作为AI领域的研究者，这篇文章帮你总结下述7个非常重要的技术

除了TensorFlow，在AI领域仍然有很多非常优秀的技术

我们知道主流的人工智能引擎来自于Google的Tensor Flow，TF内建深度学习的扩展支持，能与docker、kubernetes等开源框架相融合，是目前运用最广泛的人工智能框架。TensorFlow是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。它灵活的架构让你可以在多种平台上展开计算，它灵活的架构让你可以在多种平台上展开计算。而且TF支持CNN、RNN和LSTM模型，它的适用于图像、音频、NLP等非常丰富的应用场景，正是由于它的适用性强才被人们所关注。

但是在数据挖掘和分析领域，很多场景往往是解决一小部分的业务问题，比如：咱们今日头条用户的行为分析、广告内容精准推荐等等，这些业务原来在非AI时代就已经开展，运用AI科学的目的是做的更精、更准，这样的业务问题可能并不需要一个非常强大的AI引擎仍然可以办到（但仍然数据AI研究范畴）。

所以在AI领域仍然有很多技术值得我们关注，本文粗略的罗列了几个关键技术与大家分享。分别是：Apache开源组织的Spark Mllib、Mahout、SINGA，Facebook的Caffe2go，微软的CNTK以及JAVA的DL4J，详细的介绍就不讲了，具体可以参考图中示意。

主流AI引擎的技术对比和适用场景

作为横坐标：我们从统计学习/数据挖掘，文本识别，语音识别，图像识别，自然语言处理等几个维度圈定这几项技术的适用场景；

作为纵坐标：我们用探索期、提高期、成熟期三个档位的技术成熟度进行阶段划分。

然后根据不同颜色，结合每项技术的适用场景和成熟度把它们归拢到相应的区域。比如在统计学习/数据挖掘领域，Mahout作为开源Hadoop的生态组件，在2006年Hadoop1.0时代就已经存在，虽然Mahout是用MapReduce的数据挖掘算法，解决并行挖掘的问题可能存在效率低的问题，但毕竟它至今发展10多年了，因此非常成熟。再比如Spark框架下的Mllib库，由于隶属于目前非常活跃的Spark生态圈，所以即便它出现晚但仍然可以归拢到成熟期，因为在Spark框架下，Mllib的能力可以与该生态圈下的任意组件结合使用（比如与GraphX图分析结合），甚至拥有比Hadoop更加成熟的受众群。

诸如此类，我们将其他技术也用此方法进行一个粗略的归拢，目的在于告诉您：在AI领域并非只有Tensor Flow，一定要结合业务场景开展AI引擎的技术研究。