作为全球互联网巨头，Facebook很早就涉足人工智能领域，并取得了陆续突破性的成就。
Facebook 几年前启动了开放计算项目，这是一种开源计算机硬件方法，但 Facebook 所做的远不止数据中心合理化那么简单。
最近，Facebook 开源了其机器学习（ML）和人工智能（AI）框架：PyTorch。
现在，PyTorch 1.0 的测试版已经发布。
PyTorch 是一个基于 Python 的科学计算库，利用图形处理单元（GPU）出色的计算能力来执行复杂的 Tensor 计算并实现深度神经网络。
其中包括一系列工具和集成，使其与 Google Cloud、AWS 和 Azure 的机器学习服务更加兼容。
ARM、Nvidia、高通和英特尔还在内核库集成和跟踪推理运行时工具中添加了 PyTorch 支持，使其受到世界各地研究人员和开发人员的欢迎。
PyTorch 的第一个版本在一年前推出。
其速度、生产力以及支持运动图形等尖端人工智能模型的能力很快使其成为流行且重要的人工智能开发工具。
它的下载量已超过 10,000 次。
自从 Facebook 开源 PyTorch 以来，该项目获得了众多支持者。
开发人员可以轻松部署与 PyTorch 兼容的软件，获得 Amazon Web Services (AWS)、Google Cloud 和 Microsoft Azure 更深入的云服务支持，并与技术提供商 ARM、Intel、IBM、NVIDIA 和 Qualcomm、硬件和开发人员更紧密地集成工具。
在这个新版本中，PyTorch 具有新的混合前端，可以编写从极速模式跟踪到图形模式的模型，以缩小探索和生产部署之间的差距。
它现在还拥有改进的 torch.distributed 库，可以在 Python 和 C++ 环境中实现更快的训练，以及用于性能关键研究的 beta eager 模式 C++ 接口。
这正好迎合了PyTorch的新特性，并已被其他科技公司广泛接受和集成。
现在几乎所有从事AI领域工作的人都采用这个AI/ML框架。
PyTorch 1.0 具有三大新功能：首先，它添加了一个新的混合前端，支持从 eager 模式到 graph 模式的跟踪和脚本模型，以弥合研究和生产部署之间的差距。
第二个是改进的 Torch 分布式库，可以在 Python 和 C++ 环境中实现更快的训练。
第三，增加了用于关键性能研究的Eager模式C++接口，该接口将在测试版中发布。
PyTorch 1.0 基于 Python，使开发人员能够在单一框架内无缝地从研究转向生产。
PyTorch 1.0 将 PyTorch 以研究为导向的方面与 Caffe2（一种流行的深度学习框架）和 ONNX（开放神经网络交换）（一种深度学习模型开放格式的表示）的模块化、以生产为中心的功能集成在一起。
目前，PyTorch 已用于 Facebook 的许多产品中。
例如，Facebook 在神经网络上使用人工智能，每天执行 60 亿次翻译。
Amazon SageMaker 是 AWS 用于大规模训练和部署 ML 模型的完全托管平台，现在提供预配置的 PyTorch 1.0 环境，其中包括自动模型调整。
与此同时，谷歌云平台的深度学习虚拟机有一个新的PyTorch 1.0虚拟机镜像。
它预装了 NVIDIA 驱动程序和教程。
Google 还提供云张量处理单元 (TPU)，它们是为 ML 定制开发的 ML 应用专用集成电路 (ASIC)。
最后，Microsoft Azure 机器学习服务现在允许开发人员从本地服务器上的 PyTorch 模型训练无缝迁移到 Azure 云。
人工智能是当今 Facebook 的基础技术，它使现有产品变得更好并推动新体验。
所以对于 Facebook 来说，PyTorch 1.0 只是一个开始。
创建和分享更好的AI编程模型、接口和自动优化是未来不断探索的路径。
同时，Facebook还将开源许多其他生产型AI工具。