宝塔服务器面板，一键全能部署及管理，送你10850元礼包，点我领取

，这方面W君还是有一点点涉猎的。如果是使用一般的AI软件，那么普通的笔记本只要配置不太低就都可以使用了。

但如果要使用笔记本电脑作人工智能的开发工作或者机器学习的训练工作，那么一般的笔记本就有点难以胜任了。虽然人工智能已经普遍应用在各个领域上，但作为开发平台上来说还是有一些通用性的。

简单说下人工智能开发环境，目前主流的开发环境主要是构建一个机器学习的训练集，通过对AI进行训练达到建立AI处理能力的目的。例如传统范例里面的猫狗识别，就是将大量的猫和狗的图片交由计算机建立的卷积神经网络进行处理。通过不断的学习过程，建立一个处理猫狗不同特点的AI内核。但其实这个内核里面是如何处理的基本上没有几个人能说明清晰——因此，机器学习的过程在AI领域内被戏称为“炼丹”。

当然，“炼丹”得有“丹炉”。这个丹炉就是计算机系统了。通常的来讲，卷积神经网络模型的深度学习系统是将一个问题进行拆分简单化处理。

这样到最后的处理过程就形成了很多的碎片化处理模型。这些模型数量很多，但处理计算要求极低。因此就带来了一个很有意思的问题，CPU在处理这些小碎片的时候基本上不占用CPU过多的实际处理时间，而几千万甚至几百亿的小碎片不断的在CPU中来回加载就占据了太多的处理时间。通常家里用的计算机是4核CPU，这样最多同时处理4个“小碎片”。基本上是一种顺序的（串行的）处理方式，这样处理效率就很低了。

而机器学习的框架更多的是基于tensorflow、CAFFE、Keras等等框架的，这些框架大部分支持Cuda（Nvidia的深度学习架构集），要注意Cuda是Nvidia的产品。主要是利用显卡的CPU计算单元进行处理的，这些显卡中的计算单元有计算能力，并且一个显卡中现在有上千个计算单元，因此处理深度学习的能力要大大强于CPU（高几百倍）。

因此，选择一个笔记本要进行AI的开发工作那么最首要的一个特点就是需要笔记本内集成一个Nvidia的显卡，而且是越多处理单元越好。

通常这类笔记本上都带有一个Nvidia的LOGO，如图：

从配置上将那么就是越多的显示计算核心越好了，价格自然也就越来越贵了。

当然这个是一个基本路数，如果借助于AMAZON的S3云计算或者现在很火的百度云、腾讯云等等在线云计算工具可以不使用昂贵的笔记本电脑，以AMAZON的S3云机器学习来举例，每个小时的计算需要花费0.42美元，这样一个8小时的计算也就几十块钱的费用。其实这样比购买更贵的笔记本电脑更划算一些。

这个问题要看具体用户对象谈就会更加精确一些。一般在以往的有规模的生产线上多数使用汇编语言象

Z 80/Z 8080，C ++语言等。再普通

一些的计算机控制，你用286/386/486/586/…/886或者双CPU /四CPU 都是可以的。这要看你的机构设计与计算机控制之间的配合是否满足用户的整体质量指标。象时间，机械精确度等指标。一般而言:美德日的整条控制系统成本应该是意大利等整条控制系统成本的

2–3倍以上。而意大利系统的维护成本就自然会高出1–2倍。当然作为中国有人才储备的科技公司或工厂，引进意大利系统后有针对性地对系统的品质进行适度改良后再使用，那么这对引进方是一种选择方式。

意大利系统的痛点有: 关键部位机械零部件的热处理欠佳，精度欠佳等

这些造成了工厂维护工作在试运行期间几乎达到高频率的维护态势。