开源的人工智能项目并不总是得到很多宣传，但它们在人工智能的发展中起着至关重要的作用。因为这些开源项目经常被开发者作为激发灵感的项目来上手，所以这些进步是创造性的，特别具有前瞻性。    这些开源人工智能项目通常不受企业开发环境的限制，可以梦想成真——并且通常会带来突破性的机器学习和人工智能进步。同样重要的是：这些领先的开源人工智能项目的进步推动了更大的人工智能领域的进步。

如果你知道其他顶级开源人工智能工具应该在这个列表中，请在文末留言与我们分享。

1、PyTorch

PyTorch 具备领先的开源人工智能项目的所有元素。它侧重于机器学习，可以说是新兴技术发展阶段人工智能最受欢迎的应用。更重要的是，开发者和AI工程师可以在顶级云计算平台上搭建 PyTorchAWS 上的 PyTorch 和 Azure 上的 PyTorch 都是可行的，Google Cloud 和阿里巴巴也是可行的。PyTorch 提供了神经网络，这是人工智能发展的一个基本要素。

2、Open Neural Network Exchange

由微软和脸书开发的 Open Neural Network Exchange（开放式神经网络交换）提供了一些非常强大的工具，尤其是将完全开发的神经网络模型(在系统中花费了大量时间进行训练)回收到各种其他系统中的能力。本质上，开放神经网络交换通过支持这种移植极大地扩展了现有模型的有用性。预计 ONNX 在未来几年将变得越来越受欢迎。

3、IBM AI Fairness 360

人工智能算法中的偏差问题越来越受到关注，AI Fairness 360是解决这一问题的开源解决方案。该工具提供了算法，使开发人员能够扫描最大似然模型，以找到任何潜在的偏见，这是打击偏见的一个重要部分，当然也是一项复杂的任务。重要的是，人工智能公平性允许人工智能工程师在整个开发生命周期中探索算法。该工具可以设置为自动工作。该工具的基础是一个检查相关性的架构；这种相关性是否创造了一种暗示有害刻板印象的预测？

4、Keras

Keras 在人工智能开源项目的世界中是罕见的：它把自己宣传为“一个为人类而设计的应用编程接口，而不是机器。”作为一个 Python 深度学习 API，Keras 可以与像 Antao 和微软 Cognitive Toolkit 这样的高知名度人工智能项目进行互操作。开发人员和人工智能工程师将其用作一个 ML 库，以相对容易的方式构建原型。同时也有助于其易于部署，Keras 可以在混合处理器硬件上运行。

5、Accord.NET

顾名思义，Accord.NET 使用. NET 框架。这是一个 . NET ML 学习框架，提供用 C# 编码的图像和音频库。它具有前瞻性，因为它为开发商业级应用程序提供了一个平台，包括面向信号处理的应用程序、视听工具集和统计应用程序。如果你刚刚起步，Accord.NET 还包括模板应用程序，这样你就可以更快地开始构建。

6、GPT-2

当然，开源人工智能技术正在产生轰动效应，创成式预训练变压器2 (GPT-2)于 2019 年由 OpenAI 发布。GPT 利用深度神经网络，它使用多层软件来处理任意数量的输入。众所周知，GPT 2 号处理文本，从翻译到创造文本，在最好的情况下，可以与人类书写的文本非常相似。此外，它是一个非常强大的学习工具，可以非常准确地合成和适应数据。

7、Cheatsheets AI

如果你是一个可以在开放源码的语言/人工智能项目中伸出援手的语言/人工智能开发者，这个项目是非常有用的。与其说是一个项目，不如说是一个学习工具，它可以帮助你跟上人工智能/人工智能项目的速度，从 Keras 到 Scripy 到 PySpark 到 Dask。它所提供的指导是深入的，而且必然是复杂的。虽然 Cheatsheets AI 是为“人工智能新手”设计的，但事实上你需要一些预先培训才能使用这一资源。

8、TensorFlow

还有不知道 TensorFlow 的开发者吗？这几乎是一个家喻户晓的名字。由 Google Brain 团队开发，供 Google 内部使用，现在是最著名的开源机器学习平台之一。Google 还向研究人员免费提供了基于云的 TensorFlow 版本。

9、Caffe

最初是由加州大学伯克利分校的精英们创造的 Caffe 已经成为一个非常受欢迎的深度学习框架。它的名气包括表达架构、可扩展代码和速度。

10、H2O

凭借庞大的用户群，H2O 自称是“世界领先的开源深度学习平台”除了开源版本，该公司还提供付费支持的高级版本。

11、Microsoft Cognitive Toolkit

显然，微软已经进入开源世界了。微软 Cognitive Toolkit 原名 CNTK，承诺训练深度学习算法像人脑一样思考。它拥有速度、可扩展性、商业级质量以及与 C++ 和 Python 的兼容性。微软用它来支持 Skype、Cortana 和必应的人工智能功能。

12、DeepMind Labs

AI 和 ML 里另一个很响亮的名字。DeepMind 实验室旨在用于人工智能研究，是一个3D游戏环境。它是由 Google 的 DeepMind 小组创建的，据说特别适合深度强化学习研究。

13、ACT-R

ACT-R 由卡内基梅隆大学开发，是人类认知理论和基于该理论的软件的统称。该软件基于 Lisp，并且有大量的文档。操作系统：Windows，Linux，macOS。

14、StarCraft II API Library

你不会以为 AI 都是用于办公吧？Google 的 DeepMind 和暴雪娱乐公司正在合作一个项目，使星际争霸2视频游戏成为人工智能研究平台成为可能。这是一个用于构建脚本机器人的跨平台 C++ 库。

15、Numenta

Numenta 组织提供了许多与分层时间内存相关的开源项目。本质上，这些项目试图基于当前对人类新皮层的生物学理解来创造机器智能。

16、Open Cog

诚然，这是一个很大的野心：Open Cog 的目标不是专注于人工智能的一个狭窄方面，如深度学习或神经网络，而是创造有益的人工通用智能(AGI)。该项目致力于创造具有类人智能的系统和机器人。

17、Stanford CoreNLP

这种基于 Java 的自然语言处理软件可以识别单词的基本形式、它们的词性以及它们是公司名称还是人名，还可以对日期和时间进行规范化。它根据短语和句法依存关系标记句子的结构，指示哪些名词短语指的是相同的实体，识别情感，提取实体提及之间的特定或开放类关系，并获得引用。它是为英语设计的，但也支持多种语言。

18、Prophet

由脸书开发和使用——是的，他们有深厚的资源——先知预测时间序列数据。它是用 R 或 Python 实现的，并且是全自动的、精确的、快速的和可调的。

19、SystemML

SystemML 最初是一个 IBM 研究项目，现在是一个顶级 Apache 项目。它将自己描述为“使用大数据进行机器学习的最佳工作场所”，并与 Spark 集成。

20、Theano

深度学习可以认为是 AI 的最远的边缘。面向深度学习的 Anano 将自己描述为“一个 Python 库，允许高效地定义、优化和评估涉及多维数组的数学表达式。”关键特性包括 GPU 支持、与 NumPy 的集成、高效的符号区分、动态 C 代码生成等等。

21、MALLET

MALLET 是“机器学习语言工具包”的缩写，包括基于 Java 的统计自然语言处理、文档分类、聚类、主题建模、信息提取等工具。它于 2002 年由马萨诸塞州阿姆赫斯特大学和宾夕法尼亚大学的教师和研究生首次创建。

22、DeepDetect

作为开源人工智能领域交叉合作的一个例子，DeepDetect 已经被空客和微软等组织所使用。DeepDetect 是基于 Caffe、TensorFlow 和 XGBoost 的开源深度学习服务器。它为图像分类、对象检测以及文本和数字数据分析提供了一个易于使用的应用编程接口。

人工智能应用场景示例

在视频监控行业中，基于AI算法的视频分析技术，使用机器学习和深度学习方法来识别对象，对它们进行分类，并确定它们的属性。TSINGSEE安防视频结构化智能分析平台EasyCVR已经融合了深度学习技术，可实现对接入的视频监控图像进行智能分析，例如人脸检测与识别、人体姿态估计、物体检测、车牌识别、车流统计等。

发展趋势

国家“新基建”已经把人工智能纳入其中，同时受益于深度学习算法的快速发展，AI智能安防技术已经得到了越来越广泛的应用，人工智能技术的落地也随之高速发展。但是，在应用场景上仍然存在较多需要突破的技术创新点。