如今，AI技術已滲透到各個行業，隨著AI技術應用的蓬勃發展，相關專業的人才缺口也日益增大。

為了助力高校人工智能領域人才培養及學科建設，華為通過昇騰師資培訓沙龍，面向廣大高校教師提供昇騰全棧全場景AI技術知識點培訓。通過理論講解和案例實操，讓與會高校教師能夠更加全面、深入地認識昇騰、使用昇騰，從而將昇騰相關知識點融入學生培養體系。

9月19日、20日，在華為北京研究所舉辦的為期兩天的昇騰師資培訓沙龍北京場上，華為計算業務CTO周斌介紹了昇騰計算架構。

首先，昇騰計算提供了強有力的計算底層性能，其獨特的達芬奇架構可以支撐上層的框架應用解決傳統的科研問題，比如微分方程組等；同時對于師資和課程，也提供了完整的支撐；此外，昇騰還提供了交流的社區和下載資源、云服務資源以及物理硬件等物質支持。

周斌表示，在昇騰技術的發展過程中，各高校及老師對整體技術推廣和發展起到了非常重要的作用，而昇騰計算也為其教學發展投入眾多資源支持，這對于未來AI發展都具有一定的科研優勢。

華為昇騰所追求的是充分利用硬件和體系架構的創新，以提供性價比更高的AI算力，而對于高校的教學及科研可以充分利用華為提供的資源，這也是相對便捷的一個手段。

為此，華為推出了沃土2.0計劃，面向高校教研、開發人員、初創企業和合作伙伴進行扶持計劃。目前，已經有50多所高校加入了沃土的高校教研扶持計劃。

隨后，清華大學計算機科學與技術系教授、人工智能研究院副院長孫茂松老師針對當前人工智能教學與人才培養中存在的問題進行了深度解讀。他認為，人工智能的科學技術和人才培養可分為三個層次：基礎科學、技術科學和技術應用。

我國新一代人工智能發展規劃是到2030年人工智能理論、技術和應用總體達到世界領先水平，但目前國內的人工智能理論基礎薄弱，技術科學也并不是全部領先，部分領域仍處于陪跑階段，因此未來發展任重而道遠。

AI人才的培養定位主要為三個方面：科學家、工程師和技術員。目前國內的人才培養的瓶頸是缺乏適用的師資和支撐課程的計算資源，培養過程中強力的算力支持是必不可少的。

孫茂松教授建議，要想解決當下的問題，同高端AI企業合作不失為一個很好的途徑。

在為期兩天的沙龍中，華為專家詳細分享了華為昇騰全棧全場景技術架構及應用案例實戰。其中，華為昇騰布道師杜凡義分享了基于昇騰AI處理器的目標檢測應用實踐。

隨著深度學習和計算機視覺的快速發展，相關技術已經在諸多領域廣泛應用。

目標檢測（Object Detection）作為圖像理解的重要一環，是機器視覺領域里最具有挑戰性的問題之一，其在人臉檢測、行人檢測、車輛檢測以及遙感影像中的重要地物檢測等領域都有應用需求。

深度學習用于目標檢測的算法從思路上來看，可以分為兩大類，一類是two stage的方法，也就是把整個流程分為兩部分，生成候選框和識別框內物體；另一類是one stage的方法，把整個流程統一在一起，直接給出檢測結果，主要包含SSD, YOLO系列。

主流算法中表現較好的是SSD和YOLO系列，以VGG16-SSD為例，采用VGG16作為主干網絡，采用卷積取代全連接層，其主要思想包括兩點：通過卷積+池化依次提取特征；通過特征值來預測候選框的位置和大小，并對候選框內物體進行分類。

隨后，杜凡義詳細講解了整個昇騰AI處理器的應用開發流程：原始的模型在經過工程準備后，首先進行模型評估、模型轉換和精度評估，轉換過程中出現問題時需要通過循環多次的算子開發及調試，直到調優成功；完成之后就進入到業務開發的過程中，經過一系列處理之后再推送到各種設備。而MindStudio可以支撐整個應用開發的過程。

他還提到了AI推理加速實例，對目標檢測的模型獲取過程也進行了講解。

此外，杜凡義基于對原始模型的理解，重點說明了圖像預處理時DVPP和AIPP的不同分工：DVPP主要負責解碼、圖像縮放與輸出圖像數據類型，AIPP負責色域的轉換、減均值、摳出Crop以及圖像的數據類型轉換。

最后，杜凡義通過云端沙箱實驗詳細演示了目標檢測應用開發的實戰過程。到此，華為這次歷經八站的昇騰實踐交流之旅就圓滿結束了。

回顧這次活動，華為的技術專家深度地介紹和解讀了昇騰的全棧全場景AI技術，與會的各地高校師生對于昇騰的技術架構和知識理論也有了進一步的深刻體會，相信這將直接助益于未來國內AI領域的人才培養。AI的未來要靠專業人才來推動，而華為正與高校聯合，致力于打破當前AI人才供需比嚴重失調的局面，為中國的 AI 發展輸送更多高質量人才。