"教练，我想打篮球！" —— 给做系统的同学们准备的 AI 学习系列小册

最近在读 Jeff Dean 的新作 Pathways ，心中又一次出现了这样的困惑：从前沿工作上看，系统工作与算法模型工作早就已经到了相互结合、缺一不可的状态。但近几年在做开源项目的过程中，和开发者、用户交流下来，最大的体会是系统工程师和算法工程师几乎总是离的很远。同学们彼此眼中的对方，大概是“洗草药炼丹的” vs “大力出奇迹抡大锤的”……

做系统的同学们想要深入跟进 AI 技术趋势，把大锤抡到算法同学的心坎儿里，并不容易。几乎所有学习资料都透着一股浓重的科研味道，太多的公式与理论，太少的工程与系统。

作为系统出身的 AI 爱好者，我们在做 [Towhee] (https://github.com/towhee-io/towhee) 与 [Milvus] (https://github.com/milvus-io/milvus) 两个开源项目的过程中一直在等待一个为系统人量身打造的 AI 教程，但一直没有这样的作品出现。

近期，我们计划自己动手进行一次尝试，做一套咱们系统人自己的 AI 学习教程。项目定位是开源，纯系统角度，落地，好玩。目前计划中的有三个系列，分别侧重应用实战、推理系统优化、前沿系统技术：

1、从零开始搭建 AI 应用

• 应用 CLIP 搭建文本-图片跨模态搜索服务

• 技术宅的浪漫：图片与视频二次元化！

• 大规模图搜系统

• 跨模态视频语义检索

• 音乐版权检测实战（策划中）

• 问答系统（策划中）

• 没有人比我更懂如何高效浏览 Github ：为 Github 构建开源项目检索与推荐系统（策划中）

• 技术宅的浪漫：你的女神总是缺一个口红色号！（策划中）

2、构建你自己的高性能推理服务

• 初识 TorchScript ，ONNX ，TensorRT

• 基于 Nvidia 的工具包加速你的推理服务

• Towhee 推理服务构建实战 （策划中）

3、AI 系统论文精读

• Pathways: Asynchronous Distributed Dataflow for ML

接下来即将和大家见面的系列文章是 《从零开始搭建 AI 应用：应用 CLIP 搭建文本-图片跨模态搜索服务》。在这个系列中，将会学到：

• CLIP 跨模态搜索的基本工作原理

• 文本-图片跨模态搜索的原型搭建

• 进阶 1：部署向量数据库，进行大规模向量召回

• 进阶 2：部署推理服务，大幅提升推理性能

• 进阶 3：向量数据压缩

为了最大化提高教程的流畅度，我们目前已经在 [Towhee] (https://github.com/towhee-io/towhee) 项目中完成了一系列准备工作，包括 CLIP 的集成封装，python 侧的 pipeline 编程接口，贴近生产实战的 docker 镜像，干货满满，敬请期待！

如果你觉得我们分享的内容还不错，请不要吝啬给我们一些鼓励：点赞、喜欢或者分享给你的小伙伴！

活动信息、技术分享和招聘速递请关注：https://zilliz.gitee.io/welcome/

如果你对我们的项目感兴趣请关注：

用于存储向量并创建索引的数据库 Milvus

用于构建模型推理流水线的框架 Towhee