18世紀60年代，當蒸汽機被發明時，絕大多數人並沒有意識到「工業革命」的到來；
1946年ENIAC問世時，人們也意識不到，計算機會在半個世紀後，成為支撐社會運作、科技創新的基礎設施；
即便是2005年，人們也想像不到無需現金，僅用一部手機就可以解決衣食住行的幾乎所有需求；無需單獨的相機，也可以隨時隨地記錄身邊的點滴。
每當顛覆性技術誕生時，人們總會低估它對社會經濟帶來的影響，只有在數十年後對歷史加以總結時，它的價值才會被定義。
就像比爾・蓋茲所說：我們總是高估在一年中能夠做到的，而低估五年或十年中能夠做到的。
如今，這個主角輪到了「人工智慧」。
2022年，AI產業鏈初步完善，各行業需求不斷湧現，從業者高舉「AI進入千行百業」旗幟擴大市場，一些先行者更是成功IPO。
降本增效、數位轉型、數位經濟…紛紛成為當下AI產業化相關的熱門詞彙。引領第四次工業革命和生產力的迭代，AI的這些價值更是多方共識。
但10年後、50年後的AI圖景，沒有人能夠清晰描繪。 AI的發展是否會像今天我們所預測和定義的那樣——
以我們當前的視野，給不出準確答案。
面對AI的星星大海，我們才剛離開地球表面。
身處產業變革的漩渦之中，或許很難看到AI的終局，但AI演算法的“超大規模”和“精細化”，至少是通往這一終局的必經之路。
#所謂超大規模，即AI演算法無所不在－
演算法數量會像APP數量一樣，爆炸性成長，深入到生產、工作、生活的每一個細枝末節，成為城市管理、企業發展的重要資產。
正如今日智慧型手機應用程式商店中動輒數百萬的APP種類，演算法幾乎涵蓋了各類人群、各行各業的各種需求。其中有很多，都已成為了我們的日常生活的一部分。
所謂精細化，即單一AI演算法的功能會越來越細分，而無數個細小的AI演算法，會根據不同產業、不同場景、不同裝置的使用需求，組合成複雜度極高的AI應用。
在這樣的趨勢下，很快，每一個我們習以為常的AI應用，可能都會成為由數百上千種演算法組成的複雜智能體。
精細化也會帶來AI的場景化，換言之，即是需要根據客戶自身的實際情況和需求特點，針對性地訓練適用於不同垂直和細分場景的AI演算法。
但隨著場景的不斷發掘，來自客戶的客製化需求數量也會快速激增，這會為AI的落地帶來更多挑戰，針對每一個需求專項客製化不僅增加成本，還會拖慢落地週期。
僅看社區管理一域，演算法需求就包含垃圾溢出、高空拋物、口罩偵測、車輛違停識別、電動車進電梯、住戶居民跌倒、電梯困人等大量細碎需求。製造、能源等領域也類似。
而同一個模型在不同場景，其適用程度也不相同。
以火焰煙霧識別為例，放在社區街道，有人點煙肯定無需報警，放工地裡，火花大如電焊也無需提醒，但在加油站，需求又變成一點火星也不能放過。
這些場景雖然為演算法帶來了大量碎片化的長尾需求，但仍是社群管理智慧化必不可少的一環。
然而這類長尾場景有一個顯著的特點，那就是樣本資料稀少，可用於訓練的高品質資料集更是奢侈品。
因此，在開發過程中，很多時候需要現場採集資料進行初代訓練，並在演算法上線後持續迭代。只有經驗豐富的演算法工程師才能在有限資料量下，訓練出一個精確度還不錯的演算法。
而在「超大規模」和「精細化」趨勢下，AI演算法的終端部署適配，更是AI落地又一大隱藏痛點。
演算法要想使用效果好，晶片適配是必要的過程。
這項工作展開說，要針對不同晶片，編寫不同工具鏈的開發工具包，還要針對終端晶片性能進行量化調整，以盡可能提高晶片的利用率。
目前，市場大部分AI企業只做適配了NVIDIA、高通等主流品牌及自研晶片，如若用戶所用晶片不在適配範圍內，就需要額外花費至少2~3個月的時間進行單獨適配，即便如此，晶片的使用率可能仍只有不到10%，造成極大資源浪費。
在傳統的開發模式下，從業務問題的定義，到資料的收集和標註，演算法模型的設計、調參、訓練、調優，再到模型的晶片適配和效能評估—
整個鏈條不僅繁雜、週期長，需要大量的人工參與，整個過程通常往往需要數月之久。演算法利用率的不確定性，更會增加算力成本。
這種「必須人工，才能智慧」的工匠精神，在面對未來的大量需求時，就會力不從心。
用手工划船，不可能離開地球表面。大家期待AI能帶來第四次工業革命，解放更多勞力密集的工作，但AI自身，卻又成為了勞力密集產業。大量研究院和工程師的重複勞動，又有誰來解放？
此外，深入產業落地，也需在標準化與客製化的賽局中左右抉擇。
此前，演算法SDK、SaaS服務盛行，許多企業希望藉此逐漸將產品標準化，實現規模發展。結果卻發現，AI越是深入產業，分散化、非標準化需求越多，依賴單一模式通用解決所有問題的是一個行不通的商業模式。
而做客製化方案、總包整合項目，又會陷入成本高、利潤低、賺不到錢的困局，成為AI企業不願意接的苦力活。
AI產業化供需之間的巨大溝壑，商業模式的束縛，亟待生產力和生產關係的重建。 AI自身，也需要一場工業革命。
其實，各路前沿玩家很早就意識到了這個兆頭，並開始著手解決。
有人增派人手潛心深入行業，對新增演算法逐一研發，躬身入局與行業強綁定，初期就著手構建完整方案教育市場，下場做了很多集成工作。
也有人上馬超算中心，建立大模型大裝置，希望能一口氣解決所有問題。
還有一種新的方式，不但要做到AI開發的“降本增效”，還要降低使用門檻形成行業普及——
#用AI的方式解決AI需求，其底層技術來自AutoML，主打兩個字：高效率。
技如其名，AutoML指的是機器學習各階段減少人工參與，把「工匠手工打造」變成「管線自動化作業」。
從模型的結構設計到調超參、從訓練到模型的精簡壓縮、還有晶片的適配和部署…在不同階段採用自動化方案，讓機器取代人工完成調參、數據處理等等繁復工作。
核心概念即用AI訓練AI。
因AutoML將對原有底層框架、以及合作模式的重塑，有圈內人稱之為：人工智慧2.0階段的標誌。
身為AutoML的提出與嚐鮮者，Google已經快速進行了相關佈局，還有一些新創公司，也積極開展AutoML創新，成為AI產業賦能百業的實踐者。
反映到實際的產業應用中，AutoML有多有效率？
深圳新創公司「共達地」的兩位產品經理基於公司的自動化訓練平台，只用2~3週時間，便快速訓練完成了超過100個演算法，涵蓋了目標偵測追蹤、影像分類、語意分割、姿態偵測、3D偵測等五個大類視覺演算法，涵蓋80 個碎片化應用場景以及70 款AI晶片。
簡單換算的話，原本演算法開發到部署需要至少半年，現以自動化方式，半天就能完成，效率指數級增長。
但將AutoML全面帶向商業市場，還需要從客戶價值角度出發，幫助客戶以更低的成本快速上手，創造生產力的革新；同時，聯動產業上下游，優化產業的供需體系，實現生產關係的重塑。
首先，是生產力的革新。
雖說AutoML號稱「自動」，但對非AI技術出身的產品經理、資料分析師等群體來說，仍屬於「搞不明白」的頭痛工具。
有別於科技巨頭僅用其提升內部技術人員工作效率，共達地在開發Pipeline上進行全鏈條自動化改造，讓不懂AI的業務人員也能使用AI，大幅降低AI的使用門檻，做企業背後的無限的AI生產力。
從圖中可以看出，共達地全流程實現了0碼低門檻使用AutoML訓練自己想要的AI，使用者只需要簡單的點選按鈕，就可以根據自身需求，自助式上傳訓練數據，平台即可自主完成模型設計、訓練和調參，短時間內就可訓練出一個高品質的AI視覺演算法。
目前，該平台已涵蓋業界90%以上常見任務，大類涵蓋：偵測、分割、分類、人體、3D等面向演算法。資料收集標註也可交給共達地合作方，產品經理和業務專家們只需負責定義需求，即可快速完成落地，實現「定義即所得」。
由於現實中，許多中小企業對於碎片化場景演算法有迫切需求，該團隊也聯合資料廠商，快速推出了自動化「演算法商城」—
讓客戶以0程式碼、即插即用的方式，快速將AI演算法應用於自身業務鏈當中，實現智慧化升級。
目前，這座商城包含近百個場景，適配70餘款晶片的5000多種高精度演算法，供客戶直接使用。
第二，是生產關係的重塑。
透過開放賦能，將AI交付能力賦予廣泛的生態合作夥伴，共同實踐將AI賦能百業。
目前，AI產業鏈囊括了數據廠商、晶片廠商、基礎設施廠商等多個不同環節的角色，共達地企業定位於開放，因此，在透過AutoML平台重塑產業鏈的過程，保持了對各環節夥伴的充分開放性。
以針對晶片廠商的適配為例。
由於不同晶片平台都會基於自身晶片硬體架構特性，開發自己的工具鏈，在AI模型生成和部署環節中，需要兼顧各個不同晶片平台的硬體適配性和利用率。
共達地AI平台在SDK層面會整合不同工具鏈，完成模型到終端晶片的自適應轉換，滿足AutoML訓練平台產生的模型能夠一鍵下發至終端設備，並讓AI演算法模型發揮充分效能。
基於AutoML的高效，共達地完成了幾乎所有主流晶片與盒子的預適配，可以將晶片利用率提升至50~60%，相較於10%利用率的行業普遍水平，大大提升了算力效能。
從過去一個演算法需要一群AI工程師專項開發數月時間，到如今一個身處業務一線、不懂演算法開發或程式碼程式設計的產品經理，一鍵三連，就可以根據自身需求，高效地自主生產高品質的演算法。
AutoML帶來的不只是量變，更是產業變革的奇點。
目前，已有越來越多圈內企業開始應用AutoML技術改變AI開發模式。許多企業正是受益於共達地的自動化訓練平台和演算法商城。
基於AutoML技術，共達地與客戶共創共建，針對各行各業海量的垂直和細分領域的場景化AI需求，共同進行業務問題的定義，幫助客戶實現演算法的高效客製化及下發部署，快速滿足各類客製化需求，提高開發效率，降低人力和研發成本，與客戶合作共贏。
例如央企旗下城市服務科技公司，平安智慧城市，就放手嘗試應用AutoML技術為其生產多場景的演算法。
透過共達地的自動化訓練平台，平安智慧城市的開發者無需編代碼，即可進行違規停車檢測、井蓋丟失或損壞檢測、煙火檢測、佔道經營檢測等碎片化場景的演算法模型訓練，還能一鍵到端部署。在這一過程中，一路演算法開發到部署花費時間最快只需數小時。
又如，在智慧交通的應用場景中，湖南省某市的交通管理部門在建設相關項目時，千視通便使用了共達地的AutoML自動化訓練平台，定制了「行車未繫安全帶識別」、「行車打電話識別」等一系列相關AI視覺演算法的有關安全駕駛。
在幾乎沒有投入AI演算法工程師的情況下，兩週之內便完成了各類複雜交通場景下的AI演算法模型訓練。
這些案例也都鮮明地印證了AutoML對於AI超大規模和精細化發展的不可或缺性——
讓AI應用從只由幾個演算法整合而成、只能完成單一任務的簡單智能體，逐漸進化成由海量演算法構成、具有綜合能力的複雜智能體，從而完成各式各樣的複雜任務。
如果將AI比喻為一架飛機，那麼初始的AI應用就像萊特兄弟打造的第一架飛機，結構簡陋，只能飛行12秒。而未來的AI應用，就像今天動輒數百萬零件的客運飛機，每天都可以把人從地球一端送到另一端的目的地。
正如共達地的公司寓意“共同到達目的地”，幫助別人成功的同時，自己也獲得成功。
對此，共達地創始人兼CEO趙叢還有個有趣的總結：做AI不一定要成立AI團隊。
對企業來說，透過共達地自動化訓練平台，可以讓碎片化的中長尾場景的AI演算法快速落地，部署後也能快速優化迭代、持續升級，從而不斷獲得附加價值。
0程式碼低門檻的開發方式，也將AI人才的門檻降到最低，賦能整合商、方案商、通路商快速具備可靠的AI能力，讓AI演算法的開發不再成為發展的負擔，而是化作提高競爭力和效率的武器。
更進一步看，有了自動化訓練平台和演算法商城，共達地無需踏入行業一線做總包集成項目、無需觸碰最終應用，而是成為企業背後的算法賦能者，用AI生產力與生產關係的變革，創造新的商業模式－
透過降低AI技術的單位應用成本，逐步幫助上下游企業進行AI技術賦能，大家形成長期且深度的合作，依托它們進入各行業，最終實現規模效應，完成AI賦能百業的目標。
回看開篇所述，人們之所以會低估顛覆性創新技術所帶來的價值，或許正是因為，這項技術尚未實現規模化效應，其應用的成本並沒有降低到產業所能接受之程度。
《Prediction Machines》一書中提到，當某種基礎產品的價格大幅下跌時，整個世界都可能改變。
蒸汽機的出現，並沒有立即點燃工業革命，而是在單位成本下降，得到大規模應用後，才開啟了以機器代替手工勞動的時代。
電子管電腦的出現，也沒有立即掀起人類的科技革命，直到超大規模積體電路的出現，加上電子設計自動化的逐步發展，才真正推動了PC走入千家萬戶。
AI時代，這一幕又再次上演。
在AI規模化落地，並以賦能百業為目標的大趨勢下，挑戰即是機遇。倘若不徹底改變成本高、效率低的傳統開發路徑，經濟性的不足，會嚴重阻礙人工智慧的發展。
而以顛覆性的效率革新，實現AI演算法的批量式、大規模生產，並快速投入到產業的毛細血管當中，幫助客戶以指數級的效能提升，構建數位轉型的核心資產，才可能讓AI走進各行各業。
沒有時時刻刻追求耀眼，卻在腳踏實地地提供產業新思路。用技術創新掀起AI的規模效應，或許這，就是共達地相信的AI未來。
以上是告別手搖織布機的AI時代的詳細內容。更多資訊請關注PHP中文網其他相關文章！
