2022年10月，工信部公示《國(guó)家人工智能創(chuàng)新應(yīng)用先導(dǎo)區(qū)“智賦百景”》，涉及AI落地的9大領(lǐng)域、100個(gè)場(chǎng)景、8個(gè)先導(dǎo)區(qū)。

這個(gè)舉動(dòng)相當(dāng)于官方泄題，把AI落地的重點(diǎn)科目和尖子生寫(xiě)在了表格上。

AI科技評(píng)論觀察到，9大領(lǐng)域中，關(guān)于公共安全、交通運(yùn)輸?shù)膱?chǎng)景最多，這些場(chǎng)景的AI滲透率已經(jīng)比較高，旨在發(fā)力向縱深探索，屬于試卷中的必答題。而制造、農(nóng)業(yè)、能源、金融、醫(yī)療作為我國(guó)的重要經(jīng)濟(jì)支柱，雖然經(jīng)濟(jì)貢獻(xiàn)和戰(zhàn)略地位極高，但尚屬AI落地的處女地，是新考試中的新題型。

或許可以從農(nóng)業(yè)中看到端倪：一顆草莓從生長(zhǎng)到采摘，需要多少種算法？

草莓的生長(zhǎng)過(guò)程中有20多種侵染性病害，10多種生理性病害，40多種蟲(chóng)害，要輔助人工準(zhǔn)確識(shí)別它們，需要不同的AI算法。

在采摘中，確定草莓成熟度核心指標(biāo)在于果面著色程度，一般分別在果面著色達(dá)70%、80%、90%時(shí)采收，但如果只有這個(gè)指標(biāo)，機(jī)器很容易將草莓和同色系物品混淆，比如圣女果，所以往往還需要輔助紋理識(shí)別算法。在通過(guò)機(jī)器視覺(jué)識(shí)別成熟度前，需要先區(qū)分果與葉，對(duì)草莓進(jìn)行定位并找出根莖部分，采摘后需要用托盤(pán)穩(wěn)穩(wěn)接住，這個(gè)過(guò)程對(duì)定位識(shí)別算法的要求很高。此外，壞果、爛果、小果、異形果也需要被區(qū)分。

這僅僅是一顆草莓的生命周期管理，就需要上百種AI算法。

而作為農(nóng)業(yè)大國(guó)，僅新中國(guó)成立來(lái)孕育成功的新品種，就有3萬(wàn)個(gè)。近些年，農(nóng)林牧漁業(yè)產(chǎn)值不斷攀升，從2010年的67763.13億元，逐年增長(zhǎng)至2021年的147013.4億元，近11年增量達(dá)79250.27億元、增幅達(dá)116.95%。

從看護(hù)一顆草莓，到支撐起如此龐大的智能農(nóng)業(yè)產(chǎn)業(yè)，AI能發(fā)揮的價(jià)值難以想象，所需要的算法種類更是浩如星海。

難度加深，題型變廣，中國(guó)人工智能領(lǐng)域的官方定調(diào)已經(jīng)明白無(wú)誤：上一個(gè)十年，人工智能走出實(shí)驗(yàn)室扎根到少數(shù)幾個(gè)頭部產(chǎn)業(yè)，新十年要從頭部產(chǎn)業(yè)走向千行百業(yè)。

當(dāng)市場(chǎng)呼喚更多AI能量的觀點(diǎn)進(jìn)入官方文件時(shí)，新的故事就開(kāi)始了。

1、在不確定性中尋找確定性

最先感受到水溫變化的，是離客戶最近的系統(tǒng)集成商。

“如今70%的集成項(xiàng)目中都有AI，是機(jī)遇也是挑戰(zhàn)?！?/p>

劉先生所在的公司主做無(wú)人機(jī)巡檢領(lǐng)域的系統(tǒng)集成，維護(hù)了大量?jī)?yōu)質(zhì)的政府、園區(qū)客戶，也同步對(duì)接算法公司、軟件公司、硬件公司、工程團(tuán)隊(duì)等。

在智慧巡檢的建設(shè)方案中，傳統(tǒng)上靠人工肉眼查看，AI的價(jià)值多體現(xiàn)為車輛識(shí)別、人員聚集識(shí)別等。但今年，劉先生公司接到了更多新需求，最高頻的是井蓋丟失識(shí)別、游攤小販識(shí)別，河道垃圾識(shí)別、火焰煙霧識(shí)別等；甚至很多算法需求，在市場(chǎng)上幾乎找不到供應(yīng)商，比如農(nóng)田遙感、電網(wǎng)安全、河網(wǎng)監(jiān)控等。

這些需求讓劉先生很興奮。人無(wú)我有，人有我優(yōu)。傳統(tǒng)的智慧巡檢領(lǐng)域競(jìng)爭(zhēng)激烈，如果能拿下新場(chǎng)景，不僅有利于單個(gè)項(xiàng)目的控標(biāo)，還能搶占一塊新高地。

行業(yè)數(shù)據(jù)佐證了劉先生的感知。根據(jù)IDC最新發(fā)布的《中國(guó)加速計(jì)算市場(chǎng)（2021年下半年）跟蹤報(bào)告》，2021年全年，中國(guó)AI服務(wù)器市場(chǎng)規(guī)模達(dá)350.3億元，同比增長(zhǎng)68.6%——如果把算法比作是菜譜，那算力和數(shù)據(jù)則分別是廚具和食材，廚具消耗量的增加，必然與菜品的增加同步——AI市場(chǎng)的需求總量在快速井噴。

更重要的是，IDC報(bào)告還顯示，AI算力市場(chǎng)規(guī)模前6大行業(yè)中，金融、服務(wù)、制造和能源等新進(jìn)領(lǐng)域均表現(xiàn)出高達(dá)80%的漲幅。也就是說(shuō)，不僅需求總量增加了，AI算法的多樣性也增加了。

這種增加是市場(chǎng)自發(fā)行為。比如上?！耙痪W(wǎng)統(tǒng)管”，在疫情發(fā)生后，開(kāi)始使用人工智能來(lái)監(jiān)測(cè)車輛違章停放、共享單車跌倒、垃圾拋灑等問(wèn)題，從原先被動(dòng)需要人力維護(hù)，變成主動(dòng)進(jìn)行智慧管理。又比如，人工智能在診療領(lǐng)域過(guò)去大量應(yīng)用于人工智能讀片，看肺部結(jié)節(jié)的效率要比人眼讀片高很多，而今，人工智能讀片則覆蓋到了骨科、心腦血管、婦科等全新領(lǐng)域。

市場(chǎng)對(duì)人工智能的想象早已跳出了“人、車、非”老三樣，能不能盡快占領(lǐng)新需求的高地，也成為集成商們能坐哪把江湖交椅的重要依據(jù)。

對(duì)于大集成商而言，一個(gè)項(xiàng)目中落地上百個(gè)AI算法是常有的事，這意味著巨大的潛在增值空間，也意味著不可控的交付風(fēng)險(xiǎn)。

以工業(yè)機(jī)器人領(lǐng)域?yàn)槔?014年系統(tǒng)集成商企業(yè)數(shù)量不到500家，到2021年數(shù)量已經(jīng)超過(guò)3500家。但從財(cái)務(wù)上看，營(yíng)收小于1個(gè)億仍然是大部分集成商的命運(yùn)，能做到5個(gè)億已經(jīng)是行業(yè)佼佼者。從單個(gè)項(xiàng)目上看，遇到好項(xiàng)目毛利率能到20%-30%，但大部分情況下，毛利潤(rùn)則低于20%，如果是陌生的全新場(chǎng)景，那么賠本也有可能。

劉先生想帶領(lǐng)團(tuán)隊(duì)探索AI的未知之境。但是，把AI寫(xiě)進(jìn)PPT很容易，落到項(xiàng)目里很難。

于是，冰火兩重天成了AI行業(yè)的現(xiàn)狀：一面，是肉眼可見(jiàn)的行業(yè)蛋糕變大了；但另一面，是從業(yè)者如履薄冰，聞定制而色變。

2、夢(mèng)想照進(jìn)現(xiàn)實(shí)

究其本質(zhì)，AI算法無(wú)法成為標(biāo)品。

一條流水線可以生產(chǎn)千萬(wàn)瓶農(nóng)夫山泉，賣(mài)給無(wú)數(shù)消費(fèi)者；但算法和場(chǎng)景的關(guān)系，卻約等于《阿凡達(dá)》中納美人和迅雷翼獸的關(guān)系，每一個(gè)算法都需要與具體的場(chǎng)景精準(zhǔn)適配。

這項(xiàng)工作非常復(fù)雜。從數(shù)據(jù)環(huán)開(kāi)始，算法工程師就需要分析場(chǎng)景的圖像數(shù)據(jù)特點(diǎn)，依次設(shè)計(jì)對(duì)應(yīng)的算法方案，并根據(jù)算法落地的硬件芯片大小設(shè)計(jì)模型結(jié)構(gòu)，通過(guò)超參調(diào)節(jié)與訓(xùn)練得到一個(gè) AI 模型，然后部署到攝像頭、無(wú)人機(jī)等終端產(chǎn)品上。

而且，這不是一個(gè)走一遍就能完成的流程。深度學(xué)習(xí)是一個(gè)「黑盒子」，算法精度的提升可能取決于數(shù)據(jù)特點(diǎn)，也可能取決于模型參數(shù)規(guī)模與架構(gòu)。由于視覺(jué)算法天生要與終邊端結(jié)合，最終的算法調(diào)整還與終邊端硬件的算力（即芯片）大小有關(guān)。牽一發(fā)而動(dòng)全身，所以，算法工程師往往要來(lái)來(lái)回回走完整條流程，才能得到一個(gè)不錯(cuò)的 AI 算法。

計(jì)算下來(lái)，開(kāi)發(fā)一個(gè) AI 算法大概需要3個(gè)月，算法與硬件的適配調(diào)優(yōu)又要耗時(shí) 3 個(gè)月左右，所以單個(gè) AI 算法的平均交付時(shí)間大概 6 個(gè)月。AI 算法工程師的人力成本平均在年薪 50 萬(wàn)以上，一個(gè)算法項(xiàng)目的研發(fā)需要 5 到 10 人，加上圖像數(shù)據(jù)的標(biāo)注成本等，就構(gòu)成了 AI 算法的尷尬局面：

「海量需求，精細(xì)定制，人力太貴，做不過(guò)來(lái)」。

圖注：人工智能各職能崗位人才供需比

數(shù)據(jù)來(lái)源：工信部人工智能產(chǎn)業(yè)人才發(fā)展報(bào)告（2019-2020年版）報(bào)告編寫(xiě)組調(diào)研數(shù)據(jù)庫(kù)、BOSS直聘

AI是無(wú)處不在的需求，也是不敢輕易接手的山芋。作為產(chǎn)業(yè)鏈的中間環(huán)節(jié)，集成商向上對(duì)接核心技術(shù)提供商，比如算法廠商、芯片廠商，向下對(duì)接終端客戶和工程實(shí)施方。如果要探索新的算法應(yīng)用，自然離不開(kāi)產(chǎn)業(yè)鏈的上下游。

如果我們把視角放得宏觀一些，會(huì)發(fā)現(xiàn)當(dāng)下的AI產(chǎn)業(yè)鏈已經(jīng)在慢慢走向成熟了。

最典型的體現(xiàn)是連接數(shù)。據(jù) IoTAnalysis 研究數(shù)據(jù)， 2020年全球AIoT連接數(shù)達(dá)到117億， 首次超過(guò)非物聯(lián)網(wǎng)連接數(shù)——這個(gè)數(shù)據(jù)在2010年是8億次，增長(zhǎng)近15倍，而每一次連接，背后都有數(shù)次AI運(yùn)算。

15倍速的增長(zhǎng)，背后依靠的是數(shù)據(jù)和算力的循環(huán)增強(qiáng)，這些產(chǎn)業(yè)基礎(chǔ)設(shè)施的完善讓AI的夢(mèng)想有了照進(jìn)現(xiàn)實(shí)的條件。

以數(shù)據(jù)處理為例。吳恩達(dá)在“二八定律”中對(duì)數(shù)據(jù)之于AI的重要性有非常直觀的描述：80%的數(shù)據(jù)+20%的模型=更好的AI。

充足的數(shù)據(jù)是算法模型成功的前提，但數(shù)據(jù)處理環(huán)節(jié)極為龐雜，即使是最成熟的人臉識(shí)別，訓(xùn)練一個(gè)模型也大概需要千萬(wàn)的樣本量，整個(gè)數(shù)據(jù)處理工作則要占項(xiàng)目總成本的近60%，占項(xiàng)目開(kāi)發(fā)周期的80%。

如今，隨著產(chǎn)業(yè)分工的加速和技術(shù)的提升，專業(yè)數(shù)據(jù)處理機(jī)構(gòu)和AI算法輔助標(biāo)注平臺(tái)，可以通過(guò)預(yù)識(shí)別模型的方式，先將數(shù)據(jù)處理一遍，盡可能識(shí)別物體，再交由標(biāo)注員操作，就可以將效率提升近一倍。

除了處理效率外，數(shù)據(jù)處理質(zhì)量也在提升。在傳統(tǒng)數(shù)據(jù)處理過(guò)程中，主要通過(guò)人工抽查的方式對(duì)數(shù)據(jù)標(biāo)注質(zhì)量進(jìn)行查漏補(bǔ)缺，但通過(guò)AI輔助質(zhì)檢，不僅可以變“抽查”為“遍查”，還可以將平均數(shù)據(jù)準(zhǔn)確率提升5%以上。

除了數(shù)據(jù)之外，走向成熟和標(biāo)準(zhǔn)化的還有算力產(chǎn)業(yè)。

根據(jù)方舟評(píng)估委員會(huì)的研究，雖然過(guò)去十年，人工智能計(jì)算的復(fù)雜度每年飆升10倍（每秒千萬(wàn)億次運(yùn)算），但與此同時(shí)成本卻每年下降10倍。比如， 2017年在公共云上訓(xùn)練像 ResNet-50這樣的圖像分類器，成本約為1000美元，到了2019年只需大約10美元。

究其原因，一方面是AI架構(gòu)的升級(jí)，另一方面則是專用芯片的出現(xiàn)及其性能的提升，比如 Nvidia于2017年發(fā)布的 V100顯卡，比三年前發(fā)布的 K80 快1800% ，還有一方面則是智能算力建設(shè)取得的成就。

據(jù)工信部數(shù)據(jù)，截至2021年底，全國(guó)在用智算中心超過(guò)20個(gè)；算力產(chǎn)業(yè)規(guī)模近五年平均增速超過(guò)30%，排名全球第二。預(yù)計(jì)到2023年，智能算力在總算力中的比重將超過(guò)70%，發(fā)揮核心拉動(dòng)作用。

風(fēng)云萬(wàn)變一瞬息，在短短幾年間，智能算力從新生事物成為新基礎(chǔ)設(shè)施。這讓AI訓(xùn)練和落地更有底氣了。

最直觀的表現(xiàn)是，2012年前罕見(jiàn)使用GPU進(jìn)行計(jì)算，2015年以后，大規(guī)模使用上百個(gè)GPU進(jìn)行訓(xùn)練成為常事。而作為AI落地最常見(jiàn)的載體，智能攝像頭的價(jià)格單位也早已從萬(wàn)元降至千元甚至百元。

市場(chǎng)需求催生專業(yè)分工，專業(yè)分工促進(jìn)技術(shù)升級(jí)，技術(shù)升級(jí)導(dǎo)致性能迭代，性能迭代孕育成本降低，成本降低成就廣袤的市場(chǎng)需求。

數(shù)據(jù)端和算力端大致走完了這樣的閉環(huán)，這在行業(yè)層面讓算法研發(fā)的類型更多元、周期更短、成本更低。但這依舊不足以實(shí)現(xiàn)“智賦百景”背后的期望，整個(gè)產(chǎn)業(yè)對(duì)算法生產(chǎn)能力的期待呼之欲出。

3、AI 落地的新支點(diǎn)

如果說(shuō)，變?nèi)肆闄C(jī)器，變復(fù)雜為標(biāo)準(zhǔn)，是數(shù)據(jù)和算力一日千里的秘訣。那么，算法有沒(méi)有可能標(biāo)準(zhǔn)化？

2012 年，加拿大不列顛哥倫比亞大學(xué)的 Frank Hutter 教授等人提出自動(dòng)選擇模型與優(yōu)化參數(shù)的 Auto-WEKA，是第一個(gè) AutoML 點(diǎn)工具。之后，除了調(diào)參，也有針對(duì)網(wǎng)絡(luò)結(jié)構(gòu)、函數(shù)選擇自動(dòng)化的 AutoML 陸陸續(xù)續(xù)出現(xiàn)。

AutoML，即自動(dòng)機(jī)器學(xué)習(xí)，是一種用AI訓(xùn)練AI的工具。

但單點(diǎn)上的突破，并不能真正改變產(chǎn)業(yè)模式。AI 算法的生產(chǎn)特性決定了，但凡還有一個(gè)環(huán)節(jié)需要算法工程師操作，包括算法在終邊端的部署，就又回到了 AI 落地難的原點(diǎn)：離開(kāi)算法工程師，算法開(kāi)發(fā)就轉(zhuǎn)不動(dòng)了。

基于此，更多算法公司將AutoML當(dāng)做專業(yè)算法工程師的提效工具。但只要AI的生產(chǎn)和應(yīng)用還掌握在少數(shù)專業(yè)算法工程師手里，AI就像是一種奢侈品；其背后的巨大需求潛力，也就沒(méi)法釋放出來(lái)。

如果想讓整個(gè)AI產(chǎn)業(yè)鏈的齒輪咬合緊密銜接絲滑，必須實(shí)現(xiàn)端到端的算法全鏈條自動(dòng)化——這是新十年AI創(chuàng)業(yè)者的重要方向，「共達(dá)地」就是其中之一。

和單點(diǎn)自動(dòng)化的AutoML不同，共達(dá)地要做的是AI算法生產(chǎn)全鏈路自動(dòng)化的AutoML，是要將深度學(xué)習(xí)視覺(jué)算法開(kāi)發(fā)的鏈條細(xì)細(xì)拆分，分成 13 個(gè)環(huán)節(jié)，從「數(shù)據(jù)分析」開(kāi)始，一直到芯片適配，在算法開(kāi)發(fā)的每個(gè)環(huán)節(jié)都設(shè)計(jì)不同的算法來(lái)代替 AI 工程師的工作。最終實(shí)現(xiàn)的效果是，數(shù)據(jù)上傳后就能自動(dòng)訓(xùn)練模型，訓(xùn)練好的模型可以像安裝 APP 一樣下載。

這個(gè)過(guò)程相當(dāng)于把數(shù)據(jù)、算法與算力進(jìn)行了拆分，分別自動(dòng)化，每一個(gè)模塊都用 AutoML 的算法來(lái)實(shí)現(xiàn)。例如，數(shù)據(jù)分析一環(huán)，AutoML 可以自動(dòng)分析上傳數(shù)據(jù)中的場(chǎng)景豐富度、物體類別、目標(biāo)尺寸、有無(wú)遮擋、光照強(qiáng)弱等等。在芯片適配，用戶自主選擇模型想要適配的芯片，平臺(tái)同樣會(huì)通過(guò)算法來(lái)自動(dòng)匹配和計(jì)算。

用戶只需做兩件事：一是定義好需求，二是數(shù)據(jù)迭代。而這兩個(gè)環(huán)節(jié)可以由離業(yè)務(wù)場(chǎng)景最近的人來(lái)完成，如上述所說(shuō)的產(chǎn)線工人、物業(yè)經(jīng)理等等。

圖注：共達(dá)地自動(dòng)化訓(xùn)練開(kāi)發(fā)平臺(tái)流程

原本訓(xùn)練算法是個(gè)「黑盒子」，但這個(gè)過(guò)程被流水線化了。反復(fù)調(diào)參的前提不存在了，成本和周期自然也就消失了。想要什么樣的算法，就喂什么樣的數(shù)據(jù)。

這種能力對(duì)集成商來(lái)說(shuō)，很有吸引力。

自建 AI 團(tuán)隊(duì)的成本太高，但產(chǎn)品經(jīng)理與項(xiàng)目經(jīng)理的人數(shù)永遠(yuǎn)是最多的。所以，如果他們僅僅需要上傳數(shù)據(jù)，就能像安裝 APP 一樣得到解決自己?jiǎn)栴}的 AI 算法，那么 AI 的足跡就會(huì)迅速布滿全國(guó)各地，真正促進(jìn)數(shù)字化的轉(zhuǎn)型。

不過(guò)，算法生產(chǎn)出的算法，精度能否與人類生產(chǎn)的算法相媲美；

沒(méi)有專業(yè)算法團(tuán)隊(duì)的集成商，是否能熟練使用這項(xiàng)能力；

這兩大前提，是驗(yàn)證 AutoML 平臺(tái)是否行得通的試金石。

創(chuàng)立第二年，共達(dá)地得到了肯定的答案。一家視覺(jué)算法公司想用 AI 識(shí)別火焰煙霧。此前，該公司內(nèi)部的算法團(tuán)隊(duì)花了半年左右的時(shí)間才做出一個(gè)算法。接觸到共達(dá)地后，在試用他們的算法自動(dòng)化生產(chǎn)平臺(tái)時(shí)，他們將同一套數(shù)據(jù)上傳到該平臺(tái)，結(jié)果只用了 10 個(gè)小時(shí)就訓(xùn)練出一個(gè)模型，而且算法的精度更勝一籌。

這種震撼是難以名狀的：回顧深度學(xué)習(xí)的歷史，深度學(xué)習(xí)第一次引起人們的震撼，就是 2011 年 Hinton 與鄧力在微軟語(yǔ)音識(shí)別中應(yīng)用深度神經(jīng)網(wǎng)絡(luò)，只用了幾天時(shí)間就完成了整個(gè)團(tuán)隊(duì)花半年才做完的事情。而現(xiàn)在，AutoML 生產(chǎn)的算法也能實(shí)實(shí)在在地匹配人類工程師的工作——算法環(huán)節(jié)，終于也和數(shù)據(jù)、算力一樣，走上了工業(yè)化道路。

4、生產(chǎn)力解放想象力

只有解決長(zhǎng)尾匹配，才能完成技術(shù)的價(jià)值閉環(huán)。而在實(shí)際業(yè)務(wù)中，越來(lái)越多碎片化的場(chǎng)景證實(shí)了 AutoML 平臺(tái)算法生產(chǎn)的意義。

今年年中，劉先生接到一個(gè)來(lái)自某地政府的智慧城市項(xiàng)目，需要用無(wú)人機(jī)+AI巡檢的方式，對(duì)轄區(qū)內(nèi)的車輛、人員、河道、商販等進(jìn)行管理，是劉先生從業(yè)以來(lái)遇到的覆蓋面積最大、算法類型最復(fù)雜的項(xiàng)目。

項(xiàng)目試點(diǎn)初期，以河道漂浮物識(shí)別為切入點(diǎn)，對(duì)比多家供應(yīng)商的技術(shù)實(shí)力。劉先生在某專業(yè)算法大廠的算法商城中購(gòu)買(mǎi)了河道漂浮物識(shí)別算法，但測(cè)試時(shí)92%的精度，到應(yīng)用到業(yè)務(wù)場(chǎng)景后竟然低于10%。主要原因在于：一是實(shí)際河網(wǎng)環(huán)境復(fù)雜，二是河面反光造成了極大的影響。

后來(lái)，劉先生在共達(dá)地的 AutoML 平臺(tái)上通過(guò)采集到的視頻流自主動(dòng)手訓(xùn)練了河道漂浮物識(shí)別算法，應(yīng)用到業(yè)務(wù)場(chǎng)景后，同樣由于遠(yuǎn)距離、夜間識(shí)別的問(wèn)題，精度只達(dá)到70%左右，但通過(guò)不斷巡檢，前端回傳現(xiàn)場(chǎng)數(shù)據(jù)進(jìn)行迭代，5 天迭代 3 個(gè)版本后，精度達(dá)到了95%。

速度帶來(lái)質(zhì)變。如果是之前靠人力迭代，相當(dāng)于每次都要重新定制算法、重新走一遍上述十幾個(gè)環(huán)節(jié)的流程，耗時(shí)往往以月計(jì)，成本也高。但 AutoML 平臺(tái)自動(dòng)生產(chǎn)、無(wú)需人力，機(jī)器 24 小時(shí)云運(yùn)轉(zhuǎn)，以天為單位迭代，效率更高，得到高精度的時(shí)間也更短，對(duì)實(shí)際落地帶來(lái)了巨變。

AI 的生產(chǎn)力，解放了行業(yè)人士對(duì)「AI 能做什么」的想象力。

「過(guò)去不敢接的項(xiàng)目需求，現(xiàn)在敢接了；過(guò)去要倒騰半年的項(xiàng)目，現(xiàn)在一個(gè)月就可以交付妥當(dāng)了。」這是劉先生最直觀的感受。雷峰網(wǎng)

這就好比汽車的發(fā)展：汽車最開(kāi)始出現(xiàn)時(shí)，只有少數(shù)的富貴人家能擁有汽車，會(huì)開(kāi)車的司機(jī)也很少；隨著生產(chǎn)力的發(fā)展，越來(lái)越多中產(chǎn)階級(jí)也能買(mǎi)上汽車；到乘車共享平臺(tái)誕生時(shí)，普通老百姓即使沒(méi)有汽車，也已經(jīng)能通過(guò)平臺(tái)享受到汽車出行的服務(wù)。

通過(guò) AutoML 平臺(tái)，AI不再是昂貴的產(chǎn)品，而是觸手可及的服務(wù)。傳統(tǒng)企業(yè)也能實(shí)現(xiàn)這樣的夢(mèng)想：沒(méi)有 AI 團(tuán)隊(duì)，也能交付靠譜的 AI 產(chǎn)品。

但更具想象力的是，工具升級(jí)以后，產(chǎn)業(yè)鏈也有了重塑的可能性。

在AI產(chǎn)業(yè)鏈中，繞不開(kāi)的無(wú)非“算法，算力，數(shù)據(jù)“三大要素。而項(xiàng)目落地，則又包括需求分析、系統(tǒng)集成、API對(duì)接聯(lián)調(diào)、部署運(yùn)維等細(xì)碎工作。

傳統(tǒng)AI公司自己下場(chǎng)做總包項(xiàng)目，左手采數(shù)據(jù)，右手建算力，又用昂貴的人力和組織成本，去做系統(tǒng)集成商的工作。雷峰網(wǎng)

于是，邊際效應(yīng)誠(chéng)實(shí)的反應(yīng)在財(cái)務(wù)報(bào)表上，攤子鋪的越大，企業(yè)虧錢(qián)越多。

而共達(dá)地AutoML平臺(tái)率先將算法生產(chǎn)能力抽離出來(lái)，變成標(biāo)準(zhǔn)化服務(wù)，同時(shí)打通數(shù)據(jù)廠商和芯片適配。讓整個(gè)產(chǎn)業(yè)鏈回歸合理分工，各家廠商專注自己擅長(zhǎng)的事情。

標(biāo)準(zhǔn)化，是效率的開(kāi)端，更是協(xié)作的開(kāi)始。

到2021 年，共達(dá)地的 AutoML 平臺(tái)已經(jīng)打通了多家數(shù)據(jù)廠商，用戶可以無(wú)縫實(shí)現(xiàn)數(shù)據(jù)的標(biāo)注服務(wù)。同時(shí)，平臺(tái)適配了超過(guò) 100款常見(jiàn) AI 芯片，涵蓋英偉達(dá)、英特爾、高通、寒武紀(jì)等主流廠商。

這個(gè)過(guò)程可以參考信息產(chǎn)業(yè)。當(dāng)信息產(chǎn)業(yè)從一家獨(dú)攬咨詢、操作系統(tǒng)、CPU、硬盤(pán)、整機(jī)等所有環(huán)節(jié)，發(fā)展為每個(gè)環(huán)節(jié)都有大量玩家和獨(dú)角獸時(shí)，信息產(chǎn)業(yè)生態(tài)便建立起來(lái)了。信息產(chǎn)業(yè)從煙囪林立，到樹(shù)狀相連，IT也在此刻成為各行各業(yè)的「基礎(chǔ)設(shè)施」。也正是在這個(gè)基礎(chǔ)上，中國(guó)經(jīng)濟(jì)大體上完成信息化，邁向數(shù)字化。雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))

相應(yīng)的，人工智能正在經(jīng)歷的這個(gè)階段，或許可以稱為「AI生態(tài)元年」。

共達(dá)地的AutoML平臺(tái)，作為撬動(dòng)AI生態(tài)的一個(gè)工具，只是革命的開(kāi)始。隨著越來(lái)越多人參與到這個(gè)賽道中，帶來(lái)新的分工、新的標(biāo)準(zhǔn)、新的理解，共建人工智能的新生態(tài)。

在那里，才是AI真正的星辰大海。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。