(zhuǎn)化為可解AI框架發(fā)展白皮書(2022年)也能幫助診斷出影響模型性能的因素，加以改進(jìn)，進(jìn)一步提升模型性能。目前已有部分框架開始支持可解釋性的需求，比如基于的角度出發(fā)對(duì)模型進(jìn)行評(píng)測(cè)，例如啟智社區(qū)