18世紀(jì)60年代，當(dāng)蒸汽機(jī)被發(fā)明時，絕大多數(shù)人并沒有意識到“工業(yè)革命”的到來;
1946年ENIAC問世時，人們也意識不到，計算機(jī)會在半個世紀(jì)后，成為支撐社會運轉(zhuǎn)、科技創(chuàng)新的基礎(chǔ)設(shè)施;
即便是2005年，人們也想象不到無需現(xiàn)金，僅用一部手機(jī)就可以解決衣食住行的幾乎所有需求;無需單獨的相機(jī)，也可以隨時隨地記錄身邊的點滴。
每當(dāng)顛覆性技術(shù)誕生時，人們總會低估它給社會經(jīng)濟(jì)帶來的影響，只有在數(shù)十年后對歷史加以總結(jié)時，它的價值才會被定義。
就像比爾 蓋茨所說：我們總是高估在一年中能夠做到的，而低估五年或者十年中能夠做到的。
如今，這個主角輪到了“人工智能”。
2022年，AI產(chǎn)業(yè)鏈初步完善，各行業(yè)需求不斷涌現(xiàn)，從業(yè)者們高舉「AI進(jìn)入千行百業(yè)」旗幟擴(kuò)大市場，一些先行者更是成功IPO。
降本增效、數(shù)字化轉(zhuǎn)型、數(shù)字經(jīng)濟(jì)……紛紛成為當(dāng)下AI產(chǎn)業(yè)化相關(guān)的熱點詞匯。引領(lǐng)第四次工業(yè)革命和生產(chǎn)力的迭代，AI的這些價值更是多方共識。
但10年后、50年后的AI圖景，沒有人能夠清晰描繪。AI的發(fā)展是否會像今天我們所預(yù)測和定義的那樣——
以我們當(dāng)前的視野，給不出準(zhǔn)確答案。
面對AI的星辰大海，我們才剛離開地球表面。
身處產(chǎn)業(yè)變革的漩渦之中，或許很難看到AI的終局，但AI算法的“超大規(guī)模”和“精細(xì)化”，至少是通往這一終局的必經(jīng)之路。
超大規(guī)模和精細(xì)化趨勢下，AI亟待工業(yè)革命
所謂超大規(guī)模，即AI算法無處不在——
算法數(shù)量會像APP數(shù)量一樣，呈爆炸式增長，深入到生產(chǎn)、工作、生活的每一個細(xì)枝末節(jié)，成為城市管理、企業(yè)發(fā)展的重要資產(chǎn)。
正如今天智能手機(jī)應(yīng)用商店中動輒數(shù)百萬的APP種類，算法幾乎覆蓋了各類人群、各行各業(yè)的各種需求。其中有很多，都已成為了我們的日常生活的一部分。
所謂精細(xì)化，即單一AI算法的功能會越來越細(xì)分，而無數(shù)個細(xì)小的AI算法，會根據(jù)不同行業(yè)、不同場景、不同設(shè)備的使用需求，組合成復(fù)雜度極高的AI應(yīng)用。
在這樣的趨勢下，很快，每一個我們習(xí)以為常的AI應(yīng)用，可能都會成為由成百上千種算法組成的復(fù)雜智能體。
精細(xì)化也會帶來AI的場景化，換言之，即是需要根據(jù)客戶自身的實際情況和需求特點，針對性地訓(xùn)練適用于不同垂直和細(xì)分場景的AI算法。
但隨著場景的不斷發(fā)掘，來自客戶的定制化需求數(shù)量也會快速激增，這會給AI的落地帶來更多挑戰(zhàn)，針對每一個需求專項定制不僅增加成本，還會拖慢落地周期。
僅看社區(qū)管理一域，算法需求就包含垃圾溢出、高空拋物、口罩檢測、車輛違停識別、電動車進(jìn)電梯、住戶居民摔倒、電梯困人等大量細(xì)碎需求。制造、能源等領(lǐng)域也類似。
而同一個模型在不同場景，其適用程度也不相同。
以火焰煙霧識別為例，放在社區(qū)街道，有人點煙肯定無需報警，放工地里，火花大如電焊也無需提醒，但在加油站，需求又變成一點火星也不能放過。
這些場景雖然給算法帶來了大量碎片化的長尾需求，但仍是社區(qū)管理智能化必不可少的一環(huán)。
然而這類長尾場景有一個顯著的特點，那就是樣本數(shù)據(jù)稀少，可用于訓(xùn)練的高質(zhì)量數(shù)據(jù)集更是奢侈品。
因此，在開發(fā)過程中，很多時候需要現(xiàn)場采集數(shù)據(jù)進(jìn)行初代訓(xùn)練，并在算法上線后持續(xù)迭代。只有經(jīng)驗豐富的算法工程師才能在有限數(shù)據(jù)量下，訓(xùn)練出一個精度還不錯的算法。
而在“超大規(guī)模”和“精細(xì)化”趨勢下，AI算法的終端部署適配，更是AI落地又一大隱藏痛點。
算法要想使用效果好，芯片適配是必要的過程。
這項工作展開說，要針對不同芯片，編寫不同工具鏈的開發(fā)工具包，還要針對終端芯片性能進(jìn)行量化調(diào)整，以盡可能提高芯片的利用率。
目前，市場大部分AI企業(yè)只做適配了NVIDIA、高通等主流品牌及自研芯片，如若用戶所用芯片不在適配范圍內(nèi)，就需要額外花費至少2~3個月的時間進(jìn)行單獨適配，即便如此，芯片的利用率可能仍只有不到10%，造成極大資源浪費。
在傳統(tǒng)的開發(fā)模式下，從業(yè)務(wù)問題的定義，到數(shù)據(jù)的采集和標(biāo)注，算法模型的設(shè)計、調(diào)參、訓(xùn)練、調(diào)優(yōu)，再到模型的芯片適配和性能評估——
整個鏈條不僅繁雜、周期長，且需要大量的人工參與，整個過程通常往往需要數(shù)月之久。算法利用率的不確定性，更會增加算力成本。
這種“必須人工，才能智能”的工匠精神，在面對未來的海量需求時，就會力不從心。
用手工劃船，不可能離開地球表面。大家期待AI能夠帶來第四次工業(yè)革命，解放更多勞動密集型的工作，但AI自身，卻又成為了勞動密集型產(chǎn)業(yè)。大量研究院和工程師們的重復(fù)勞動，又有誰來解放?
此外，深入產(chǎn)業(yè)落地，也需在標(biāo)準(zhǔn)化與定制化的博弈中左右抉擇。
此前，算法SDK、SaaS服務(wù)盛行，很多企業(yè)希望借此逐漸將產(chǎn)品標(biāo)準(zhǔn)化，實現(xiàn)規(guī)模發(fā)展。結(jié)果卻發(fā)現(xiàn)，AI越是深入產(chǎn)業(yè)，碎片化、非標(biāo)準(zhǔn)化需求越多，依靠單一模型通用解決所有問題的是一個行不通的商業(yè)模式。
而做定制化方案、總包集成項目，又會陷入成本高、利潤低、賺不到錢的困局，成為AI企業(yè)們不愿意接的苦力活。
AI產(chǎn)業(yè)化供需之間的巨大溝壑，商業(yè)模式的束縛，亟待生產(chǎn)力和生產(chǎn)關(guān)系的重構(gòu)。AI自身，也需要一次工業(yè)革命。
AutoML，告別手搖織布機(jī)的AI時代
其實，各路前沿玩家很早就意識到了這個兆頭，并開始著手解決。
有人增派人手潛心深入行業(yè)，對新增算法逐一研發(fā)，躬身入局與行業(yè)強(qiáng)綁定，初期就著手構(gòu)建完整方案教育市場，下場做了很多集成工作。
也有人上馬超算中心，建立大模型大裝置，希望能一口氣解決所有問題。
還有一種新的方式，不但要做到AI開發(fā)的“降本增效”，還要降低使用門檻形成行業(yè)普及——
用AI的方式解決AI需求，其底層技術(shù)來自AutoML，主打兩個字：高效。
技如其名，AutoML指的是在機(jī)器學(xué)習(xí)各階段減少人工參與，把“工匠手工打造”變成“流水線自動化作業(yè)”。
從模型的結(jié)構(gòu)設(shè)計到調(diào)超參、從訓(xùn)練到模型的精簡壓縮、還有芯片的適配和部署……在不同階段采用自動化方案，讓機(jī)器替代人工完成調(diào)參、數(shù)據(jù)處理等等繁復(fù)工作。
核心理念即用AI訓(xùn)練AI。
因AutoML將對原有底層框架、以及合作模式的重塑，有圈內(nèi)人將其稱為：人工智能2.0階段的標(biāo)志。
作為AutoML的提出和嘗鮮者，谷歌已經(jīng)快速進(jìn)行了相關(guān)布局，還有一些初創(chuàng)公司，也積極開展AutoML創(chuàng)新，成為AI行業(yè)賦能百業(yè)的踐行者。
革新AI的生產(chǎn)力和生產(chǎn)關(guān)系
反映到實際的產(chǎn)業(yè)應(yīng)用中，AutoML有多高效?
深圳初創(chuàng)公司“共達(dá)地”的兩名產(chǎn)品經(jīng)理基于公司的自動化訓(xùn)練平臺，只用2~3周時間，便快速訓(xùn)練完成了超過100個算法，涵蓋了目標(biāo)檢測追蹤、圖像分類、語義分割、姿態(tài)檢測、3D檢測等五個大類視覺算法，覆蓋80+個碎片化應(yīng)用場景以及70+款A(yù)I芯片。
簡單換算的話，原本算法開發(fā)到部署需要至少半年，現(xiàn)以自動化方式，半天就能完成，效率指數(shù)級增長。
但將AutoML全面帶向商業(yè)市場，還需要從客戶價值角度出發(fā)，幫助客戶以更低的成本快速上手，創(chuàng)造生產(chǎn)力的革新;同時，聯(lián)動產(chǎn)業(yè)上下游，優(yōu)化產(chǎn)業(yè)的供需體系，實現(xiàn)生產(chǎn)關(guān)系的重塑。
首先，是生產(chǎn)力的革新。
雖說AutoML號稱「自動」，但對非AI技術(shù)出身的產(chǎn)品經(jīng)理、數(shù)據(jù)分析師等群體來說，仍屬于「搞不明白」的頭痛工具。
有別于科技巨頭僅用其提升內(nèi)部技術(shù)人員工作效率，共達(dá)地在開發(fā)Pipeline上進(jìn)行全鏈條自動化改造，讓不懂AI的業(yè)務(wù)人員也能使用AI，大幅降低AI的使用門檻，做企業(yè)背后的無限的AI生產(chǎn)力。
從圖中可以看出，共達(dá)地全流程實現(xiàn)了0代碼低門檻使用AutoML訓(xùn)練自己想要的AI，用戶只需要簡單的點選按鈕，就可以根據(jù)自身需求，自助式上傳訓(xùn)練數(shù)據(jù)，平臺即可自主完成模型設(shè)計、訓(xùn)練和調(diào)參，短時間內(nèi)就可訓(xùn)練出一個高質(zhì)量的AI視覺算法。
目前，該平臺已覆蓋行業(yè)90%以上常見任務(wù)，大類涵蓋：檢測、分割、分類、人體、3D等方面算法。數(shù)據(jù)采集標(biāo)注也可交給共達(dá)地合作方，產(chǎn)品經(jīng)理和業(yè)務(wù)專家們只需負(fù)責(zé)定義需求，即可快速完成落地，實現(xiàn)“定義即所得”。
由于現(xiàn)實中，很多中小企業(yè)對于碎片化場景算法有迫切需求，該團(tuán)隊還聯(lián)合數(shù)據(jù)廠商，快速推出了自動化「算法商城」——
讓客戶能夠以0代碼、即插即用的方式，快速將AI算法應(yīng)用于自身業(yè)務(wù)鏈條當(dāng)中，實現(xiàn)智能化升級。
目前，這一商城包含近百個場景，適配70余款芯片的5000多種高精度算法，供客戶直接使用。
第二，是生產(chǎn)關(guān)系的重塑。
通過開放賦能，將AI交付能力賦予廣泛的生態(tài)合作伙伴，共同踐行將AI賦能百業(yè)。
目前，AI產(chǎn)業(yè)鏈囊括了數(shù)據(jù)廠商、芯片廠商、基礎(chǔ)設(shè)施廠商等多個不同環(huán)節(jié)的角色，共達(dá)地企業(yè)定位于開放，因此，在通過AutoML平臺重塑產(chǎn)業(yè)鏈的過程，保持了對各環(huán)節(jié)伙伴的充分開放性。
以針對芯片廠商的適配為例。
由于不同芯片平臺都會基于自身芯片硬件架構(gòu)特性，開發(fā)自己的工具鏈，在AI模型生成和部署環(huán)節(jié)中，需要兼顧各個不同芯片平臺的硬件適配性和利用率。
共達(dá)地AI平臺在SDK層面會整合不同工具鏈，完成模型到終端芯片的自適應(yīng)轉(zhuǎn)換，滿足AutoML訓(xùn)練平臺生成的模型能夠一鍵下發(fā)至終端設(shè)備，并讓AI算法模型發(fā)揮充分效能。
基于AutoML的高效，共達(dá)地完成了幾乎所有主流芯片與盒子的預(yù)適配，可以將芯片利用率提升至50~60%，相較于10%利用率的行業(yè)普遍水平，大大提升了算力效能。
不僅僅是量變，更是產(chǎn)業(yè)變革的奇點
從過去一個算法需要一群AI工程師專項開發(fā)數(shù)月時間，到如今一個身處業(yè)務(wù)一線、不懂算法開發(fā)或代碼編程的產(chǎn)品經(jīng)理，一鍵三連，就可以根據(jù)自身需求，高效率地自主生產(chǎn)高質(zhì)量的算法。
AutoML帶來的不僅僅是量變，更是產(chǎn)業(yè)變革的奇點。
當(dāng)前，已有越來越多圈內(nèi)企業(yè)開始應(yīng)用AutoML技術(shù)改變AI開發(fā)模式。很多企業(yè)正是受益于共達(dá)地的自動化訓(xùn)練平臺和算法商城。
基于AutoML技術(shù)，共達(dá)地與客戶共創(chuàng)共建，針對各行各業(yè)海量的垂直和細(xì)分領(lǐng)域的場景化AI需求，共同進(jìn)行業(yè)務(wù)問題的定義，幫助客戶實現(xiàn)算法的高效定制及下發(fā)部署，快速滿足各類定制化需求，提高開發(fā)效率，降低人力和研發(fā)成本，與客戶合作共贏。
例如央企旗下城市服務(wù)科技公司，平安智慧城市，就放手嘗試應(yīng)用AutoML技術(shù)為其生產(chǎn)多場景的算法。
通過共達(dá)地的自動化訓(xùn)練平臺，平安智慧城市的開發(fā)者無需編代碼，即可進(jìn)行違規(guī)停車檢測、井蓋丟失或損壞檢測、煙火檢測、占道經(jīng)營檢測等碎片化場景的算法模型訓(xùn)練，還能一鍵到端部署。這一過程中，一路算法開發(fā)到部署花費時間最快只需數(shù)小時。
又如，在智慧交通的應(yīng)用場景中，湖南省某市的交通管理部門在建設(shè)相關(guān)項目時，千視通便使用了共達(dá)地的AutoML自動化訓(xùn)練平臺，定制了“行車未系安全帶識別”、“行車打電話識別”等有關(guān)安全駕駛的一系列相關(guān)AI視覺算法。
在幾乎沒有投入AI算法工程師的情況下，兩周之內(nèi)便完成了各類復(fù)雜交通場景下的AI算法模型訓(xùn)練。
這些案例也都鮮明地印證了AutoML對于AI超大規(guī)模和精細(xì)化發(fā)展的不可或缺性——
讓AI應(yīng)用從只由幾個算法整合而成、只能完成單一任務(wù)的簡單智能體，逐漸進(jìn)化成由海量算法構(gòu)成、具有綜合能力的復(fù)雜智能體，從而完成各式各樣的復(fù)雜任務(wù)。
如果將AI比作一架飛機(jī)，那么初始的AI應(yīng)用就像萊特兄弟打造的第一架飛機(jī)，結(jié)構(gòu)簡陋，只能飛行12秒。而未來的AI應(yīng)用，就像今天動輒數(shù)百萬零部件的客運飛機(jī)，每天都可以把人從地球一端送到另一端的目的地。
正如共達(dá)地的公司寓意“共同到達(dá)目的地”，幫助別人成功的同時，自己也獲得成功。
對此，共達(dá)地創(chuàng)始人兼CEO趙叢還有個有趣的總結(jié)：做AI不一定要成立AI團(tuán)隊。
對企業(yè)來說，通過共達(dá)地自動化訓(xùn)練平臺，可以讓碎片化的中長尾場景的AI算法快速落地，部署后也能快速優(yōu)化迭代、持續(xù)升級，從而不斷獲得附加價值。
0代碼低門檻的開發(fā)方式，也將AI人才的門檻降到最低，賦能集成商、方案商、渠道商快速具備靠譜的AI能力，讓AI算法的開發(fā)不再成為發(fā)展的負(fù)擔(dān)，而是化作提高競爭力和效率的武器。
更進(jìn)一步看，有了自動化訓(xùn)練平臺和算法商城，共達(dá)地?zé)o需踏入行業(yè)一線做總包集成項目、無需觸碰最終應(yīng)用，而是成為企業(yè)背后的算法賦能者，用AI生產(chǎn)力和生產(chǎn)關(guān)系的變革，創(chuàng)造新的商業(yè)模式——
通過降低AI技術(shù)的單位應(yīng)用成本，逐步幫助上下游企業(yè)進(jìn)行AI技術(shù)賦能，大家形成長期且深度的合作，依托它們進(jìn)入各個行業(yè)，最終實現(xiàn)規(guī)模效應(yīng)，完成AI賦能百業(yè)的目標(biāo)。
降低單位成本，用規(guī)模效應(yīng)描繪AI未來
回看開篇所述，人們之所以會低估顛覆性創(chuàng)新技術(shù)所帶來的價值，或許正是因為，這項技術(shù)尚未實現(xiàn)規(guī)模化效應(yīng)，其應(yīng)用的成本并沒有降低到行業(yè)所能接受之程度。
《Prediction Machines》一書中提到，某種基礎(chǔ)產(chǎn)品的價格大幅下跌時，整個世界都可能發(fā)生變化。
蒸汽機(jī)的出現(xiàn)，并沒有立即點燃工業(yè)革命，而是在單位成本下降，得到大規(guī)模應(yīng)用后，才開啟了以機(jī)器代替手工勞動的時代。
電子管計算機(jī)的出現(xiàn)，也沒有立即掀起人類的科技革命，直到超大規(guī)模集成電路的出現(xiàn)，加上電子設(shè)計自動化的逐步發(fā)展，才真正推動了PC走入千家萬戶。
AI時代，這一幕又再次上演。
在AI規(guī)?；涞?，并以賦能百業(yè)為目標(biāo)的大趨勢下，挑戰(zhàn)即是機(jī)遇。倘若不徹底改變成本高昂、效率低下的傳統(tǒng)開發(fā)路徑，經(jīng)濟(jì)性的不足，會嚴(yán)重阻礙人工智能的發(fā)展。
而以顛覆性的效率革新，實現(xiàn)AI算法的批量式、大規(guī)模生產(chǎn)，并快速投入到產(chǎn)業(yè)的毛細(xì)血管當(dāng)中，幫助客戶以指數(shù)級的效能提升，構(gòu)建數(shù)字化轉(zhuǎn)型的核心資產(chǎn)，才可能讓AI走進(jìn)各行各業(yè)。
沒有時刻追求耀眼，卻在腳踏實地地提供行業(yè)新思路。用技術(shù)創(chuàng)新掀起AI的規(guī)模效應(yīng)，或許這，就是共達(dá)地相信的AI未來。
