社区编辑申请
注册/登录
告别手摇织布机的AI时代
人工智能
在AI规模化落地,并以赋能百业为目标的大趋势下,挑战即是机遇。倘若不彻底改变成本高昂、效率低下的传统开发路径,经济性的不足,会严重阻碍人工智能的发展。

18世纪60年代,当蒸汽机被发明时,绝大多数人并没有意识到“工业革命”的到来;

1946年ENIAC问世时,人们也意识不到,计算机会在半个世纪后,成为支撑社会运转、科技创新的基础设施;

即便是2005年,人们也想象不到无需现金,仅用一部手机就可以解决衣食住行的几乎所有需求;无需单独的相机,也可以随时随地记录身边的点滴。

图片

每当颠覆性技术诞生时,人们总会低估它给社会经济带来的影响,只有在数十年后对历史加以总结时,它的价值才会被定义。

就像比尔・盖茨所说:我们总是高估在一年中能够做到的,而低估五年或者十年中能够做到的。

如今,这个主角轮到了“人工智能”。

2022年,AI产业链初步完善,各行业需求不断涌现,从业者们高举「AI进入千行百业」旗帜扩大市场,一些先行者更是成功IPO。

降本增效、数字化转型、数字经济……纷纷成为当下AI产业化相关的热点词汇。引领第四次工业革命和生产力的迭代,AI的这些价值更是多方共识。

但10年后、50年后的AI图景,没有人能够清晰描绘。AI的发展是否会像今天我们所预测和定义的那样——

以我们当前的视野,给不出准确答案。

面对AI的星辰大海,我们才刚离开地球表面。

身处产业变革的漩涡之中,或许很难看到AI的终局,但AI算法的“超大规模”和“精细化”,至少是通往这一终局的必经之路。

超大规模和精细化趋势下,AI亟待工业革命

所谓超大规模,即AI算法无处不在——

算法数量会像APP数量一样,呈爆炸式增长,深入到生产、工作、生活的每一个细枝末节,成为城市管理、企业发展的重要资产。

正如今天智能手机应用商店中动辄数百万的APP种类,算法几乎覆盖了各类人群、各行各业的各种需求。其中有很多,都已成为了我们的日常生活的一部分。

所谓精细化,即单一AI算法的功能会越来越细分,而无数个细小的AI算法,会根据不同行业、不同场景、不同设备的使用需求,组合成复杂度极高的AI应用。

在这样的趋势下,很快,每一个我们习以为常的AI应用,可能都会成为由成百上千种算法组成的复杂智能体。

精细化也会带来AI的场景化,换言之,即是需要根据客户自身的实际情况和需求特点,针对性地训练适用于不同垂直和细分场景的AI算法。

但随着场景的不断发掘,来自客户的定制化需求数量也会快速激增,这会给AI的落地带来更多挑战,针对每一个需求专项定制不仅增加成本,还会拖慢落地周期。

仅看社区管理一域,算法需求就包含垃圾溢出、高空抛物、口罩检测、车辆违停识别、电动车进电梯、住户居民摔倒、电梯困人等大量细碎需求。制造、能源等领域也类似。

而同一个模型在不同场景,其适用程度也不相同。

以火焰烟雾识别为例,放在社区街道,有人点烟肯定无需报警,放工地里,火花大如电焊也无需提醒,但在加油站,需求又变成一点火星也不能放过。

图片

这些场景虽然给算法带来了大量碎片化的长尾需求,但仍是社区管理智能化必不可少的一环。

然而这类长尾场景有一个显著的特点,那就是样本数据稀少,可用于训练的高质量数据集更是奢侈品。

因此,在开发过程中,很多时候需要现场采集数据进行初代训练,并在算法上线后持续迭代。只有经验丰富的算法工程师才能在有限数据量下,训练出一个精度还不错的算法。

而在“超大规模”和“精细化”趋势下,AI算法的终端部署适配,更是AI落地又一大隐藏痛点。

算法要想使用效果好,芯片适配是必要的过程。

这项工作展开说,要针对不同芯片,编写不同工具链的开发工具包,还要针对终端芯片性能进行量化调整,以尽可能提高芯片的利用率。

目前,市场大部分AI企业只做适配了NVIDIA、高通等主流品牌及自研芯片,如若用户所用芯片不在适配范围内,就需要额外花费至少2~3个月的时间进行单独适配,即便如此,芯片的利用率可能仍只有不到10%,造成极大资源浪费。

在传统的开发模式下,从业务问题的定义,到数据的采集和标注,算法模型的设计、调参、训练、调优,再到模型的芯片适配和性能评估——

整个链条不仅繁杂、周期长,且需要大量的人工参与,整个过程通常往往需要数月之久。算法利用率的不确定性,更会增加算力成本。

这种“必须人工,才能智能”的工匠精神,在面对未来的海量需求时,就会力不从心。

用手工划船,不可能离开地球表面。大家期待AI能够带来第四次工业革命,解放更多劳动密集型的工作,但AI自身,却又成为了劳动密集型产业。大量研究院和工程师们的重复劳动,又有谁来解放?

此外,深入产业落地,也需在标准化与定制化的博弈中左右抉择。

此前,算法SDK、SaaS服务盛行,很多企业希望借此逐渐将产品标准化,实现规模发展。结果却发现,AI越是深入产业,碎片化、非标准化需求越多,依靠单一模型通用解决所有问题的是一个行不通的商业模式。

而做定制化方案、总包集成项目,又会陷入成本高、利润低、赚不到钱的困局,成为AI企业们不愿意接的苦力活。

AI产业化供需之间的巨大沟壑,商业模式的束缚,亟待生产力和生产关系的重构。AI自身,也需要一次工业革命。

AutoML,告别手摇织布机的AI时代

其实,各路前沿玩家很早就意识到了这个兆头,并开始着手解决。

有人增派人手潜心深入行业,对新增算法逐一研发,躬身入局与行业强绑定,初期就着手构建完整方案教育市场,下场做了很多集成工作。

也有人上马超算中心,建立大模型大装置,希望能一口气解决所有问题。

还有一种新的方式,不但要做到AI开发的“降本增效”,还要降低使用门槛形成行业普及——

用AI的方式解决AI需求,其底层技术来自AutoML,主打两个字:高效。

技如其名,AutoML指的是在机器学习各阶段减少人工参与,把“工匠手工打造”变成“流水线自动化作业”。

从模型的结构设计到调超参、从训练到模型的精简压缩、还有芯片的适配和部署……在不同阶段采用自动化方案,让机器替代人工完成调参、数据处理等等繁复工作。

核心理念即用AI训练AI。

因AutoML将对原有底层框架、以及合作模式的重塑,有圈内人将其称为:人工智能2.0阶段的标志。

作为AutoML的提出和尝鲜者,谷歌已经快速进行了相关布局,还有一些初创公司,也积极开展AutoML创新,成为AI行业赋能百业的践行者。

革新AI的生产力和生产关系

反映到实际的产业应用中,AutoML有多高效?

深圳初创公司“共达地”的两名产品经理基于公司的自动化训练平台,只用2~3周时间,便快速训练完成了超过100个算法,涵盖了目标检测追踪、图像分类、语义分割、姿态检测、3D检测等五个大类视觉算法,覆盖80+个碎片化应用场景以及70+款AI芯片。

简单换算的话,原本算法开发到部署需要至少半年,现以自动化方式,半天就能完成,效率指数级增长。

但将AutoML全面带向商业市场,还需要从客户价值角度出发,帮助客户以更低的成本快速上手,创造生产力的革新;同时,联动产业上下游,优化产业的供需体系,实现生产关系的重塑。

首先,是生产力的革新。

虽说AutoML号称「自动」,但对非AI技术出身的产品经理、数据分析师等群体来说,仍属于「搞不明白」的头痛工具。

有别于科技巨头仅用其提升内部技术人员工作效率,共达地在开发Pipeline上进行全链条自动化改造,让不懂AI的业务人员也能使用AI,大幅降低AI的使用门槛,做企业背后的无限的AI生产力。

图片

从图中可以看出,共达地全流程实现了0代码低门槛使用AutoML训练自己想要的AI,用户只需要简单的点选按钮,就可以根据自身需求,自助式上传训练数据,平台即可自主完成模型设计、训练和调参,短时间内就可训练出一个高质量的AI视觉算法。

目前,该平台已覆盖行业90%以上常见任务,大类涵盖:检测、分割、分类、人体、3D等方面算法。数据采集标注也可交给共达地合作方,产品经理和业务专家们只需负责定义需求,即可快速完成落地,实现“定义即所得”。

图片

由于现实中,很多中小企业对于碎片化场景算法有迫切需求,该团队还联合数据厂商,快速推出了自动化「算法商城」——

让客户能够以0代码、即插即用的方式,快速将AI算法应用于自身业务链条当中,实现智能化升级。

目前,这一商城包含近百个场景,适配70余款芯片的5000多种高精度算法,供客户直接使用。

图片

第二,是生产关系的重塑。

通过开放赋能,将AI交付能力赋予广泛的生态合作伙伴,共同践行将AI赋能百业。

目前,AI产业链囊括了数据厂商、芯片厂商、基础设施厂商等多个不同环节的角色,共达地企业定位于开放,因此,在通过AutoML平台重塑产业链的过程,保持了对各环节伙伴的充分开放性。

以针对芯片厂商的适配为例。

由于不同芯片平台都会基于自身芯片硬件架构特性,开发自己的工具链,在AI模型生成和部署环节中,需要兼顾各个不同芯片平台的硬件适配性和利用率。

共达地AI平台在SDK层面会整合不同工具链,完成模型到终端芯片的自适应转换,满足AutoML训练平台生成的模型能够一键下发至终端设备,并让AI算法模型发挥充分效能。

基于AutoML的高效,共达地完成了几乎所有主流芯片与盒子的预适配,可以将芯片利用率提升至50~60%,相较于10%利用率的行业普遍水平,大大提升了算力效能。

不仅仅是量变,更是产业变革的奇点

从过去一个算法需要一群AI工程师专项开发数月时间,到如今一个身处业务一线、不懂算法开发或代码编程的产品经理,一键三连,就可以根据自身需求,高效率地自主生产高质量的算法。

AutoML带来的不仅仅是量变,更是产业变革的奇点。

当前,已有越来越多圈内企业开始应用AutoML技术改变AI开发模式。很多企业正是受益于共达地的自动化训练平台和算法商城。

基于AutoML技术,共达地与客户共创共建,针对各行各业海量的垂直和细分领域的场景化AI需求,共同进行业务问题的定义,帮助客户实现算法的高效定制及下发部署,快速满足各类定制化需求,提高开发效率,降低人力和研发成本,与客户合作共赢。

例如央企旗下城市服务科技公司,平安智慧城市,就放手尝试应用AutoML技术为其生产多场景的算法。

通过共达地的自动化训练平台,平安智慧城市的开发者无需编代码,即可进行违规停车检测、井盖丢失或损坏检测、烟火检测、占道经营检测等碎片化场景的算法模型训练,还能一键到端部署。这一过程中,一路算法开发到部署花费时间最快只需数小时。

又如,在智慧交通的应用场景中,湖南省某市的交通管理部门在建设相关项目时,千视通便使用了共达地的AutoML自动化训练平台,定制了“行车未系安全带识别”、“行车打电话识别”等有关安全驾驶的一系列相关AI视觉算法。

在几乎没有投入AI算法工程师的情况下,两周之内便完成了各类复杂交通场景下的AI算法模型训练。

这些案例也都鲜明地印证了AutoML对于AI超大规模和精细化发展的不可或缺性——

让AI应用从只由几个算法整合而成、只能完成单一任务的简单智能体,逐渐进化成由海量算法构成、具有综合能力的复杂智能体,从而完成各式各样的复杂任务。

如果将AI比作一架飞机,那么初始的AI应用就像莱特兄弟打造的第一架飞机,结构简陋,只能飞行12秒。而未来的AI应用,就像今天动辄数百万零部件的客运飞机,每天都可以把人从地球一端送到另一端的目的地。

正如共达地的公司寓意“共同到达目的地”,帮助别人成功的同时,自己也获得成功。

对此,共达地创始人兼CEO赵丛还有个有趣的总结:做AI不一定要成立AI团队。

对企业来说,通过共达地自动化训练平台,可以让碎片化的中长尾场景的AI算法快速落地,部署后也能快速优化迭代、持续升级,从而不断获得附加价值。

0代码低门槛的开发方式,也将AI人才的门槛降到最低,赋能集成商、方案商、渠道商快速具备靠谱的AI能力,让AI算法的开发不再成为发展的负担,而是化作提高竞争力和效率的武器。

更进一步看,有了自动化训练平台和算法商城,共达地无需踏入行业一线做总包集成项目、无需触碰最终应用,而是成为企业背后的算法赋能者,用AI生产力和生产关系的变革,创造新的商业模式——

通过降低AI技术的单位应用成本,逐步帮助上下游企业进行AI技术赋能,大家形成长期且深度的合作,依托它们进入各个行业,最终实现规模效应,完成AI赋能百业的目标。

降低单位成本,用规模效应描绘AI未来

回看开篇所述,人们之所以会低估颠覆性创新技术所带来的价值,或许正是因为,这项技术尚未实现规模化效应,其应用的成本并没有降低到行业所能接受之程度。

《Prediction Machines》一书中提到,某种基础产品的价格大幅下跌时,整个世界都可能发生变化。

图片

蒸汽机的出现,并没有立即点燃工业革命,而是在单位成本下降,得到大规模应用后,才开启了以机器代替手工劳动的时代。

电子管计算机的出现,也没有立即掀起人类的科技革命,直到超大规模集成电路的出现,加上电子设计自动化的逐步发展,才真正推动了PC走入千家万户。

AI时代,这一幕又再次上演。

在AI规模化落地,并以赋能百业为目标的大趋势下,挑战即是机遇。倘若不彻底改变成本高昂、效率低下的传统开发路径,经济性的不足,会严重阻碍人工智能的发展。

而以颠覆性的效率革新,实现AI算法的批量式、大规模生产,并快速投入到产业的毛细血管当中,帮助客户以指数级的效能提升,构建数字化转型的核心资产,才可能让AI走进各行各业。

没有时刻追求耀眼,却在脚踏实地地提供行业新思路。用技术创新掀起AI的规模效应,或许这,就是共达地相信的AI未来。

责任编辑:武晓燕 来源: 量子位
相关推荐

2017-08-07 15:17:34

2022-07-06 11:38:40

2020-12-29 14:47:01

人工智能机器学习交通

2021-01-03 15:03:23

人工智能语音输入法

2022-01-22 00:26:22

2018-03-20 09:25:19

2020-07-02 09:46:05

AI

2018-08-27 08:13:18

人工智能教育AI

2017-04-20 13:32:21

2021-01-25 16:30:15

机器人AI人工智能

2018-07-23 15:10:37

2020-12-25 09:29:40

人工智能AI深度学习

2020-11-04 07:32:01

AI技术

2021-07-19 16:25:50

2018-06-11 09:32:00

2020-04-16 09:35:43

机器学习技术人工智能

2009-04-25 09:05:42

2019-12-24 08:15:52

智能手机手机厂商iPhone

2020-03-18 14:28:43

伪概念手机真相

2014-08-18 15:28:03

同话题下的热门内容

如何创建一个无代码的自助客户聊天机器人使用机器学习评估异质治疗效果中科院打脸谷歌:普通电脑追上量子优越性,几小时搞定原本要一万年的计算负责任的机器学习--“玻璃盒”方法AI到底是如何工作的?玩转文字、文采飞扬,你也可以是这样的昇腾AI程序员!PathAI利用机器学习推动药物开发七月超受欢迎的AI研究榜单出炉,马毅最新「标准模型」排名第九

编辑推荐

转转公司架构算法部孙玄:AI下的微服务架构Facebook开源相似性搜索类库Faiss,超越已知最快算法8.5倍运维:对不起,这锅,我们不背快消品图像识别丨无人店背后的商品识别技术最全面的百度NLP自然语言处理技术解析
我收藏的内容
点赞
收藏

51CTO技术栈公众号