ai之痛
对于普通人而言，ai听着就很遥远。
但在产业界，人工智能的投融资却高潮迭起，可是不少ai企业的商业落地仍然举步维艰。业界将其归纳为“ai成本之痛”。
如何理解？简单来说，随着技术逐渐成熟，人工智能已经进入商业化落地各场景的阶段。但由于深度学习需要大量的数据与样本，而且数据获取成本随着算法升级而越来越高、数据过时需重新标注或剔除等问题，从而引发各类成本的增加。
这种成本之痛使得人工智能产业雷声大、雨点小，投融资与商业落地面临着冰火两重天的格局。数据显示，2017年中国ai创业公司获得的累计融资超过500亿元，但2017年ai商业落地100强创业公司累计产生的收入却不足100亿元，90%以上的ai企业亏损。
但旷视6年的努力，正在改变业界的这种担忧。
在研发初期，旷视就意识到了，传统产业与ai之间的壁垒恰恰在于算法研发成本过高。此外，ai开发工具不健全、技术门槛高、ai人才和算力稀缺等也是横亘在产业和人工智能中间的阻碍。
一位旷视内部人士反映，常有互联网公司开发者在与旷视进行讨论时提到，希望能够拥有旷视这样的深度学习架构，但碍于技术上和组织架构调整困难。
旷视“王炸”
而旷视认为，解决这样的产业痛点应该发力ai基础设施建设。同时，旷视联合创始人兼cto唐文斌在发布会中对ai基础设施进行了重新定义：他认为只有ai芯片平台和ai生产力平台能够被称为ai基础设施。而旷视正在着力打造适用于产业的ai生产力平台——brain++。
算法研发和普通编程不同，是一个系统工程，所以就需要一个能够协同优化数据、算法、算力的平台级产品，旷视brain++的存在是为了给ai开发者们提供更好的集成开发环境，是ai界的visual studio。
图：旷视联合创始人兼cto 唐文斌
brain++拥有批量生产算法的能力。围绕算法、算力和数据这三个ai核心要素，brain++总体上可以大体分为三部分，其中包括刚刚开源的深度学习算法开发框架天元 megengine （核心）、提供算力调度支持的深度学习云计算平台 megcompute，以及用于提供数据服务和管理的数据管理平台 megdata。
天元megengine诞生于2014年，开源前，主要用于旷视内部计算机视觉领域的算法开发工作，包括大规模的人脸识别、图像分割、姿态识别等算法的训练、推理和部署。深度学习框架的基础之上，为了满足公司大规模分布式的训练，旷视开发出了支撑研究院级别弹性调度算力的计算空间，即为 megcompute。而数据管理平台megdata则在数据层面为ai模型研究提供了安全、高效的数据存储和处理方式。
简单地理解，做算法就如同炒菜。数据其实就像是各种各样的食材，需要清洗，分类管理，是炒菜（做算法）的原材料；而算法的训练就像是烹制的过程，需要一口好锅（深度学习框架）来承载；强大的算力对于做算法来说就是一灶猛火，至于饭菜烧的怎么样也一定程度上取决于火候的控制。上等的食材，再加上好锅配猛火就能炒出一盘好菜——同理，标准化、流程化的数据管理、高效的深度学习框架和强大的算力才能研发出好用的算法。旷视brain++的存在是为了给ai开发者们提供更好的集成开发环境，可以说是ai界的visual studio。
旷视首席科学家、旷视研究院院长孙剑表示，brain++ 让规模化算法训练成为可能，对于旷视而言这是生产力的跃迁，这种ai界的福特模式，让流水线生产成为可能。
旷视认为，企业在应用ai时往往有以下几种共性问题，比如工具东拼西凑、操作复杂、数据隐私泄露、模型效果持续困难、定制化开发难等，但一站式人工智能算法平台 brain++做到了让算法训练算法，让ai创造 ai，让企业的ai应用不再“难上加难”。
但是，这个ai生产力平台的出炉绝非一蹴而就。
事实上，自2014年起，旷视就开始研发 brain++，创造这种从端到端的 ai 算法平台，多次打磨就是为了避免造成研发人员“重复造轮子”的效率浪费。
最关键的是，为了推动ai技术加速落地，让更多的开发者和企业用户使用 ai“源力”，旷视于2019年开始筹备将brain++最核心的深度学习框架开源，并为 megengine 起了一个中文名字——天元。
据介绍，”天元“一词来自于围棋术语，指是棋盘的正中心。”一方面我们希望用这种方式，来表达出megengine不仅是旷视技术战略大图的最核心的布局，也说明深度学习框架这样的ai底层基础设施对整个人工智能产业来说都是非常关键而重要的点，“ 唐文斌在接受采访时表示：命名为”天元“是希望这个系统真正成为大家的基石，成为ai系统中重要的组成部分，能够促进各个领域能够更好的应用和落地ai。
图：旷视研究院研究员田忠博
在用户体验上，旷视研究院研究员田忠博，同时也是天元开源项目的负责人表示，天元对习惯用python进行传统机器学习的开发者来说非常友好，学习成本更低、易于上手，同时天元还支持pytorch module功能，可以直接导入模型，迁移成本低且极大方便模型复现；天元内置高性能计算机视觉算子和算法，可为计算机视觉相关模型训练和应用实现深度优化。
前景可观
成本之痛解决，产业应用才能大规模铺开。
目前来看，ai实现产业化的阻力非常清晰：产业要大规模部署ai能力，需要在数据、计算、部署场景、硬件解决方案上具备一系列“工业级”的基础，但眼前本质的问题在于ai技术的基础条件尚未成熟。
旷视云服务业务资深副总裁赵立威表示，一套开源框架可以避免ai成为企业的成本中心，在规模化生产算法，同时尽可能降低数据源成本和算力消耗（云服务成本）。旷视希望能够通过开源为ai产业基础设施添砖加瓦。
发布会上，赵立威向业界展示了brain++商业化的全景，以帮助企业和开发者提升ai生产效率、规范生产流程，让每个拥有小场景需求的人都可以做出能够解决其关键问题的靠谱算法，真正做到深度学习，简单开发。
具体，brain++可以为企业用户提供ai生产全流程的服务，从专业咨询、到数据生产、模型优化，再到私有化ai平台的建设运维，满足各行业在”ai+“的过程中降本增效、自主安全和商业创新的诉求。
而从科技发展来看，我国要打造“数字中国”必须做好“数字基建”，人工智能正是“数字基建”中不可缺少的一部分，brain++正是旷视科技的王炸。
从产业空间来看，中国是制造业大国，国内的制造业企业数以百万计，gdp贡献占全国的三分之一。随着经济全球化的高速发展，数以百万计的制造业企业也将面临转型升级换代的过程，这也是旷视科技能大展身手的领域。
目前，旷视brain++已经在制造业实现落地，帮助一家全球领先的工业电气企业实现了”ai+“的赋能。这家制造业巨头面临着配电产品产线中质量检测的难题，一方面靠人工目检费时费力，另一方面产线升级快，靠传统机器视觉方案很难实现算法的及时升级。
针对这些问题，旷视brain++为客户提供了基于深度学习的智能质检解决方案，并针对不同产品类型开发定制化算法，且能够在本地实现数据采集和模型的再训练。其中通过数据管理平台megdata可以通过数据增广技术不断扩充合成训练数据，降低工厂数据生产成本；通过天元megengine训练、推理和部署一体化的能力，实现模型的快速选型、优化和封装，最后，在brain++的助力下，工厂极大地提升了质检效率和生产效率。
另外值得一提的一次实践是，疫情肆虐当下，brain++也助力旷视发挥科技力量实现了ai”抗疫“。春节期间，旷视成立了测温专项组，基于落地场景需求，提出了“人体识别+人像识别+红外/可见光双传感”的创新解决方案；基于自用多年的深度学习框架，旷视在2天之内就完成了新型算法模型的训练和部署，仅用10天就完成了ai测温产品的整体研发和上线，为助力抗疫做出了一份贡献。
到 2035 年，ai 有望将中国经济年增长速度从 6.3% 重新提升至 7.9%。有了ai生产力平台这样的ai水电站级别的设施，未来人工智能才有可能像“自来水”一样无处不在，且即开即用。作为ai领域的独角兽企业，旷视为行业树立了一个很好的榜样，用开源ai底层的深度学习框架，与行业共享创新成果提升ai行业整体效能。
但就像旷视ceo印奇说的：”人工智能创新就是一场无限游戏。它始于几十年前，并终将超越这个时代。“ 如今旷视天元的开源，或许只是星辰大海的一个开始。
来源：金融界网站 闫利