過去的十餘年裡，人工智能算法的性能突飛猛進，在圖像識別、文本處理、異常檢測甚至圍棋策略上，都超越了人類。
以圖像識別為例，2012年的AlexNet將卷積神經網絡(CNN)帶入視野，可謂是本次AI熱潮的發軔之作。它的成功在於將識別的錯誤率從26.2% 驟降至 15.3%，這一數據基於上千萬張圖片構成數據集——ImageNet。
算法的提升，讓越來越多的AI應用成功落地。但同時，也有越來越多的人開始關注：“代價是什麼呢？”
深度神經網絡的能力是用數據“訓練”出來的，訓練需要極大的計算資源，這是一般CPU難以支撐的，所以適於並行計算的GPU，便成為調教AI的更優選擇。這就是為什麼卷積神經網絡在上世紀90年代便已出現，卻時隔20多年才流行。其他架構，如專用於矩陣計算的TPU（張量處理單元），嵌入式神經網絡處理器(NPU)等也是時下研究熱點。
無論哪種處理器架構，都不得不考慮其代價，無論是金錢上的，還是時間上的，兩者也經常是一回事（一位地精曾經說過：時間就是金錢，我的朋友）。
2017年，斯坦福大學發起了DAWN(Data Analysis and What's Next)項目，意在從四個方面衡量部署深度學習應用的代價。
這四個方面是：
1. Training time（訓練時間）
2. Training Cost（訓練成本）
3. Inference Latency（推斷延遲）
4. Inference Cost（推斷成本）
實驗的基礎仍是知名開源大規模數據集，其中首位便是ImageNet。
以訓練成本為例，要在ImageNet上，訓練ResNet50，使之top-5驗證準確度達到93%，需要多少錢？
在最新的排行榜上，答案是7.43美元。這個答案來自阿里雲AIACC團隊，比第二名Google Cloud的12.60美元節省了近一半。
經過訓練之後的深度神經網絡，推斷一張圖片所屬類別，最少需要的時間則是0.0739秒。在推斷延遲的榜單上，來自阿里雲的團隊包攬了前4名。
要獲得這樣的效果，顯然不是一臺電腦能夠完成的，需要大規模分佈式計算。阿里雲在多個層面上支持深度學習加速，比如AIACC在框架層對深度學習框架的分佈式通信進行了優化，降低了多臺GPU之間交換梯度數據的延遲；而FastGPU則封裝了計算資源、數據存儲、環境配置等系列操作，並且動態釋放資源以節省開支。
除了人工智能方面的突破，阿里雲在市場方面的綜合表現也十分搶眼。根據權威研究機構Gartner發佈全球IaaS市場份額報告，阿里雲連續成為全球前三，亞太第一。
在全球市場上，阿里雲超越Google Cloud，3A(Aliyun, AWS, Azure)的格局已經形成。並且阿里雲增長勢頭迅猛，有望進一步威脅AWS和Azure。
