对亚马逊的DeepLens的介绍以及对AI的一点思索虽然对提问的内容不是很理解，但还是尝试回答一下，说不定就说中了呢？对于一款产品，我们通常的理解可以分为三层：1.是什么？2.为什么？3.怎么用？
针对第一个问题，首先我们先来了解一下DeepLens是什么？根据亚马逊的官方解释，DeepLens是一款与AWS云服务集成的支持无线传输的视频摄像头和开发平台。它允许用户使用最新的人工智能（AI）工具和技术来开发基于深度学习模型的计算机视觉应用程序。
如果你是一位机器学习（Machine Learning）的初学者，你能够利用DeepLens现成的基于深度学习示例项目实践教程来深化学习。亚马逊提供的每个样本项目都至少包含一个预先训练的模型和一个教学上直接使用的推演功能。
而如果是一位经验丰富的从业者，你可以利用DeepLens开发平台来训练卷积神经网络（CNN）模型，并将包含该模型的计算机视觉应用项目部署到AWS DeepLens设备中。你可以在任何系统支持的深度学习框架中训练模型，包括
· Caff（一种常用的卷积神经网络框架，主要应用在视频、图像处理方面的应用上)；
· MXNet（一种亚马逊提供和推荐的高性能、灵活的深度学习库）
· TensorFlow（一种由谷歌提供的开源机器学习框架，同时也是GitHub上排名第一的神经网络算法库）。
DeepLens的硬件配置
AWS DeepLens通常搭载以下硬件配置：
支持MJPEG格式（Motion JPEG）并具备400万像素的摄像头
8 GB的板载内存
16 GB的存储容量
32 GB SD卡
支持2.4 GHz和5 GHz标准双频网络的Wi-Fi
微型HDMI显示端口
一个音频输出和两个USB端口
功耗：20 W
电源输入：5V和4A
AWS DeepLens相机采用Intel®Atom处理器，每秒可处理1000亿次浮点运算（GFLOPS）。这可以为用户提供在设备上执行推演所需的计算能力。微型HDMI显示端口，音频输出和USB端口允许用户连接外围设备，可以利用其他计算机视觉应用程序获得额外创意发挥。
AWS DeepLens软件的基本工作流程
设备开启后，AWS DeepLens会开始捕捉视频内容。 并由此生成两个输出流：（A） 设备流 - 未经处理即传递的视频流。（B） 项目流 - 模型处理视频帧的结果 Inference Lambda函数接收未处理的视频帧。 Inference Lambda函数将未处理的帧传递给项目的深度学习模型，并在其中进行处理。 Inference Lambda函数从模型接收已处理的帧，并在项目中传递出已处理的帧。
第二个问题，为什么要创造AWS DeepLens，以及分析亚马逊更为深层次的商业探索目的。
很显然，AWS DeepLens是一个开创性的产品，它让智能实验室里仅供计算机科学家研究的稀缺物品，变成了寻常工程师能够接触和探索人工智能的实验对象。对于IoT，Edge和AI爱好者而言，它的吸引力无疑是难以拒绝的。 DeepLens将成为一个极具想象空间的成人游乐场，用于测试一些新兴技术，如物联网，边缘计算，机器学习和无服务器计算等前沿领域场景。
对于亚马逊推出这款产品的深层原因，我们试分析如下：
1. AWS（亚马逊）与Google在深度学习领域的分庭抗礼
随着2017年2月16日，Google正式对外发布Google TensorFlow 1.0正式版本，并保证本次的发布版本API接口完全满足生产环境稳定性要求。AI端的竞争开始从实验室走向大众市场，TensorFlow成为普通开发人员在机器学习方面尝试涉足的首批项目之一。
随着TensorFlow的不断扩张，它不仅仅作为一个框架提供API供用户调用，也同时在围绕着算法服务推出各种配套的服务内容。而这，显然开始侵蚀到了亚马逊云服务（AWS）的领域范围，虽然AWS也有自家官方支持的MXNet，但是相对于谷歌正规军推出的TensorFlow，由零散团体做出来的MXNet还是稍显稚嫩。
因此，亚马逊亟需要划分一个新的赛道出来，突破当前的劣势地位。
2. 深度学习的核心竞争不仅仅在于算法，还应有数据
对于深度学习（Deep Learning），人工智能的顶级权威吴恩达（Andrew Ng）认为：
深度学习的核心是，我们需要有足够快的计算机以及足够多的数据来对大型神经网络进行实际的训练。 -- 2013年演讲《 深度学习，自主学习和无监督特征学习 》我们现在已经开始拥有非常强大的神经网络，但还需要有权访问的大量数据。 --2015在ExtractConf 《 What data scientists should know about deep learning 》更加通用的描述是：深度学习算法的特点在于提供用于训练的数据量越大，算法的性能越高，而且是一个随数据量动态变化的过程。
由此，也不难理解，亚马逊推出AWS DeepLens的更广泛的目的，在于通过商业化产品的推广和AWS云的连接，将更多有效的数据将收集起来，助推自身发展。
3. 物联网和云的未然布局
边缘计算、雾计算、云计算，这些都需要有及其庞大的数据进行支撑，而在不远的未来构成物联网的数十亿设备将是不可忽视的资源。同时，对于这么多设备，物联网服务将存在无法集中化的问题。它不会围绕服务器进行扩展以满足需求，而是在边缘变得更加智能 - 至少做一部分必要的分析。这就是为什么AWS DeepLens的概念如此引人注目的原因。他一方面为终端产品面临独立而智能化的问题提供了解决方案，而同时又推动深度学习在终端的适应性方面进行了探索和验证。
关键的例子在于，对于自动驾驶的车辆而言，一辆随时需要连接云端的汽车是不可接受的，无论从实际操作层面还是心理层面都不会被用户接受。因此如何有效保证在离线状态下，自动驾驶车辆既拥有强大的计算能力，同时又不会消耗大量的资源（比如电力和CPU计算资源），将成为一个重要的研究方向。
至于第三个问题，怎么用？在这里，我们不会去探讨AWS DeepLens具体怎么调试，让这些复杂的技术问题就交给GitHub上面的Geek们去伤脑筋吧。我们来聊一下“未来”：
谷歌在2018年谷歌I/O的演讲中，主要有3个主题：
AI - 人工智能
Wellbeing - 福利 [划掉]Fake News - 假新闻 [划掉]作为人工智能领域毫无争议的王者，我们将从谷歌最新的演讲中推断未来人工智能的发展方向：
特征增强
智能助理
虚拟现实
无人驾驶
展望未来，机器将越来越多地成为人类器官的特征延伸，帮助人类监控和预测原来无法知道的内容，修补残缺人体原本的缺陷。比如利用医疗AI进行视网膜筛查心脏病和糖尿病，通过分析医疗保健中的人类视网膜图像来诊断疾病以及预测未来24小时内患者再入院的可能性等。而同样通过AI的加持，能够让残障人士使用摩斯码设备进行交流从而获得更好的生活。
智能助理层面，AI将更加贴近人类的实际生活，包括主动推测意图，更智能地解决问题，以及更自然和聪明的语音助理，至少现在不用再傻傻的先喊一声“Hey Google！”（我希望苹果能早日实现这个功能：）。而更加魔幻的场景是，谷歌CEO皮查伊表示，Google助手可以帮助预约理发和订座，而对接的服务人员甚至不知道对方仅仅是一个语音助理。
“在互联网上，没人知道你是一条狗”，看来互联网上这句最著名的戏言即将变成现实...
虚拟现实，通过Google地图和相机的连接，手机中的地图内容将与现实场景结合起来，AR应用将能够嵌入引导图标，从而提供更加丰富的图文信息以及智能地指引。
最后，作为谷歌公司的兄弟公司Waymo，CEO John Krafcik透露，其无人驾驶的错误已减少100多倍而预判则得到了大幅提升。
很显然，随着AI的深层次介入，设备设施的智能化已不可避免，AI的加速发展势必会改变我们当前生活的方方面面。我想，AI不应该成为科学家们的独角戏，极客们的孤独狂欢，对普罗大众而言，参与进来，了解它，学习它，适应它，或许是未来人生的必修课。
