> For the complete documentation index, see [llms.txt](https://yeasy.gitbook.io/ai_beginner_guide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://yeasy.gitbook.io/ai_beginner_guide/di-yi-bu-fen-ai-ji-chu-ru-men/03_ai_ecosystem/summary.md).

# 本章小结

### 本章小结

本章全面介绍了 AI 技术的生态系统，帮助读者了解从硬件到应用的完整技术栈、主流平台和服务、开源工具，以及部署架构的选择。

#### 核心要点回顾

**AI 技术栈的层次**

* 芯片层（GPU）：门槛最高，NVIDIA 一家独大
* 基础设施层（云平台）：提供算力和服务
* 框架层（PyTorch 等）：开发者用来“画图纸”的工具
* 应用层：面向用户的产品和服务

**主流 AI 平台与服务**

* 微软 Azure：企业集成与治理导向
* Google Cloud：模型与数据产品一体化
* AWS：多模型与基础设施深耕
* 选择平台应按约束条件（合规、技术、组织）而非单纯“谁最强”

**开源框架与工具**

* PyTorch 在研究和开源社区占比最高
* TensorFlow 生态成熟，部署工具链完整
* JAX 在前沿研究和高性能训练场景活跃
* Hugging Face 是 AI 界的“GitHub”，大幅降低试错成本
* AI 编程助手（Copilot、Cursor 等）正推动 Agentic Coding

**云端 AI 与边缘 AI**

* 云端：算力强、模型大，但依赖网络、有隐私顾虑
* 边缘：低延迟、保护隐私，但受设备限制
* 未来趋势是混合架构，日常简单任务在端侧，复杂任务上云

#### 延伸思考

1. 随着端侧 AI 能力增强，云端 AI 服务商的商业模式会如何变化？
2. 开源模型与闭源模型的竞争格局会如何演变？
3. 对于一个新的 AI 项目，应该如何选择技术栈和部署架构？

#### 下章预告

到了这里，我们已经参观完了 AI 的“工具间”和“厨房”。

你可能不禁要问：这些厉害的工具背后，到底藏着什么原理？为什么显卡能算出智能？

### 接下来，让我们推开 **“核心技术”** 的大门，去探寻 AI 大脑深处的秘密。下一章：机器学习原理。

> 📝 **发现错误或有改进建议？** 欢迎提交 [Issue](https://github.com/yeasy/ai_beginner_guide/issues) 或 [PR](https://github.com/yeasy/ai_beginner_guide/pulls)。