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

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?從這一刻，寫(xiě)下未來(lái)。題圖來(lái)自“收費(fèi)圖庫(kù)”來(lái)源：腦極體（ID：unity007）作者：藏狐今天我們談?wù)揂I，已經(jīng)很少再提及下圍棋、打游戲等“碾壓人類(lèi)”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(shí)的產(chǎn)業(yè)價(jià)值與經(jīng)濟(jì)效率。近期，國(guó)際咨詢(xún)公司Gartner將“AI工程化”列為2021年度九大技術(shù)趨勢(shì)之一，這也是繼去年“AI民主化”入榜后，Gartner再次對(duì)AI技術(shù)做出預(yù)判。作為AI民主化技術(shù)趨勢(shì)報(bào)告的主筆分析師，Gartner高級(jí)研究總監(jiān)呂俊寬認(rèn)為：這兩大趨勢(shì)的核心都是讓AI逐步走向產(chǎn)業(yè)。從案例式的單點(diǎn)項(xiàng)目，到千行萬(wàn)業(yè)的規(guī)模應(yīng)用，AI走向產(chǎn)業(yè)其實(shí)包含了兩層含義：一是AI可以用規(guī)?；a(chǎn)的方式來(lái)降低產(chǎn)業(yè)使用門(mén)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(chǎng)景相融合，達(dá)成可靠、可見(jiàn)、可信的良性收益，即“AI工程化”。但對(duì)于大部分人和企業(yè)來(lái)說(shuō)，“未來(lái)所有公司都是AI公司”的愿景并不容易實(shí)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(huì)如同“水電煤”一樣推動(dòng)第四次工業(yè)革命來(lái)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(gè)內(nèi)核，仍舊任重而道遠(yuǎn)。自2018年初，Google發(fā)布CloudAutoML至今，AutoML成為了微軟、Facebook、AWS、BAT等巨頭爭(zhēng)相布局的重心，Gartner同時(shí)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(dòng)“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(shí)，但產(chǎn)業(yè)化之路已日漸清晰今天，AI為各行各業(yè)帶來(lái)了效率提升、價(jià)值增長(zhǎng)，讓所有人都看到了AI的價(jià)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(shí)施復(fù)雜、周期過(guò)長(zhǎng)、成果過(guò)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(jià)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(guó)迅速創(chuàng)造了一個(gè)令世界瞠目結(jié)舌的工業(yè)社會(huì)，一躍成為世界霸主。除了儲(chǔ)煤量大以外，其中最關(guān)鍵便是實(shí)現(xiàn)了煤產(chǎn)業(yè)化。具體表現(xiàn)為三點(diǎn)：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(yùn)河等的建設(shè)，讓煤炭能夠從礦區(qū)被運(yùn)往更具商業(yè)價(jià)值的產(chǎn)業(yè)帶。3.打造產(chǎn)業(yè)帶：人才、工具、市場(chǎng)，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(dòng)力和文明”（艾默生語(yǔ)）的象征。如今，AI正有機(jī)會(huì)像煤一樣，給人類(lèi)社會(huì)帶來(lái)天翻地覆的變化，這就讓AI滿(mǎn)足全社會(huì)規(guī)?；瘧?yīng)用的能力，變得格外重要。在這一過(guò)程中，同樣少不了“蒸汽機(jī)”、“鐵軌”和產(chǎn)業(yè)帶。AutoML讓AI價(jià)值躍點(diǎn)在瓦特改造蒸汽機(jī)之前，英國(guó)煤礦普遍使用的是紐科門(mén)蒸汽機(jī)，需要消耗大量的煤來(lái)維持運(yùn)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(shí)代，也讓筋疲力盡的體力勞動(dòng)者們得到了解脫。AutoML的價(jià)值與蒸汽機(jī)一樣。在最新發(fā)布的《AIforEveryone——AutoML引領(lǐng)AI民主化之路》白皮書(shū)中，Gartner將其視為降低門(mén)檻、提升效率的利器。簡(jiǎn)單來(lái)說(shuō)，AutoML（自動(dòng)機(jī)器學(xué)習(xí)）就是可以讓企業(yè)或個(gè)人不用寫(xiě)一行代碼，就訓(xùn)練出一個(gè)企業(yè)級(jí)的機(jī)器學(xué)習(xí)模型的技術(shù)。只需要按照說(shuō)明，把訓(xùn)練數(shù)據(jù)都拖進(jìn)AutoML系統(tǒng)里面，很快一個(gè)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(shí)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(wú)需考慮了解AI復(fù)雜的原理。對(duì)于渴望規(guī)模化、高效率應(yīng)用AI的企業(yè)來(lái)說(shuō)，這意味著不需要從源頭去設(shè)計(jì)一個(gè)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(kāi)發(fā)時(shí)間；同時(shí)也意味著對(duì)專(zhuān)業(yè)數(shù)據(jù)科學(xué)家和算法工程師的依賴(lài)程度也有所降低，緩解與科技巨頭“搶人才”的困擾。在自動(dòng)駕駛、金融風(fēng)控、工業(yè)制造等多個(gè)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(kāi)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(wàn)開(kāi)發(fā)者，覆蓋了20多個(gè)場(chǎng)景。更為欣喜的是，我們看到了沒(méi)有一點(diǎn)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(dú)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(cè)和胎膜早破的預(yù)測(cè)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(bǔ)了這一領(lǐng)域的空白。這些案例意味著AI開(kāi)始進(jìn)入低門(mén)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(jià)值。據(jù)Gartner的預(yù)測(cè)，2023年，40%的開(kāi)發(fā)團(tuán)隊(duì)會(huì)使用自動(dòng)化機(jī)器學(xué)習(xí)服務(wù)來(lái)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(dòng)實(shí)現(xiàn)自動(dòng)化，從而緩解人才嚴(yán)重短缺問(wèn)題。這也是為什么，Gartner認(rèn)為AutoML是引領(lǐng)AI民主化，實(shí)現(xiàn)“AIforEveryone”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(gè)大問(wèn)題。因此也吸引了不少巨頭和創(chuàng)業(yè)公司爭(zhēng)相布局，它們的存在就像是鐵軌與運(yùn)河，將源源不斷的技術(shù)能量運(yùn)輸?shù)疆a(chǎn)業(yè)土壤中去。目前來(lái)看，AutoML平臺(tái)主要分為以下幾大類(lèi)：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(shí)力，可以提供從算法到流程全自動(dòng)化的工具支持。第二種，是一些開(kāi)源技術(shù)平臺(tái)或組織。優(yōu)勢(shì)是靈活、開(kāi)放，比如在谷歌發(fā)布AutoML之前，2013年就出現(xiàn)了可以自動(dòng)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(huì)面向企業(yè)提供數(shù)據(jù)策略、業(yè)務(wù)咨詢(xún)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(tái)和工具。比如谷歌推出的GoogleCloudAutoML覆蓋了圖像分類(lèi)，文本分類(lèi)以及機(jī)器翻譯領(lǐng)域，比如用戶(hù)只需要上傳圖片到AutoMLVision上，就可以訓(xùn)練和部署一個(gè)計(jì)算機(jī)視覺(jué)模型。今年還展示了能夠自動(dòng)創(chuàng)建計(jì)算機(jī)視覺(jué)系統(tǒng)NASNet的能力，可以幫助自動(dòng)駕駛或智能機(jī)器人開(kāi)發(fā)。微軟差不多和谷歌同時(shí)期發(fā)布了自己的AutoML平臺(tái)，涵蓋圖像、視頻、文本和語(yǔ)音等各個(gè)領(lǐng)域。國(guó)內(nèi)比較領(lǐng)先的如百度的EasyDL，用戶(hù)可以在上面開(kāi)展圖像分類(lèi)、物體檢測(cè)、圖像分割、文本分類(lèi)、視頻分類(lèi)、聲音分類(lèi)等任務(wù)。代表廠商第四范式，打造的自動(dòng)化機(jī)器學(xué)習(xí)平臺(tái)SageHypercycleML，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(kāi)發(fā)工具。其次是服務(wù)和定制。近兩年來(lái)，AutoML領(lǐng)域也越來(lái)越注重定制化服務(wù)。比如今年1月，微軟就針對(duì)視覺(jué)能力打造了自動(dòng)化平臺(tái)MicrosoftCustomVisionServices（微軟定制視覺(jué)服務(wù)）。谷歌也與產(chǎn)業(yè)端合作，利用谷歌云的AutoMLVision技術(shù)創(chuàng)建了能理解古埃及文字的工具Fabricius，來(lái)達(dá)到普及AI的效果。國(guó)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(gè)關(guān)鍵維度幫助企業(yè)提升關(guān)鍵場(chǎng)景的決策水平，同時(shí)針對(duì)不同行業(yè)、不同技術(shù)能力的企業(yè)來(lái)有的放矢地提供服務(wù)。如果說(shuō)AutoML平臺(tái)和工具降低了AI的應(yīng)用門(mén)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(shì)的端倪。這一變化背后的原因也很簡(jiǎn)單，回到第一次工業(yè)革命時(shí)期，我們會(huì)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(yùn)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(tái)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(tái)的同時(shí)，也希望企業(yè)用戶(hù)與自己的開(kāi)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(duì)于無(wú)法或無(wú)意使用谷歌云的用戶(hù)來(lái)說(shuō)就成了限制。同時(shí)，應(yīng)用AI更是一個(gè)千變?nèi)f化的復(fù)雜工程。要讓毫無(wú)機(jī)器學(xué)習(xí)經(jīng)驗(yàn)的個(gè)人和企業(yè)借助AutoML用上AI，需要與產(chǎn)業(yè)應(yīng)用場(chǎng)景的深度適配，同時(shí)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(lái)。這些都需要懂業(yè)務(wù)的行業(yè)人士和算法人員來(lái)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(gè)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(dòng)AI正在走到產(chǎn)業(yè)那邊去?？拷鼉r(jià)值：AutoML產(chǎn)業(yè)帶的興起對(duì)于企業(yè)來(lái)說(shuō)，應(yīng)該如何考量和適時(shí)使用AutoML來(lái)提升“AI產(chǎn)能”呢？從企業(yè)視角出發(fā)，我們認(rèn)為有三個(gè)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(gè)廠商期待的自動(dòng)化、智能化是不一樣的，企業(yè)在選擇AutoML平臺(tái)時(shí)需要考察其服務(wù)能力與背景。呂俊寬認(rèn)為，對(duì)于企業(yè)來(lái)說(shuō)，如何幫助自己提高業(yè)務(wù)價(jià)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(hù)兌現(xiàn)AI的價(jià)值。對(duì)于AI企業(yè)來(lái)說(shuō)，想要服務(wù)好企業(yè)，對(duì)產(chǎn)業(yè)服務(wù)的重視會(huì)直接決定其技術(shù)上的投入程度，對(duì)產(chǎn)業(yè)迫切需要的能力亦需要快速迭代；同時(shí)應(yīng)當(dāng)深入了解客戶(hù)的業(yè)務(wù)場(chǎng)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(jì)算成本上升問(wèn)題，是否需要自建AI系統(tǒng)等等，這些需要在不同選項(xiàng)里找到平衡點(diǎn)。Gartner的AutoML白皮書(shū)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(kāi)發(fā)是一項(xiàng)非常復(fù)雜的精細(xì)化工程，涉及諸多環(huán)節(jié)。假如沒(méi)有一套完整的AI開(kāi)發(fā)工具，各個(gè)環(huán)節(jié)就會(huì)變成彼此割裂、互不兼容的“孤島”，不僅導(dǎo)致科學(xué)家在開(kāi)發(fā)過(guò)程中疲于奔命，也會(huì)讓AI規(guī)模化變成“泡影”。只有打造基于AutoML算法“引擎”的“自動(dòng)化工廠”，實(shí)現(xiàn)全面產(chǎn)品化，才能真正推動(dòng)AI產(chǎn)業(yè)化落地。擅長(zhǎng)于個(gè)人C端市場(chǎng)的谷歌在AutoML上的投入程度和研發(fā)頻率相對(duì)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(guó)內(nèi)如百度在推廣EasyDL時(shí)，也十分重視對(duì)開(kāi)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(gè)體戶(hù)、電網(wǎng)企業(yè)等零門(mén)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(duì)想要快速驗(yàn)證AI效果、快速落地的客戶(hù)，可以選擇SageHyperCycleML，某金融企業(yè)就用這種方式讓毫無(wú)AI模型構(gòu)建經(jīng)驗(yàn)的金融企業(yè)在幾小時(shí)內(nèi)完成建模工作；而面對(duì)體量大、場(chǎng)景多的客戶(hù)，第四范式也可通過(guò)先知等平臺(tái)化產(chǎn)品，讓客戶(hù)自主、規(guī)模化、低門(mén)檻落地AI應(yīng)用，同時(shí)，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(shuō)“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(shí)，還能夠帶來(lái)更系統(tǒng)性的業(yè)務(wù)價(jià)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(shí)有三個(gè)考量點(diǎn)：業(yè)務(wù)收益和效果、成本支出、解決問(wèn)題的范圍，只有這三點(diǎn)都滿(mǎn)足企業(yè)端的要求，才能讓AutoML切實(shí)有效地幫助AI加速規(guī)模化應(yīng)用進(jìn)程。比如算法上需要提升效果，給業(yè)務(wù)帶來(lái)實(shí)際增長(zhǎng)點(diǎn)，讓模型面對(duì)各種真實(shí)復(fù)雜情況都能快速識(shí)別，而非只是停留在實(shí)驗(yàn)室階段；許多企業(yè)也會(huì)面臨一個(gè)問(wèn)題，就是在線(xiàn)下效果好，而部署到真實(shí)環(huán)境中，效果大打折扣。這就需要注重線(xiàn)上線(xiàn)下數(shù)據(jù)一致性的問(wèn)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(jì)算資源怎么解決，都是需要去考慮的。AutoML在幫助AI規(guī)?；涞氐耐瑫r(shí)，也帶來(lái)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)?；€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(huì)不斷迭代更新的，如果需要全盤(pán)推倒重來(lái)，無(wú)疑會(huì)給企業(yè)帶來(lái)沒(méi)有必要的損失，這也讓很多企業(yè)對(duì)AutoML等新型生產(chǎn)力工具望而卻步。這就需要AutoML平臺(tái)和廠商在一開(kāi)始就考慮到技術(shù)的擴(kuò)展性并進(jìn)行應(yīng)對(duì)。比如百度EasyDL就借助百度大腦的全棧AI能力實(shí)現(xiàn)底層技術(shù)的全面部署與融合；第四范式通過(guò)技術(shù)解決模型的自學(xué)習(xí)問(wèn)題，讓動(dòng)態(tài)模型可以根據(jù)業(yè)務(wù)變化而進(jìn)化，進(jìn)行自動(dòng)化迭代。同時(shí)，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(lái)，讓各項(xiàng)數(shù)據(jù)和應(yīng)用可以被標(biāo)準(zhǔn)化管理，后續(xù)運(yùn)維也可以通過(guò)系統(tǒng)層來(lái)應(yīng)對(duì)變化，從而讓企業(yè)可以建立更長(zhǎng)期的AI戰(zhàn)略，不會(huì)因?yàn)榧夹g(shù)變化而讓業(yè)務(wù)受到波動(dòng)。當(dāng)企業(yè)、技術(shù)、平臺(tái)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(kāi)始真正建立起來(lái)，最終拉開(kāi)一個(gè)恢