由詹士编辑自奥菲斯qubit |微信官方账号QbitAI
19世纪60年代蒸汽机发明的时候，大多数人还没有意识到“工业革命”的到来；
1946年ENIAC问世时，人们并没有意识到，半个世纪后，计算机将成为支撑社会运行和技术创新的基础设施。
即使在2005年，人们也无法想象，不用现金，只用一部手机就能解决衣食住行几乎所有的需求。没有单独的摄像头，可以随时随地记录身边的点点滴滴。
每当颠覆性技术诞生的时候，人们总是低估它对社会经济的影响，它的价值只有在几十年后总结历史的时候才会被定义。
正如比尔·盖茨所说:我们总是高估自己一年能达到的成就，低估自己五年、十年能达到的成就。
现在，轮到这个主角“人工智能”了。
2022年，AI产业链初步完善，各行业需求不断涌现。从业者高举“AI进入千行万业”的大旗拓展市场，有些先行者甚至是成功的IPO。
降本增效，数字化转型，数字经济...都成了AI产业化相关的热词。引领第四次工业革命和生产力的迭代，AI的这些价值观是多方的共识。
但没有人能清晰描述10年、50年后的AI图景。人工智能的发展会像我们今天预测和定义的那样吗-
以我们目前的眼光，无法给出准确的答案。
面对AI的星辰大海，我们才刚刚离开地球表面。
在产业变革的漩涡中，或许很难看到AI的尽头，但AI算法的“超大规模”和“精细化”至少是通往这一终点的必经之路。
在超大规模和精细化的趋势下，AI急需产业革命。
所谓超规模，就是AI算法无处不在——
算法的数量和app的数量一样，会爆发式增长，深入到生产、工作、生活的每一个细节，成为城市管理和企业发展的重要资产。
就像今天智能手机应用商店里有上百万种应用类型一样，算法几乎涵盖了各种人群和各行各业。其中许多已经成为我们日常生活的一部分。
所谓精细化，就是单个AI算法的功能会越来越细分，无数个小AI算法会根据不同行业、不同场景、不同设备的使用需求，组合成极其复杂的AI应用。
在这种趋势下，很快，我们所习惯的每一个AI应用都将成为由数百种算法组成的复杂智能体。
精细化也会带来AI的场景化。也就是说，需要根据客户自身的实际情况和需求特点，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现，客户的定制需求数量也会快速增加，这将为AI的落地带来更多挑战。量身定制每一个需求，不仅会增加成本，还会拖慢落地周期。
单看小区管理的领域，算法需求包括垃圾溢出、高空抛物、口罩检测、车辆违章识别、电动车进电梯、居民摔倒、电梯被困等大量破需求。制造业，能源等领域也差不多。
但是，同一个模型在不同的场景下有不同的适用性。
以火焰和烟雾识别为例。有人在小区街上点烟，肯定没必要报警。在下班后的野外，不用提醒你，火花有电焊那么大。但是，在加油站，需求变成了火花，你放不下。
这些场景虽然给算法带来了大量碎片化的长尾需求，但仍然是智能社区管理必不可少的一部分。
但是这种长尾场景有一个显著的特点，就是样本数据稀缺，能够用于训练的高质量数据集是奢侈品。
所以在开发过程中，往往需要现场收集数据进行初始训练，算法上线后继续迭代。只有有经验的算法工程师才能用有限的数据训练出精度很好的算法。
在“超规模”和“精细化”的趋势下，AI算法的终端部署适配是AI落地的另一个隐藏痛点。
如果要有效地使用算法，芯片适配是一个必要的过程。
在这部作品中，说的是要针对不同的芯片编写不同工具链的开发工具包，量化调整终端芯片的性能，尽可能提高芯片的利用率。
目前市场上大部分AI公司只适配英伟达、高通等主流品牌和自研芯片。如果用户使用的芯片不在适配范围内，个人适配至少需要2~3个月。即便如此，芯片的利用率仍可能低于10%，造成资源的极大浪费。
在传统的开发模式下，从业务问题的定义，到数据收集和标注，算法模型的设计、参数调整、训练和优化，到模型的芯片适配和性能评估——
整个链条不仅复杂、周期长，还需要大量人工参与，整个过程通常需要几个月。算法利用率的不确定性会增加计算成本。
这种“必须人工才能智能”的工匠精神，将无法满足未来的海量需求。
用手划船是不可能离开地球表面的。大家都期待AI带来第四次工业革命，解放更多的劳动密集型岗位，但AI本身已经成为劳动密集型行业。谁来解放大量科研院所和工程师的重复性工作？
另外，要深入行业，需要在标准化和定制化之间做出选择。
此前算法SDK和SaaS服务盛行，很多企业希望逐步规范产品，实现规模化发展。结果发现，AI越深入行业，就越有碎片化、非标准化的需求。依靠单一模式解决所有问题是不可行的商业模式。
而做定制解决方案和总承包集成项目，会陷入高成本、低利润、没钱的窘境，成为AI公司不愿意接手的苦差事。
商业模式束缚下的AI产业化供需巨大缺口，迫切需要生产力和生产关系的重构。AI本身也需要一场产业革命。
AutoML，告别人工智能时代
其实各路领军人物早就意识到了这个苗头，并开始着手解决。
有人派了更多的人深入行业，把新的算法一个个研发出来，和行业做了很强的绑定。前期他们开始搭建完整的节目教育市场，之后做了大量的整合工作。
一些人还安装了超级计算中心，建立了大型模型和设备，希望一口气解决所有问题。
还有一种新的方式，既实现了AI开发的“降本增效”，又降低了使用门槛，形成行业的普及化——
用AI解决AI需求，其底层技术来自于AutoML，重点是两个字:高效。
顾名思义，AutoML是指在机器学习的各个阶段减少人工的参与，将“工匠手工建造”变成“流水线的自动化操作”。
从模型的结构设计到参数的调优，从训练到模型的简化和压缩，以及芯片的适配和部署...在不同阶段采用自动化方案，让机器代替人工完成参数整定、数据处理等复杂任务。
核心思想是用AI训练AI。
因为AutoML将重塑原有的底层框架和合作模式，有业内人士称之为:人工智能2.0阶段的标志。
作为AutoML的发起者和早期采用者，Google迅速做出了相关布局，一些初创公司也积极进行AutoML创新，成为AI行业赋能各行业的实践者。
人工智能的创新生产力和生产关系
AutoML在实际工业应用中体现出来的效率如何？
基于公司的自动化训练平台，深圳创业公司“宫大地”的两位产品经理在短短2~3周内，快速训练完成了超百个算法，涵盖目标检测与跟踪、图像分类、语义分割、姿态检测、3D检测等五大视觉算法，覆盖80+碎片化应用场景和70+ AI芯片。
简单转换的话，原始算法开发部署至少需要半年时间。现在用自动化的方式半天就能完成，效率成倍增长。
但要将AutoML全面推向商用市场，需要以更低的成本帮助客户快速上手，从客户价值的角度创造生产力创新；同时，要链接上下游产业，优化产业供求体系，重塑生产关系。
首先是生产力的创新。
虽然AutoML号称“自动”，但对于非AI技术出身的产品经理和数据分析师来说，它仍然是一个令人头疼的工具。
不同于科技巨头只是用它来提高内部技术人员的工作效率，共在开发流水线上进行全链条的自动改造，让不懂AI的业务人员也能使用AI，大大降低了使用AI的门槛，让企业背后的AI生产力无限。
从图中可以看出，工大地全程实现了0代码低门槛，使用AutoML训练他们想要的AI。用户只需点击按钮即可自行上传训练数据，平台可独立完成模型设计、训练和参数调整，从而在短时间内训练出高质量的AI视觉算法。
目前平台已经覆盖了行业内90%以上的常见任务，包括检测、分割、分类、人体、3D等算法。数据收集和标注也可以交给工大的合作伙伴。产品经理和业务专家只需要负责定义需求，就可以快速完成落地，实现“你定义的就是你得到的”。
现实中，很多中小企业对碎片化场景算法有迫切需求，团队联合数据厂商快速推出自动化“算法商城”—
使客户能够以代码0即插即用的方式将AI算法快速应用到自己的业务链中，实现智能升级。
目前这个商城包含了近百个场景，适配了70多个芯片的5000多种高精度算法，供客户直接使用。
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伙伴，通过共同实践为AI赋能。
目前，AI产业链包括数据制造商、芯片制造商、基础设施制造商等许多不同环节的角色，所有本地企业的定位都是开放的。所以在通过AutoML平台重塑产业链的过程中，各个环节的合作伙伴都是完全开放的。
以芯片厂商的适配为例。
因为不同的芯片平台会基于自己的芯片硬件架构特点开发自己的工具链，所以在AI模型生成和部署中需要考虑不同芯片平台的硬件适应性和利用率。
共有AI平台会在SDK层面整合不同的工具链，完成从模型到终端芯片的自适应转换，让AutoML训练平台生成的模型一键发送到终端设备，AI算法模型充分发挥效用。
基于AutoML的高效率，几乎完成了所有主流芯片和盒子的预适配，可以将芯片利用率提高到50~60%。相比业界普遍水平的10%利用率，计算能力效率有了很大的提升。
不仅仅是量变，更是产业转型的奇点。
在过去，一个算法需要一群人工智能工程师开发几个月。现在一个在业务一线，不懂算法开发，不懂代码编程的产品经理，一键三环就能根据自己的需求独立产出高质量的算法。
AutoML带来的不仅仅是量变，更是产业变革的奇点。
目前，越来越多的圈内企业开始应用AutoML技术改变AI开发模式。很多企业只是受益于自动训练平台和算法商城。
基于AutoML技术，工大将与客户共创共建，根据各行各业垂直细分领域的海量场景AI需求，共同定义业务问题，帮助客户实现算法的高效定制和分发，快速满足各类定制需求，提高开发效率，降低人力和RD成本，实现与客户的合作共赢。
比如央企旗下的城市服务科技公司平安智慧城市，就曾尝试应用AutoML技术为其制作多场景算法。
通过工大的自动训练平台，平安智慧城市的开发者可以进行违法停车检测、井盖丢失或损坏检测、烟花检测、道路占用检测等碎片化场景的算法模型训练。无需编码，还可以一键实现端到端部署。在这个过程中，从算法开发到部署最快也不过几个小时。
再比如，在智能交通的应用场景中，湖南某市交管部门在建设相关项目时，时迁通边利用共AutoML自动训练平台，定制了一系列与安全驾驶相关的AI视觉算法，如“无安全带驾驶识别”、“电话驾驶识别”等。
在几乎没有AI算法工程师投入的情况下，两周内完成了各种复杂交通场景下的AI算法模型训练。
这些案例也清楚地证实了AutoML对于AI-的超大规模和精细化发展的不可或缺性
让AI应用从仅仅由几个算法整合而成、只能完成单一任务的简单智能体，逐渐进化到由海量算法组成、具备综合能力的复杂智能体，从而完成各种复杂任务。
如果把AI比作一架飞机，那么最初的AI应用就像莱特兄弟制造的第一架飞机，结构简单，只能飞12秒。在未来，AI应用程序就像今天有数百万个零件的客机一样，每天可以把人从地球的一端送到另一端。
就像工大公司的意思是“一起到达目的地”，帮助别人成功，你也会成功。
对此，工大地创始人兼CEO赵聪有一个有趣的总结:做AI不一定要成立AI团队。
对于企业来说，碎片化的中长尾场景的AI算法，可以通过共自动化的训练平台快速实现。AI算法部署后可以快速优化、迭代、持续升级，从而不断获得附加值。
低门槛的代码开发方式也最大限度降低了AI人才的门槛，让集成商、解决方案商、渠道商快速拥有可靠的AI能力，让AI算法的开发不再是开发的负担，而是提高竞争力和效率的利器。
更进一步看，有了自动化的培训平台和算法商城，工大不需要踏入行业一线去做一般的包集成项目或接触最终的应用，而是成为企业背后的算法使能者，随着AI生产力和生产关系的变化，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赋能AI技术。形成长期深入的合作，依靠他们进入各个行业，最终实现规模效应，达到AI赋能各行业的目的。
降低单位成本，用规模效应描绘AI的未来。
回顾当初，人们低估了颠覆性创新技术的价值，或许是因为这种技术还没有达到规模效应，其应用的成本还没有降低到业界可以接受的水平。
《预测机器》这本书提到，当一种基础产品的价格大幅下降时，整个世界都可能发生变化。
蒸汽机的出现并没有立即点燃工业革命，而是在单位成本降低并大规模应用后，开启了机器取代手工劳动的时代。
电子管的出现并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和电子设计自动化的逐步发展，PC才真正被推入千家万户。
在AI时代，这一幕再次上演。
在AI规模落地、以赋能各行业为目标的大趋势下，挑战就是机遇。如果不彻底改变高成本、低效率的传统发展路径，经济性的缺失将严重阻碍人工智能的发展。
以颠覆性的效率创新，实现AI算法的量产，并快速投入到行业的毛细血管中，帮助客户成倍提升效率，打造数字化转型的核心资产，让AI走进各行各业。
不总是追求耀眼，而是脚踏实地的为行业提供新的思路。用技术创新来衬托AI的规模效应，或许这就是工大所相信的AI的未来。
