行业名家力荐
本书以系统工程为主线，全面贯通了AI从底层架构、数据预处理、模型训练、计算平台、人机协同，到可信AI、负责任AI、战略规划、MLOps部署及团队建设的完整流程，构建了“技术—流程—人才”三位一体的AI工程化落地体系。依托MIT的前沿实践，本书不空谈算法理论，直面产业界在原型落地难、工程化能力不足、治理体系不完善等方面的核心痛点，以清晰的框架、实战案例和可落地的解决方案，为AI从实验室走向规模化商用提供了严谨的路径。本书既是高校构建AI工程化知识体系的优质教材，也是企业技术团队与管理层实现AI价值转化的实用指南，对推动人工智能的系统化、工程化与可持续发展具有重要指导意义。
——蔡占川 教授，澳门科技大学计算机科学与工程学院院长
这本书真正难得之处，在于深刻讲透了“AI不是模型，而是系统”这一核心观点：从架构、流程到组织与部署，打通了从实验室原型到业务落地的“最后一公里”。它不仅是技术指南，更是一套工程与战略的统一方法论，尤其适合真正想把AI技术成功落地为商业化产品的从业者。
我特别喜欢下面这一观点，让我深有共鸣：
“技术、流程和人才这三个要素对AI系统的成功设计、开发和部署至关重要。”
这句话几乎直击要害，精准点破了大多数AI项目失败的核心根源。
——Kevin Leung，宝马诚迈CEO
人工智能正加速迈向深水区，“重算法、轻工程”的传统模式已成为制约落地应用的重要瓶颈。结合我在智能运维AIOps领域的研究实践，我深知高可靠AI系统的构建既关键又艰巨。《人工智能：从架构到部署的系统工程》立足系统工程视角，系统梳理了AI应用从架构设计到部署落地的全生命周期框架，不仅提供了清晰的方法路径，还融汇了MIT顶尖团队的实战智慧。全书兼具学术深度与工程指导价值，对推动人工智能从模型创新走向系统落地具有重要启发，是一部值得推荐的佳作。
——裴丹，清华大学长聘副教授
将人工智能从一个算法模型，系统性地转化为可部署、可运营的工程系统，是当前AI落地最难跨越的鸿沟。马丁内斯与基夫莱合著的本书，首次将MIT林肯实验室的系统工程方法论完整引入AI领域——从架构原则到部署交付，从V模型生命周期到MLOps实践，为读者提供了一套贯穿端到端的工程化指南。
尤为值得称道的是，本书各位译者深耕软件与架构多年，具备丰富的外企研发与项目管理一线经验。他们对系统工程本质的深刻理解，使译文精准传达了原著的技术精髓，语言流畅且严谨。这部译作堪称中国AI工程化进程中的及时雨。
——禹业栋，南京矽典微系统有限公司副总经理
2025年被业界普遍认定为AI原生应用元年，也是AI从底层大模型竞争走向应用落地爆发的标志性节点。我们也深刻感受到，在AI日新月异的变革给软件产业带来剧烈冲击的同时，保障AI系统的工程化落地实现正在成为软件工程新的用武之地和科研新热点。
本书摒弃碎片化的技术堆砌，从系统工程视角重构AI实践，科学融入战略规划、人机协作等关键环节，是跨越技术与管理鸿沟、实现端到端AI系统工程化的必读指南。
——张贺，南京大学软件工程教授、软件研发效能实验室主任，
澳大利亚联邦科学院主任科学家
序 言
本书全面介绍了运用系统方法进行人工智能(Artificial Intelligence，AI)能力架构、设计、开发和部署的相关内容。读者通过本书将深入了解以下七个领域：
● 理解端到端AI系统架构
● 学习AI流水线构建模块的技术原理
● 制定聚焦于AI产品或服务的战略愿景与开发路线图
● 将AI开发成果转化为实际运营
● 培育和领导创新型AI团队
● 向利益相关者有效传达AI价值主张
● 从应用案例、实践练习和大量参考文献中获得实战经验
本书面向高年级本科生、研究生及在职AI从业者。本书内容分为三部分：
● 第Ⅰ部分聚焦AI系统架构及其功能模块。
● 第Ⅱ部分从架构原理出发，帮助制订战略开发计划或蓝图(采用作者在实际应用中广泛使用的战略开发模型)。
● 第Ⅲ部分通过作者在麻省理工学院(Massachusetts Institute of Technology，MIT)为研究生和专业人士授课的应用案例总结全书。
我们决定撰写本书，是因为当前涵盖AI技术、成功实施和部署AI所需的流程以及人才的资源极为匮乏。技术、流程和人才这三个要素对AI系统的成功设计、开发和部署至关重要。遗憾的是，许多企业因缺乏必要工具和技术，未能将AI概念和原型转化为实际运营。本书提供的参考资料，有助于解决AI能力从研发到产品化落地所面临的挑战。
建议对AI基础模块了解有限的读者从第Ⅰ部分开始学习；具备AI背景且希望学习从架构原则到部署过程中领导AI团队的实际工具与技术的读者，可以从第Ⅱ部分开始阅读。第Ⅲ部分所讨论的应用案例有助于巩固前两部分阐述的概念。书中的大量图表、练习和参考文献(可通过扫描本书封底二维码下载)，则对各章节内容的讨论提供了有效补充。
附录A.1列举了具有代表性的AI行业和应用示例，可用于课堂教学，辅助学生选择战略路线图制定方向。附录A.2～A.5提供了配置Anaconda环境以运行Jupyter Notebook的指南，演示了多层感知器(Multilayer Perceptron，MLP)、卷积神经网络(Convolutional Neural Network，CNN)的实现及关键机器学习(Machine Learning，ML)性能指标的使用。附录A.2～A.5改编自Aurelien Geron的优秀著作Hands-On Machine Learning with SciKit-Learn, Keras and TensorFlow(第二版，O’Reilly 2019)，读者可从https://github.com/ageron/handson-ml2获取示例代码和快速入门指南。附录A.6简要介绍了MIT课程中使用的树莓派(Raspberry Pi)，学生曾用它向AI行业和学术专家演示ML神经网络。
AI潜力巨大，但管理不当也会带来重大风险。我们希望读者采用从架构原理到部署的系统方法，将AI脱离“安全轨道”的风险降至最低。如著名的阿马拉定律所述：
“我们往往高估技术的短期影响，却低估其长期影响。”
——罗伊·阿马拉(Roy Amara)，美国研究员、科学家、未来学家
随着AI的不断发展，它为增强人类能力带来了无限可能。但在架构、设计、开发和部署过程中，我们必须谨慎行事，与参与该过程的利益相关者共同建立一套严格的测试、验证和确认方法。
致 谢
本书的撰写历时数年。其雏形可追溯至作者之一大卫·马丁内斯在MIT林肯实验室开始构思AI教程材料之时。该教程材料来自林肯实验室，为大卫·马丁内斯、比尔·斯特莱林和尼克·马利斯卡领导的全面AI研究提供了背景和导论。布拉德·迪尔曼在AI研究报告的组织及其所有图表的制作方面贡献颇丰。
本书的完成离不开林肯实验室领导层的持续支持。埃里克·埃文斯和斯科特·安德森自始至终提供鼓励和支持。林肯实验室丛书(Lincoln Laboratory Book Series，LLBS)主席吉姆·沃德也积极推动本书纳入该丛书体系。我们还要感谢林肯实验室网络安全与信息科学部(第五研究部)领导层的持续鼓励。第Ⅱ部分关于战略规划和领导力的内容，源于在第五研究部多年的实践应用。布拉德·迪尔曼将原始讲义图表转换为书籍所需格式。第五研究部行政支持人员金伯利·皮特科和蕾妮·吉尔菲也提供了重要协助，皮特科在提案准备阶段担任行政助理，并协助获取大量参考资料。
感谢MIT林肯实验室知识服务部的鲍勃·霍尔，他应作者请求勤勉地检索了大量文献。鉴于本书涵盖的主题广泛，为各章节筛选最相关的文献是一项重大工程。
与MIT出版社的伊丽莎白·斯韦齐和马修·瓦拉德斯的合作令人愉快。从提案阶段开始，直至匿名审稿反馈结束，他们全程都会给出清晰指导。感谢匿名审稿人提出了一些宝贵意见，使本书在质量、内容和流畅性上有显著提升。
最初的AI教程材料构成了MIT工程学院特别主题课程讲义的核心图表。特别感谢MIT戈登工程领导力(Gordon Engineering Leadership，GEL)项目的领导和员工在课程讲授期间的支持。感谢布拉德·迪尔曼制作课程讲义图表，查理·史密斯制定树莓派单板计算机使用的信息技术(Information Technology，IT)指南，以及所有构思并完成创新课程项目的研究生，其中部分项目被用于本书第Ⅲ部分。
自2021年冬季以来，大卫·马丁内斯和布鲁克·基夫莱使用本书内容为MIT职业教育(MIT PE)的AI与机器学习证书项目开设多门课程。MIT PE由工程学院于2002年创立，为全球工程和科学专业人士提供世界级教育机会。我们非常感谢MIT PE中心给予的机会，特别感谢巴斯卡尔·潘特、玛尔戈扎塔·赫德里克、米里亚姆·约瑟夫、吕门、林赛·纳伦以及MIT PE办公室所有行政支持人员。感谢所有帮助完善讲义内容并基于本书前两部分教学完成课程项目的学生，其中部分精选项目被纳入第Ⅲ部分。
最后，我们还要感谢在写作过程中给予最亲密支持的人。撰写本书需要作者投入大量时间，导致无法陪伴家人、挚友、导师和同事。
大卫·R. 马丁内斯
我要深深感谢妻子丹尼斯的持续鼓励。我们常散步交流，让我有机会与她分享写作进展。她是我始终如一的支持者。女儿黛安和女婿肖恩作为非AI专业人士，帮助我将书中概念转化为易懂的解释。儿子罗伯特协助调试计算机配置，确保Jupyter Notebook正常运行，并参与早期树莓派ML代码的演示。
感谢两位导师给予的宝贵机会：MIT的阿尔·奥本海姆教授是学术楷模，以实际行动展现了他对研究生的深切关怀；MIT林肯实验室的肯·森纳激发了我运用先进技术解决最困难问题的热情。
与布鲁克·基夫莱合著本书并共同教授AI课程的过程令人愉快。他对书中内容有深刻理解，并将书中从架构原理到部署的AI能力转化方法付诸实践。
布鲁克·M. 基夫莱
衷心感谢家人在我学术和职业道路上的坚定支持。特别感恩父母梅斯芬和叶希梅贝特，他们勇敢地从埃塞俄比亚移民美国，为我和兄弟姐妹创造机遇。他们克服困难的无私与决心始终激励着我，他们的指导、祈祷和鼓励对我的成长及本书完成至关重要。
感谢我的三位兄弟姐妹泽盖雷达、森塔耶胡和雷迪特，他们的支持是我前行的动力。
感谢我的挚友、同事和导师的持续支持与指导，他们的帮助对本书完成不可或缺。
感恩培养我的机构：MIT给予我世界级教育，让我有机会与顶尖人才探索新领域；微软提供的创新协作环境，让我得以学习成长。这两家机构对我早期的职业生涯发展至关重要。
最后，衷心感谢大卫·马丁内斯对我的信任，他让我有机会参与本书的撰写，并且始终如一地鼓励与启发我。
