<mark id="oztn4"></mark>
0
近日，斯坦福大學發布了《2022年AI指數報告》。這份長達190多頁的報告涵蓋研發、經濟、教育等各個方面的AI發展成果。
根據這份報告，2021年，中國AI專利申請量占全球總數的52%，專利申請數量居世界首位。但是，在授權專利數量上，仍然落后于美國。
這個結果并不意外，作為計算機科學的發源地，美國在AI領域始終獨樹一幟，其它國家難以望其項背。但中國的發足追趕也是不爭的事實。
在整體落后的背景下，中國AI如何實現趕超？是單點突破還是多點開花？是在商業落地領域突進還是在工程技術角度比拼，這些問題都有待探討。
不過，在深度學習框架/平臺這個基于底層創新，又服務于產業落地的交界領域，似乎給我們提供了一條中國AI如何趕超的良好視角。
1956年，美國漢諾斯小鎮寧靜的一所大學內，包括諾貝爾經濟學家獎得主赫伯特·西蒙在內的一眾知名科學家聚集一堂，召開了一場漫長的會議，討論一個在當時的人們看來天方夜譚的話題：用機器模仿人類學習以及其他方面的智能。
這就是后來廣為熟知的達特茅斯會議，這次會議時間足足長達兩個月，學者們卻仍然沒有達成共識，但為討論內容起了一個名字：人工智能（AI）。
時間過去66載，曾經討論的話題有許多可能已然成為現實，AI已經從邏輯推理、專家系統來到機器學習、深度學習的第三次發展浪潮，迎來發展的爆發期。
客觀的說，最早提出AI理論的美國在整個AI發展的全球化潮流中，在基礎技術創新、商業化落地等領域，依然獨占鰲頭，在學術研究、實踐應用等方面也均有著他國無可比擬的水平。
不過，中國也有獨特的優勢。
很多人都知道，AI研發的三要素是算法、算力和數據，但這只是技術意義上的要素。更重要的要素，其實來自于需求和場景，在這方面，中國有14億人口的龐大國內市場、有不少世界級的超大規模互聯網平臺、有大量來自傳統產業轉型升級的新基建需求，它們決定了除了美國之外，再沒有任何一個經濟體擁有與中國競爭成為AI創新的世界級策源地的底蘊，包括科技發達的歐盟。
的確，關于AI，我們有很多很好的政策，也有不錯的數據和成績。
比如，早在2016年，“人工智能”一詞就已經被寫入我國“十三五”規劃綱要。這之后，相關利好政策頻出，AI企業的發展隨之進入快車道，融資數量和金額都在快速增長。
例如，2016年以來，中國AI投資領域每年融資事件平均約1000 起。在過去的2021年，中國發生了1132起相關行業投融資事件，累計金額3996.4億元，較2020年增長51.44%，再創新高。
又比如，在AI最為核心的算力水平，中國的發展速度同樣不容忽視。有報告顯示，過去一年，各國算力評分均有提升，但中國增幅最大，以總分70分進入全球領跑者行列。
還有，中國可能是發表AI會議出版物數量最多的的國家，已經成為AI專利“賬面上”的全球第一。
但這不是我們盲目樂觀的理由。
AI畢竟是要通過應用才能發揮實際效能的。
而根據斯坦福大學發布的《2022年AI指數報告》，美國在授權專利數量上占全球總數的40%，排名世界第一。
這個數據的意義是，獲得專利授權才能“證明你的專利實際上是可信并且有用的”。這有點類似于出版物數量和被引用次數的情況。也就是說，中國的研究成果很多，但在真實落地上的影響力和美國仍存在一定的差距。
某種程度上，這當然是因為美國在AI以及整個計算機科學領域，有著不是一星半點的先發優勢。
但某種程度上，即使在美國，AI也是極少部分有前瞻精神的學者，在公眾普遍看不到AI潛力的情況下，堅持努力、篳路藍縷開創的結果，這種精神才是值得我們學習的。
回顧歷史，深度學習的發展實際上經歷了從邊緣化課題走向主流技術的路徑。“教父”級人物杰弗里·辛頓對神經網絡的探索最早可以追溯到上世紀80年代初期，當時的AI不僅是邊緣，還是低谷。但正是少數人的努力，比如像辛頓這樣，將神經網絡帶入到研究與應用的熱潮，將“深度學習”從邊緣課題變成了谷歌等互聯網巨頭仰賴的核心技術，使人工智能發展到今天這般炙手可熱。
更值得一提的是，辛頓早在2013年就意識到企業可能比學校能提供更好的AI研究場景和數據、算力，于是他在2013年進入谷歌，由此推動了一系列AI技術的產品化。
但是，對于矢志成為人工智能全球中心的中國來說，追趕也同時開始了。
從表面上看，2015年-2016年是AI技術走進公眾認知的一個分水嶺。
2015年的年尾，谷歌對外發布了迄今為止仍然占據深度學習主流框架位置的TensorFlow，其支撐的AlphaGo在2016年3月的人機大戰中以4：1戰勝世界圍棋冠軍李世石。深度學習的概念由此開始被越來越多的“外行人”知曉，更新迭代也日新月異。
杰弗里·辛頓曾在一次演講中講道：“深度學習以前之所以不成功是因為缺乏三個必要前提：足夠多的數據、足夠強大的計算能力和設定好初始化權重”。而現在，這些困難正在被逐漸抹平。
業界有一句名言是，搜索引擎是現有的最大的人工智能項目。這一點，在中美兩國都得到了確證。
早在2011年，谷歌已經通過Google Brain（谷歌大腦）內部孵化了一個叫做DistBelief的項目。隨后，包括杰弗里·辛頓在內的大批科學家、工程師對其進行改造，才有了后來聲名鵲起的TensorFlow。
無獨有偶，在中國產業界，最早孕育出人工智能特別是深度學習框架的，也是搜索引擎公司。
在現有的記錄中，百度自發應用人工智能技術最早可以追溯到2006年，深度學習這一波強勢崛起后，百度也是國內最早能夠“看到”深度學習技術及應用的潛力的，某種程度上，百度同樣屬于早期的深度學習開拓者之一。例如，2013年，百度率先建立全球首個專注深度學習研究的深度學習研究院。
這里要重點講一下的是，為什么百度在AI研發中，逐步選擇了深度學習框架/平臺作為核心突破口。
事實上，百度最早的應用人工智能，并不完全是自上而下的，相反有某種自下而上的趨勢，人工智能猶如火種，在百度的不同體系、架構、產品中，逐漸出現了不同層次的應用。
可以說，深度學習框架是絕大多數人使用人工智能的起點，再往前則是通過手工搭建模型，這是屬于部分科學家和高級工程技術人員的專利，它們太難也無法推廣。
當時百度的內部，不僅在使用不同來源的早期深度學習框架，甚至是不同部門都開始了自行研究深度學習框架。
“研發隨著業務走”也是一種常態。但深度學習的星火燎原，引發了百度高層的關注。
在超大型互聯網平臺中，不同業務、不同部門使用不同的技術底座是很常見的事情，部門墻也是很難穿透的。但百度這次做了一個決定，要把深度學習的技術底座統一到一個框架中來，實現集中資源重點突破。
為此，百度梳理了各個部門的需求，從某種程度上來說，這些部門的需求其實就代表著當時中國產業界對AI應用需求的最高水平，而匯集并設計一個可以包容這些需求的框架，則可以解決許許多多個企業、行業降低AI應用門檻的問題。
相較于很多出自高校、歷史久遠、演變曲折的框架，飛槳一開始就奠定了“產業級”深度學習框架的基礎。
基于已有的技術積累，百度在2016年正式對外開源PaddlePaddle框架；而三年后的2019年4月，PaddlePaddle正式發布中文名——飛槳。
而在美國，2018年時，在GitHub的活躍度、Google上的搜索量、知名科技媒體Medium上的文章數量以及arXiv上的論文數量，TensorFlow所占比重都是最多的。
同年，也是2018年，Caffe2代碼并入PyTorch ，Facebook主力支持的兩大深度學習框架合二為一，PyTorch的發展駛入快車道，如今，PyTorch已經在學術論文圈形成了絕對的優勢。據統計，在Hugging Face上有85%的模型是PyTorch獨家的。
百度在觀察到這兩大世界級框架的各自長短板后，毅然做出了一個重要的決定。
飛槳能夠成為Pytorch和TensorFlow之外的世界深度學習框架第三極，真正的彎道超車來自一個重大的決定。
美國的兩大框架一個在學術圈受歡迎，一個在產業界受歡迎，而飛槳要形成差異化致勝，并盡可能把學術界和產業界的精銳集中到一個生態中來，唯有走一條不同的路——從單純的產業級框架，變成一個打通產業界和學術界藩籬的通用型框架，它既是產業級的，也同樣要是學術界深度歡迎和擁抱的。
為了一切從實際出發，飛槳研發人員經常深入到QQ群接受開發者反饋的問題，及時予以解決。這種把開發者需求放在首位的低姿態，既幫助飛槳獲得了不少開發人員的擁躉，也促進了飛槳的快速發展。截至2021年底，飛槳PaddlePaddle已經匯聚406萬開發者，創建了47.6萬個模型，服務15.7萬家企業。
從市場份額看，IDC發布的報告顯示，在中國深度學習平臺市場，2021年上半年，百度的綜合份額持續增長，已經超過Google和Meta（Facebook），躍居第一。
《2021中國開源年度報告》也提到，2021年GitHub中國項目活躍度Top30中，飛槳占據5個項目，其中飛槳框架位列榜首。
這使得我國AI技術開發者和使用者不再依賴于國外平臺，同時也為進一步培育自主可控的AI開發應用生態奠定了扎實的基礎，更是中國在計算機科學的基礎領域非常突出的世界級成就。
至此，飛槳PaddlePaddle、PyTorch、TensorFlow形成三強鼎立局面，深度學習框架步入“PPT”時代。
但這并不是故事的終點。
隨著深度學習的理論研究日趨成熟和深度學習框架的快速迭代，AI技術的應用和普及進入加速期，但在具體實踐應用過程中仍存在許多痛點。
比如，人工智能模型的生產成本仍然很高，而在企業實際應用中也存在適配等各種疑難雜癥。就此，飛槳在模型庫中為開發者提供了一套全流程指導。從前期適配到后期運行，飛槳都提供了相應方案。
具體而言，在前期數據處理、模型選擇時，飛槳能夠通過自己的方式幫助企業選擇一個合適的場景。在此之后，飛槳還會對部署芯片的效率進行跟蹤，在出現準確率不高等問題時快速提供反饋指導。
換句話說，這套指導不僅僅是一個學術界的算法，而是真正根據行業需求所梳理設計的環節。
此外，由于某些行業的特殊要求，如零件質檢對速度要求非常高，有限的算力很難同時在速度和精度上達到極致。為此，針對這些痛點，飛槳通過對算法模型的優化設計了PP系列模型， 實現精度和性能兩者間的平衡。
截至2021年，飛槳已經發布13個PP系列模型，官方提供的算法模型庫更是已經超過500個。在訓練這些模型過程中，飛槳總結了自己的一套方法論，在一定程度上，加快了訓練速度。
百度AI技術生態總經理馬艷軍告訴雷峰網，深度學習框架要解決的一個長期研發問題就是提升訓練效果。為此，飛槳做了很多工作去提升訓練性能。
據馬艷軍介紹，訓練性能主要包括兩個層面，一是跟訓練芯片間的聯合優化，充分發揮硬件本身的算力；二是針對深度框架本身執行調度的優化。同時也結合模型設計進行全鏈路優化，最終實現提高訓練速度的目的。
可以說，從始至終，飛槳在每一個步驟的設計、優化上都為保障后期訓練速度提供了助力。
經過努力，飛槳大約70%的模型訓練速度已經快于業界最快水準。這些模型主要包括兩類：一是通用模型，比如芯片適配是在所有地方都會應用到的。二是基于飛槳視角，所發現的需求量大的應用場景。例如，圖像分類在物流、電商等場景應用非常普遍。
飛槳在發揮硬件算力性能上也幾乎發揮到了極致，得到了包括英特爾、英偉達、ARM等諸多芯片廠商的支持，同22家國內外硬件廠商完成了31種芯片的適配和聯合優化工作。值得一提的是，不少硬件廠商還主動在開源社區為飛槳貢獻代碼。
像英偉達這樣的深度適配芯片，飛槳更可以將其所能用的算力充分發揮出來。
在深度學習框架領域，飛槳已經取得斐然成績，打破了谷歌、Meta的壟斷，成為中國深度學習平臺名副其實的行業第一。
當然，不可否認，到目前為止，深度學習框架適配仍較為復雜，有些行業的低頻長尾問題尚不能通過AI得以解決。但這正是飛槳一直在努力解決的問題，而且也的確已經小有成績。
馬艷軍坦言，“盡管深度學習框架屬于高投入、長周期、搶生態的競爭，但已經得到國家和企業的戰略性支持，是開啟下一個AI時代的鑰匙。”
人工智能的下一個十年，飛槳以及中國AI將書寫怎樣的傳奇，我們不妨拭目以待。
雷峰網(公眾號：雷峰網)
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
