今天我們談論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。
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)化進程中不可或缺的關鍵要素。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正在快速進入“工業(yè)化”階段。但人才缺失、實施復雜、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，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.提升了應用效率：蒸汽機等高效率工具的發(fā)明與普及，讓煤這一能源得以高效、規(guī)?；膽?。
2.完善的基礎設施：鐵路、運河等的建設，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)模化應用的能力，變得格外重要。在這一過程中，同樣少不了“蒸汽機”、“鐵軌”和產(chǎn)業(yè)帶。
AutoML讓AI價值躍點
在瓦特改造蒸汽機之前，英國煤礦普遍使用的是紐科門蒸汽機，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的價值與蒸汽機一樣。在最新發(fā)布的《AI for Everyone——AutoML引領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（自動機器學習）就是可以讓企業(yè)或個人不用寫一行代碼，就訓練出一個企業(yè)級的機器學習模型的技術(shù)。只需要按照說明，把訓練數(shù)據(jù)都拖進AutoML系統(tǒng)里面，很快一個適用于自身應用的機器學習模型就訓練好了。讓機器學習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復雜的原理。
對于渴望規(guī)?；?、高效率應用AI的企業(yè)來說，這意味著不需要從源頭去設計一個神經(jīng)網(wǎng)絡或是進行復雜的調(diào)參，最大程度地降低了機器學習的編程工作量，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、金融風控、工業(yè)制造等多個領域中，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測和胎膜早破的預測模型，為產(chǎn)婦生產(chǎn)方案的制定提供更多依據(jù)，這在學術(shù)界首次證明了大氣壓與胎膜早破之間的緊密相關性，填補了這一領域的空白。
這些案例意味著AI開始進入低門檻、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的預測，2023年，40%的開發(fā)團隊會使用自動化機器學習服務來構(gòu)建為其應用軟件添加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)科學家活動實現(xiàn)自動化，從而緩解人才嚴重短缺問題。
這也是為什么，Gartner認為AutoML是引領AI民主化，實現(xiàn)“AI for Everyone”的關鍵力量。
鋪設鐵軌：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)務咨詢等服務。
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，文本分類以及機器翻譯領域，比如用戶只需要上傳圖片到AutoML Vision上，就可以訓練和部署一個計算機視覺模型。今年還展示了能夠自動創(chuàng)建計算機視覺系統(tǒng)NASNet的能力，可以幫助自動駕駛或智能機器人開發(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域。
國內(nèi)比較領先的如百度的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。代表廠商第四范式，打造的自動化機器學習平臺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。
其次是服務和定制。近兩年來，AutoML領域也越來越注重定制化服務。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）。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、認知、決策三個關鍵維度幫助企業(yè)提升關鍵場景的決策水平，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。
如果說AutoML平臺和工具降低了AI的應用門檻，加速了“AI民主化”的進程，那么服務導向的出現(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)基礎設施的鋪設往往需要因地制宜，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模型和網(wǎng)絡，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，應用AI更是一個千變?nèi)f化的復雜工程。要讓毫無機器學習經(jīng)驗的個人和企業(yè)借助AutoML用上AI，需要與產(chǎn)業(yè)應用場景的深度適配，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)務端跑起來。這些都需要懂業(yè)務的行業(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”，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)，我們認為有三個關鍵要素是需要注意的：
1.是否具有AutoML落地的配套服務能力。
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能力與背景。
呂俊寬認為，對于企業(yè)來說，如何幫助自己提高業(yè)務價值是關鍵，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)務深度耦合，所以需要AI廠商有強大的服務能力支撐企業(yè)客戶兌現(xiàn)AI的價值。對于AI企業(yè)來說，想要服務好企業(yè)，對產(chǎn)業(yè)服務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；同時應當深入了解客戶的業(yè)務場景，幫助其提升關鍵的業(yè)務指標和表現(xiàn)。有的業(yè)務適合上云、有的適合產(chǎn)品化服務，AI規(guī)?；瘧煤笕绾谓鉀Q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算法相當于AI應用構(gòu)建的“引擎”。而AI應用的開發(fā)是一項非常復雜的精細化工程，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”，不僅導致科學家在開發(fā)過程中疲于奔命，也會讓AI規(guī)模化變成“泡影”。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（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致，根據(jù)不同技術(shù)成熟度的企業(yè)，提供不同應用的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)?；?、低門檻落地AI應用，同時，也嵌入了相應的AI服務支撐體系。
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)務價值。
第四范式副總裁、主任科學家涂威威告訴我們，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)?；瘧眠M程。
比如算法上需要提升效果，給業(yè)務帶來實際增長點，讓模型面對各種真實復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，并做出相應的優(yōu)化；
成本方面，AI如何跟現(xiàn)有業(yè)務結(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)?；涞氐耐瑫r，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)都是負擔不起的。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“可負擔”。
3.是否具有擴展性。
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)的擴展性并進行應對。
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)解決模型的自學習問題，讓動態(tài)模型可以根據(jù)業(yè)務變化而進化，進行自動化迭代。同時，第四范式還將AutoML相關架構(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)和應用可以被標準化管理，后續(xù)運維也可以通過系統(tǒng)層來應對變化，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)務受到波動。
當企業(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。
