今天我們談?wù)?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(guān)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(yīng)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)模化生產(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(guān)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(guān)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(yīng)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)模化的應(yīng)用。

2. 完善的基礎(chǔ)設(shè)施：鐵路、運河等的建設(shè)，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)?；瘧?yīng)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(lǐng) 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(yīng)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(yīng)用 AI 的企業(yè)來說，這意味著不需要從源頭去設(shè)計一個神經(jīng)網(wǎng)絡(luò)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(lǐng)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(guān)性，填補了這一領(lǐng)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(wù)來構(gòu)建為其應(yīng)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(lǐng) AI 民主化，實現(xiàn)“AI for Everyone”的關(guān)鍵力量。

鋪設(shè)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(wù)咨詢等服務(wù)。

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(lǐng)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(lǐng)域。

國內(nèi)比較領(lǐng)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(wù)。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(wù)和定制。近兩年來，AutoML 領(lǐng)域也越來越注重定制化服務(wù)。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(wù)）。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(guān)鍵維度幫助企業(yè)提升關(guān)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(wù)。

如果說 AutoML 平臺和工具降低了 AI 的應(yīng)用門檻，加速了“AI 民主化”的進程，那么服務(wù)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(chǔ)設(shè)施的鋪設(shè)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(guān)模型和網(wǎng)絡(luò)，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(yīng)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(yīng)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(wù)端跑起來。這些都需要懂業(yè)務(wù)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(luò)”，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(yīng)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(guān)鍵要素是需要注意的：

1. 是否具有 AutoML 落地的配套服務(wù)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(wù)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(wù)價值是關(guān)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(wù)深度耦合，所以需要 AI 廠商有強大的服務(wù)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(wù)好企業(yè)，對產(chǎn)業(yè)服務(wù)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(yīng)當深入了解客戶的業(yè)務(wù)場景，幫助其提升關(guān)鍵的業(yè)務(wù)指標和表現(xiàn)。有的業(yè)務(wù)適合上云、有的適合產(chǎn)品化服務(wù)，AI 規(guī)?；瘧?yīng)用后如何解決計算成本上升問題，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(yīng)用構(gòu)建的“引擎”。而 AI 應(yīng)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)?；兂伞芭萦啊?。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(wù)（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(wù)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(yīng)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(yīng)用，同時，也嵌入了相應(yīng)的 AI 服務(wù)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(wù)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(wù)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?yīng)用進程。

比如算法上需要提升效果，給業(yè)務(wù)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(yīng)的優(yōu)化；

成本方面，AI 如何跟現(xiàn)有業(yè)務(wù)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)模化，還需要軟硬件協(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(yīng)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(wù)變化而進化，進行自動化迭代。同時，第四范式還將 AutoML 相關(guān)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(yīng)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(yīng)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(wù)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(lǐng)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(wù)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。