AI面臨產(chǎn)業(yè)大考：落地雖難，但產(chǎn)業(yè)化路徑已日漸清晰

今天我們談?wù)?AI，已經(jīng)很少再提及下圍棋、打游戲等“碾壓人類”式的炸裂新聞，而是更關(guān)注 AI 如何與各行業(yè)相結(jié)合，創(chuàng)造真實的產(chǎn)業(yè)價值與經(jīng)濟(jì)效率。

近期，國際咨詢公司 Gartner 將“AI 工程化”列為 2021 年度九大技術(shù)趨勢之一，這也是繼去年“AI 民主化”入榜后，Gartner 再次對 AI 技術(shù)做出預(yù)判。

作為 AI 民主化技術(shù)趨勢報告的主筆分析師，Gartner 高級研究總監(jiān)呂俊寬認(rèn)為：這兩大趨勢的核心都是讓 AI 逐步走向產(chǎn)業(yè)。從案例式的單點項目，到千行萬業(yè)的規(guī)模應(yīng)用，AI 走向產(chǎn)業(yè)其實包含了兩層含義：一是 AI 可以用規(guī)?；a(chǎn)的方式來降低產(chǎn)業(yè)使用門檻，使技術(shù)成本可接受，即“AI 民主化”；二是 AI 可以與具體的產(chǎn)業(yè)場景相融合，達(dá)成可靠、可見、可信的良性收益，即“AI 工程化”。

但對于大部分人和企業(yè)來說，“未來所有公司都是 AI 公司”的愿景并不容易實現(xiàn)，從“技術(shù)概念”到產(chǎn)業(yè)落地，中間還橫亙著廣袤而空曠的未知地帶。

今天，大家都希望 AI 會如同“水電煤”一樣推動第四次工業(yè)革命來到我們身邊，但真正惠及所有企業(yè)，讓各行業(yè)都能加上 AI 這個內(nèi)核，仍舊任重而道遠(yuǎn)。

自 2018 年初，Google 發(fā)布 Cloud AutoML 至今，AutoML 成為了微軟、Facebook、AWS、BAT 等巨頭爭相布局的重心，Gartner 同時也將 AutoML 看做是 AI 產(chǎn)業(yè)化進(jìn)程中不可或缺的關(guān)鍵要素。AutoML 因何成為了巨頭們的“新寵”，它又在推動“AI 民主化”和“AI 工程化”中充當(dāng)了什么角色？

AI 落地難成共識，但產(chǎn)業(yè)化之路已日漸清晰

今天，AI 為各行各業(yè)帶來了效率提升、價值增長，讓所有人都看到了 AI 的價值和潛力。伴隨著 AI 技術(shù)的日臻成熟，AI 正在快速進(jìn)入“工業(yè)化”階段。但人才缺失、實施復(fù)雜、周期過長、成果過高等客觀因素，也造成了 AI 難產(chǎn)的局面。

想讓 AI 真正的釋放價值，或許可以從煤的發(fā)展歷程中看出端倪。

19 世紀(jì)，憑借煤炭能源的挖掘，英國迅速創(chuàng)造了一個令世界瞠目結(jié)舌的工業(yè)社會，一躍成為世界霸主。除了儲煤量大以外，其中最關(guān)鍵便是實現(xiàn)了煤產(chǎn)業(yè)化。

具體表現(xiàn)為三點：

1. 提升了應(yīng)用效率：蒸汽機(jī)等高效率工具的發(fā)明與普及，讓煤這一能源得以高效、規(guī)?；膽?yīng)用。

2. 完善的基礎(chǔ)設(shè)施：鐵路、運河等的建設(shè)，讓煤炭能夠從礦區(qū)被運往更具商業(yè)價值的產(chǎn)業(yè)帶。

3. 打造產(chǎn)業(yè)帶：人才、工具、市場，緊密結(jié)合在技術(shù)半徑內(nèi)，形成產(chǎn)業(yè)帶，讓高效生產(chǎn)成為可能。

正是這些鋪陳，才讓煤得以真正成為工業(yè)革命中“動力和文明”（艾默生語）的象征。

如今，AI 正有機(jī)會像煤一樣，給人類社會帶來天翻地覆的變化，這就讓 AI 滿足全社會規(guī)?；瘧?yīng)用的能力，變得格外重要。在這一過程中，同樣少不了“蒸汽機(jī)”、“鐵軌”和產(chǎn)業(yè)帶。

AutoML 讓 AI 價值躍點

在瓦特改造蒸汽機(jī)之前，英國煤礦普遍使用的是紐科門蒸汽機(jī)，需要消耗大量的煤來維持運轉(zhuǎn)，也讓礦區(qū)工人們不得不在嚴(yán)酷的環(huán)境中工作。改造后，新的蒸汽能效提升了四倍之多，從而讓煤進(jìn)入了高效利用時代，也讓筋疲力盡的體力勞動者們得到了解脫。

AutoML 的價值與蒸汽機(jī)一樣。在最新發(fā)布的《AI for Everyone——AutoML 引領(lǐng) AI 民主化之路》白皮書中，Gartner 將其視為降低門檻、提升效率的利器。

簡單來說，AutoML（自動機(jī)器學(xué)習(xí)）就是可以讓企業(yè)或個人不用寫一行代碼，就訓(xùn)練出一個企業(yè)級的機(jī)器學(xué)習(xí)模型的技術(shù)。只需要按照說明，把訓(xùn)練數(shù)據(jù)都拖進(jìn) AutoML 系統(tǒng)里面，很快一個適用于自身應(yīng)用的機(jī)器學(xué)習(xí)模型就訓(xùn)練好了。讓機(jī)器學(xué)習(xí)中最耗時和最難的工作——數(shù)據(jù)清洗、特征工程，變得輕松不少，甚至無需考慮了解 AI 復(fù)雜的原理。

對于渴望規(guī)模化、高效率應(yīng)用 AI 的企業(yè)來說，這意味著不需要從源頭去設(shè)計一個神經(jīng)網(wǎng)絡(luò)或是進(jìn)行復(fù)雜的調(diào)參，最大程度地降低了機(jī)器學(xué)習(xí)的編程工作量，節(jié)約了 AI 開發(fā)時間；同時也意味著對專業(yè)數(shù)據(jù)科學(xué)家和算法工程師的依賴程度也有所降低，緩解與科技巨頭“搶人才”的困擾。在自動駕駛、金融風(fēng)控、工業(yè)制造等多個領(lǐng)域中，使用 AutoML 搭建的模型效果甚至超越了大多數(shù)算法工程師。

于是，我們看到了越多越多的企業(yè)和開發(fā)者加入到了 AI 產(chǎn)業(yè)化的行列中，以百度為例，其 EasyDL 已擁有 70 多萬開發(fā)者，覆蓋了 20 多個場景。更為欣喜的是，我們看到了沒有一點 AI 甚至是編程背景的人將 AI 物盡其用：婦產(chǎn)醫(yī)院的醫(yī)生基于 AI 獨角獸第四范式的 AutoML 技術(shù)及產(chǎn)品，建立了新生兒體重預(yù)測和胎膜早破的預(yù)測模型，為產(chǎn)婦生產(chǎn)方案的制定提供更多依據(jù)，這在學(xué)術(shù)界首次證明了大氣壓與胎膜早破之間的緊密相關(guān)性，填補了這一領(lǐng)域的空白。

這些案例意味著 AI 開始進(jìn)入低門檻、低成本、泛用性的工業(yè)生產(chǎn)階段，得以快速落地企業(yè)，釋放技術(shù)價值。

據(jù) Gartner 的預(yù)測，2023 年，40%的開發(fā)團(tuán)隊會使用自動化機(jī)器學(xué)習(xí)服務(wù)來構(gòu)建為其應(yīng)用軟件添加 AI 功能的模型，而 2019 年這一比例不到 2%。到 2025 年，AI 將使 50%的數(shù)據(jù)科學(xué)家活動實現(xiàn)自動化，從而緩解人才嚴(yán)重短缺問題。

這也是為什么，Gartner 認(rèn)為 AutoML 是引領(lǐng) AI 民主化，實現(xiàn)“AI for Everyone”的關(guān)鍵力量。

鋪設(shè)鐵軌：通往產(chǎn)業(yè)智能的通衢

AutoML 提升了 AI 的效能，但智能怎么才能夠抵達(dá)產(chǎn)業(yè)端，卻是一個大問題。因此也吸引了不少巨頭和創(chuàng)業(yè)公司爭相布局，它們的存在就像是鐵軌與運河，將源源不斷的技術(shù)能量運輸?shù)疆a(chǎn)業(yè)土壤中去。

目前來看，AutoML 平臺主要分為以下幾大類：

第一種，以谷歌、微軟、亞馬遜、百度等為代表的頭部 AI 巨頭，具有較強(qiáng)的 AI 實力，可以提供從算法到流程全自動化的工具支持。

第二種，是一些開源技術(shù)平臺或組織。優(yōu)勢是靈活、開放，比如在谷歌發(fā)布 AutoML 之前，2013 年就出現(xiàn)了可以自動選擇模型并選擇超參數(shù)的 AutoWEKA。

第三種則是一些技術(shù) / 算法公司，除了 AutoML 工具之外，還會面向企業(yè)提供數(shù)據(jù)策略、業(yè)務(wù)咨詢等服務(wù)。

那么，它們都在向產(chǎn)業(yè)界提供哪些具體能力呢？

首先是平臺和工具。比如谷歌推出的 Google Cloud AutoML 覆蓋了圖像分類，文本分類以及機(jī)器翻譯領(lǐng)域，比如用戶只需要上傳圖片到 AutoML Vision 上，就可以訓(xùn)練和部署一個計算機(jī)視覺模型。今年還展示了能夠自動創(chuàng)建計算機(jī)視覺系統(tǒng) NASNet 的能力，可以幫助自動駕駛或智能機(jī)器人開發(fā)。

微軟差不多和谷歌同時期發(fā)布了自己的 AutoML 平臺，涵蓋圖像、視頻、文本和語音等各個領(lǐng)域。

國內(nèi)比較領(lǐng)先的如百度的 EasyDL，用戶可以在上面開展圖像分類、物體檢測、圖像分割、文本分類、視頻分類、聲音分類等任務(wù)。代表廠商第四范式，打造的自動化機(jī)器學(xué)習(xí)平臺 Sage Hypercycle ML，也面向金融、零售、醫(yī)療、制造、能源等行業(yè)提供了多種封裝好的 AutoML 算法及全流程開發(fā)工具。

其次是服務(wù)和定制。近兩年來，AutoML 領(lǐng)域也越來越注重定制化服務(wù)。比如今年 1 月，微軟就針對視覺能力打造了自動化平臺 Microsoft Custom Vision Services（微軟定制視覺服務(wù)）。谷歌也與產(chǎn)業(yè)端合作，利用谷歌云的 AutoML Vision 技術(shù)創(chuàng)建了能理解古埃及文字的工具 Fabricius，來達(dá)到普及 AI 的效果。國內(nèi)如第四范式也提出了“AutoML 全棧算法”從感知、認(rèn)知、決策三個關(guān)鍵維度幫助企業(yè)提升關(guān)鍵場景的決策水平，同時針對不同行業(yè)、不同技術(shù)能力的企業(yè)來有的放矢地提供服務(wù)。

如果說 AutoML 平臺和工具降低了 AI 的應(yīng)用門檻，加速了“AI 民主化”的進(jìn)程，那么服務(wù)導(dǎo)向的出現(xiàn)，則讓人們看到“AI 工程化”趨勢的端倪。

這一變化背后的原因也很簡單，回到第一次工業(yè)革命時期，我們會發(fā)現(xiàn)基礎(chǔ)設(shè)施的鋪設(shè)往往需要因地制宜，以龐大的工程將運河與鐵軌不斷延伸到東海岸。AI 落地產(chǎn)業(yè)自然也不是一種平臺或工具集就能夠完成的。

一方面，許多巨頭云廠商在推出 AutoML 平臺的同時，也希望企業(yè)用戶與自己的開發(fā)生態(tài)相捆綁，比如谷歌就要求必須在谷歌云上部署相關(guān)模型和網(wǎng)絡(luò)，這對于無法或無意使用谷歌云的用戶來說就成了限制。

同時，應(yīng)用 AI 更是一個千變?nèi)f化的復(fù)雜工程。要讓毫無機(jī)器學(xué)習(xí)經(jīng)驗的個人和企業(yè)借助 AutoML 用上 AI，需要與產(chǎn)業(yè)應(yīng)用場景的深度適配，同時解決數(shù)據(jù)收集、數(shù)據(jù)清理、打通數(shù)據(jù)孤島等等障礙，才能讓 AI 在業(yè)務(wù)端跑起來。這些都需要懂業(yè)務(wù)的行業(yè)人士和算法人員來共同探討、磨合，去建立符合產(chǎn)業(yè)需求的技術(shù)管道。

只有一個充分考慮不同產(chǎn)業(yè)地帶客觀環(huán)境與具體訴求的“交通網(wǎng)絡(luò)”，才能驅(qū)動 AI 正在走到產(chǎn)業(yè)那邊去。

靠近價值：AutoML 產(chǎn)業(yè)帶的興起

對于企業(yè)來說，應(yīng)該如何考量和適時使用 AutoML 來提升“AI 產(chǎn)能”呢？

從企業(yè)視角出發(fā)，我們認(rèn)為有三個關(guān)鍵要素是需要注意的：

1. 是否具有 AutoML 落地的配套服務(wù)能力。

每個廠商期待的自動化、智能化是不一樣的，企業(yè)在選擇 AutoML 平臺時需要考察其服務(wù)能力與背景。

呂俊寬認(rèn)為，對于企業(yè)來說，如何幫助自己提高業(yè)務(wù)價值是關(guān)鍵，但不是每家企業(yè)都能像互聯(lián)網(wǎng)巨頭一樣能夠讓 AI 與業(yè)務(wù)深度耦合，所以需要 AI 廠商有強(qiáng)大的服務(wù)能力支撐企業(yè)客戶兌現(xiàn) AI 的價值。對于 AI 企業(yè)來說，想要服務(wù)好企業(yè)，對產(chǎn)業(yè)服務(wù)的重視會直接決定其技術(shù)上的投入程度，對產(chǎn)業(yè)迫切需要的能力亦需要快速迭代；同時應(yīng)當(dāng)深入了解客戶的業(yè)務(wù)場景，幫助其提升關(guān)鍵的業(yè)務(wù)指標(biāo)和表現(xiàn)。有的業(yè)務(wù)適合上云、有的適合產(chǎn)品化服務(wù)，AI 規(guī)?；瘧?yīng)用后如何解決計算成本上升問題，是否需要自建 AI 系統(tǒng)等等，這些需要在不同選項里找到平衡點。

Gartner 的 AutoML 白皮書也指出，頂尖的 AutoML 算法相當(dāng)于 AI 應(yīng)用構(gòu)建的“引擎”。而 AI 應(yīng)用的開發(fā)是一項非常復(fù)雜的精細(xì)化工程，涉及諸多環(huán)節(jié)。假如沒有一套完整的 AI 開發(fā)工具，各個環(huán)節(jié)就會變成彼此割裂、互不兼容的“孤島”，不僅導(dǎo)致科學(xué)家在開發(fā)過程中疲于奔命，也會讓 AI 規(guī)?；兂伞芭萦啊?。只有打造基于 AutoML 算法“引擎”的“自動化工廠”，實現(xiàn)全面產(chǎn)品化，才能真正推動 AI 產(chǎn)業(yè)化落地。

擅長于個人 C 端市場的谷歌在 AutoML 上的投入程度和研發(fā)頻率相對于其他子業(yè)務(wù)（如 DeepMind）就要少的多，更重視極客和工程師思維；國內(nèi)如百度在推廣 EasyDL 時，也十分重視對開發(fā)者和企業(yè)的幫助，和服務(wù)體系的打造，支持初中生、中年個體戶、電網(wǎng)企業(yè)等零門檻用上 AI；第四范式的策略則更加細(xì)致，根據(jù)不同技術(shù)成熟度的企業(yè)，提供不同應(yīng)用的 AI 產(chǎn)品和方法論，讓 AI 產(chǎn)品得以更好使用和落地。例如，面對想要快速驗證 AI 效果、快速落地的客戶，可以選擇 Sage HyperCycle ML，某金融企業(yè)就用這種方式讓毫無 AI 模型構(gòu)建經(jīng)驗的金融企業(yè)在幾小時內(nèi)完成建模工作；而面對體量大、場景多的客戶，第四范式也可通過先知等平臺化產(chǎn)品，讓客戶自主、規(guī)?；⒌烷T檻落地 AI 應(yīng)用，同時，也嵌入了相應(yīng)的 AI 服務(wù)支撐體系。

2. 如何以較低的成本得到較好的效果。

如果說“AI 民主化”是讓更多人了解和感受到 AI 和 AutoML 能做什么，那么“AI 工程化”則要求 AI 規(guī)?；涞氐耐瑫r，還能夠帶來更系統(tǒng)性的業(yè)務(wù)價值。

第四范式副總裁、主任科學(xué)家涂威威告訴我們，企業(yè)在使用 AutoML 時有三個考量點：業(yè)務(wù)收益和效果、成本支出、解決問題的范圍，只有這三點都滿足企業(yè)端的要求，才能讓 AutoML 切實有效地幫助 AI 加速規(guī)?；瘧?yīng)用進(jìn)程。

比如算法上需要提升效果，給業(yè)務(wù)帶來實際增長點，讓模型面對各種真實復(fù)雜情況都能快速識別，而非只是停留在實驗室階段；

許多企業(yè)也會面臨一個問題，就是在線下效果好，而部署到真實環(huán)境中，效果大打折扣。這就需要注重線上線下數(shù)據(jù)一致性的問題，并做出相應(yīng)的優(yōu)化；

成本方面，AI 如何跟現(xiàn)有業(yè)務(wù)結(jié)合、如何部署到環(huán)境中去，計算資源怎么解決，都是需要去考慮的。AutoML 在幫助 AI 規(guī)模化落地的同時，也帶來了巨大的算力消耗，如果采用業(yè)界常用的 GPU 甚至是 TPU，絕大多數(shù)的企業(yè)都是負(fù)擔(dān)不起的。因此，為了讓 AI 更好的規(guī)模化，還需要軟硬件協(xié)同優(yōu)化，讓部署 AI 的成本變成“可負(fù)擔(dān)”。

3. 是否具有擴(kuò)展性。

我們知道，技術(shù)產(chǎn)品和架構(gòu)總是會不斷迭代更新的，如果需要全盤推倒重來，無疑會給企業(yè)帶來沒有必要的損失，這也讓很多企業(yè)對 AutoML 等新型生產(chǎn)力工具望而卻步。

這就需要 AutoML 平臺和廠商在一開始就考慮到技術(shù)的擴(kuò)展性并進(jìn)行應(yīng)對。

比如百度 EasyDL 就借助百度大腦的全棧 AI 能力實現(xiàn)底層技術(shù)的全面部署與融合；第四范式通過技術(shù)解決模型的自學(xué)習(xí)問題，讓動態(tài)模型可以根據(jù)業(yè)務(wù)變化而進(jìn)化，進(jìn)行自動化迭代。同時，第四范式還將 AutoML 相關(guān)架構(gòu)、技術(shù)抽象成了操作系統(tǒng)，這就從底層核心將技術(shù)框架穩(wěn)定下來，讓各項數(shù)據(jù)和應(yīng)用可以被標(biāo)準(zhǔn)化管理，后續(xù)運維也可以通過系統(tǒng)層來應(yīng)對變化，從而讓企業(yè)可以建立更長期的 AI 戰(zhàn)略，不會因為技術(shù)變化而讓業(yè)務(wù)受到波動。

當(dāng)企業(yè)、技術(shù)、平臺等等都匯聚在一起，形成了完整的 AutoML 產(chǎn)業(yè)帶，生態(tài)也就開始真正建立起來，最終拉開一個恢弘的產(chǎn)業(yè)智能時代大幕。

從這一刻，寫下未來

如果說是煤工業(yè)的崛起，帶領(lǐng)人類穿越了漫長的工業(yè)童年時代，開始了一個史無前例的時代，那么隨著國家戰(zhàn)略的推動和產(chǎn)業(yè)需求的全面爆發(fā)，AutoML 帶來的產(chǎn)業(yè)智能紅利是否會像煤炭一樣，引發(fā)一場新的產(chǎn)業(yè)革命？

AI 的產(chǎn)業(yè)大考暴露了人才短缺、成本高昂等問題，又推動了 AutoML 這樣解決方法的產(chǎn)生，由此帶來的 AI 民主化和工程化浪潮，正在將全社會帶入智能變革的疆域。

其中最值得注目的，是中國企業(yè)表現(xiàn)出了對科技前所未有的饑餓感，依靠技術(shù)來找尋業(yè)務(wù)增長點，急切地尋找技術(shù)場景和落地，這些積極的做法都讓 AI 的紅利更早、更快地生長在這片土地上。