1760年代，蒸汽机发明的时候，大多数人都没有意识到“工业革命”的到来；1946年ENIAC问世的时候，人们也没有意识到。半个世纪后，计算机将成为支撑社会运转和科技创新的基础设施；即使在2005年，人们也无法想象，没有现金，只用一部手机就可以满足几乎所有的衣食住行需求；不需要单独的相机，也可以随时随地记录身边的点点滴滴。每当一项颠覆性技术诞生时，人们总会低估其社会和经济影响，其价值只有在几十年后总结历史时才会被定义。正如比尔盖茨所说：我们总是高估自己一年能做的事，而低估自己五年或十年能做的事。现在，主角轮到“人工智能”了。2022年，AI产业链初步完善，各行业需求不断涌现。从业者会高举“AI进万业”的大旗开拓市场，部分先行者甚至会IPO成功。降本增效、数字化转型、数字经济……成为当下人工智能产业化的热词。引领第四次工业革命和生产力的迭代，AI的这些价值是多方共识。但没有人能够清楚地描述10年或50年后的AI格局。人工智能的发展是否会像我们今天所预测和定义的那样——以我们目前的眼光，并没有准确的答案。面对AI的星辰大海，我们才刚刚离开地球表面。在产业转型的漩涡中，或许很难看到AI的尽头，但AI算法的“超大规模”和“精细化”至少是实现这一目标的必由之路。在超大规模、精细化趋势下，人工智能迫切需要产业革命。所谓超大规模，即AI算法无处不在——算法数量会像APP数量一样爆发式增长，渗透到生产、工作、生活的每一个细节。城市管理和企业发展的重要资产。正如今天的智能手机应用商店有数百万种APP，算法几乎涵盖了各类人群、各行各业的各种需求。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，无数小的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。在这样的趋势下，很快，我们习以为常的每一个人工智能应用，都可能变成由成百上千种算法组成的复杂智能体。精细化也会带来AI场景。也就是说，需要根据客户的实际情况和需求特点，训练适合不同垂直细分场景的AI算法。但随着场景的不断探索，客户的定制化需求也将快速增加，这将给AI落地带来更多挑战。针对每个需求进行特殊定制，不仅会增加成本，还会拖慢实施周期。单看小区管理领域，算法需求包括垃圾溢出、高空抛物、口罩检测、车辆违章停车识别、电动车进电梯、居民坠楼、电梯困人等。大量详细要求。制造业、能源等领域也是如此。但是，同一个模型在不同的场景下有着不同的适用性。以火焰和烟雾识别为例。在社区街道上，如果有人点烟，不需要报警。在施工现场，火花大如电焊，无需报警。但在加油站，需求却变成了一点点火花。虽然这些场景给算法带来了很多碎片化的长尾需求，但它们仍然是智能社区管理不可或缺的一部分。但是，这类长尾场景有一个显着的特点，就是样本数据稀缺，可用于训练的高质量数据集更是奢侈。因此，在开发过程中，往往需要现场采集数据进行初始训练，算法上线后继续迭代。只有经验丰富的算法工程师才能在有限的数据量下训练出准确率很高的算法。在“超大规模”和“精细化”趋势下，AI算法的终端部署和适配是AI落地的另一个隐痛点。如果要有效地使用算法，芯片适配是一个必要的过程。这项工作的开发说，需要针对不同的芯片编写不同工具链的开发工具包，对终端芯片的性能进行量化调整，以最大限度地提高芯片的利用率。目前市场上的AI企业大多只适配英伟达、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，单独适配至少需要2-3个月的时间。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。在传统的开发模式中，从业务问题的定义，到数据采集和标注、算法模型设计、调参、训练、调参，再到模型芯片适配和性能评估——整个链条不仅复杂，而且循环时间长，需要大量人工参与，整个过程通常需要几个月的时间。算法利用的不确定性会增加算力成本。这种“非人工即智能”的工匠精神，面对未来海量的需求，将无能为力。徒手划船，离不开地球表面。所有人都期待人工智能带来第四次工业革命，解放更多劳动密集型工作岗位，但人工智能本身已经成为劳动密集型产业。谁来解放大量科研院所和工程师的重复性工作？此外，深入的产业化实施还需要在标准化和定制化之间做出取舍。此前，算法SDK和SaaS服务大行其道，很多企业都希望逐步将产品标准化，实现规模化发展。但事实证明，AI越是深入到行业中，需求就越是碎片化和非标准化。依靠单一模式解决所有问题是行不通的商业模式。而做定制化解决方案和总包集成项目，将陷入成本高、利润低、没钱的困境，成为AI企业不愿承担的苦活。人工智能产业化供需的巨大缺口和商业模式的束缚，迫切需要重构生产力和生产关系。人工智能本身也需要一场工业革命。AutoML，告别手摇织机的AI时代其实各行各业的前沿玩家很早就意识到了这个迹象，并开始着手解决。有人增派人手深入行业，一个一个研发新的算法，入局与行业强绑定。前期他们开始打造一个完整的解决方案教育市场，然后做了大量的整合工作。也有人设立超级计算中心，建造大模型、大设备，希望一次性解决所有问题。还有一种新的出路，既要实现AI开发的“降本增效”，又要降低使用门槛，形成行业普及——用AI解决AI需求，底层技术来自AutoML，主要两个字：高效。顾名思义，AutoML是指在机器学习的各个阶段减少人工参与，将“工匠手工创作”转变为“流水线自动化”。从模型结构设计到超参数调整，从训练到模型简化和压缩，以及芯片适配和部署……在不同阶段采用自动化解决方案，让机器代替人工完成参数调整和数据处理等工作。核心思想是用AI来训练AI。由于AutoML将重塑原有的底层框架和合作模式，有业内人士称其为人工智能2.0阶段的标志。作为AutoML的提出者和早期采用者，谷歌迅速进行了相关布局，一些初创公司也在积极进行AutoML创新，成为AI行业赋能各行各业的践行者。创新人工智能生产力和生产关系体现在实际的行业应用中。AutoML的效率如何？基于公司的自动化训练平台，深圳初创公司“工大地”的两位产品经理仅用2到3周的时间就快速训练完成了100多个算法，涵盖目标检测与跟踪、图像分类、语义分割、五类姿态检测、3D检测等视觉算法大类，覆盖80+碎片化应用场景，70+AI芯片。简单的转换，从算法开发到部署至少需要半年时间，现在自动化半天就可以完成，效率呈指数级增长。但要将AutoML全面推向商业市场，需要从客户价值的角度出发，帮助客户以更低的成本快速上手，创造生产力创新；塑料。一是生产力的创新。AutoML虽然号称“自动化”，但对于非AI技术出身的产品经理、数据分析师等群体来说，它仍然是一个“看不懂”的头疼工具。不同于科技巨头仅仅用它来提高内部技术人员的工作效率，工大地对开发流水线进行了全链条的自动化改造，让不懂AI的业务人员也能使用AI，大大降低门槛使用AI，并支持企业无限的AI生产力。从图中可以看出，工大地全程实现了0代码的低门槛，使用AutoML来训练他们想要的AI。用户只需简单点击按钮，即可根据自己的需要上传训练数据。该平台即时进行模型设计、训练和调参，可独立完成，短时间内训练出高质量的AI视觉算法。目前，该平台已覆盖行业90%以上的常见任务，主要类别包括：检测、分割、分类、人体、3D等方面的算法。数据的采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负责定义需求，即可快速完成实施，实现“定义即所得”。现实中，很多中小企业对碎片化场景下的算法有着迫切的需求。团队还与数据厂商合作，快速推出自动化“算法商城”——让客户以零代码、即插即用的方式快速使用AI。将算法应用于自有业务链，实现智能化升级。目前，该商城包含近百个场景、5000多种高精度算法适配70多款芯片，供客户直接使用。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，共同实践AI赋能各行各业。目前，AI产业链包括数据厂商、芯片厂商、基础设施厂商等多个不同环节的角色。工大地企业定位开放。合作伙伴全面开放。以芯片厂商的适配为例。由于不同的芯片平台会根据自身的芯片硬件架构特点开发自己的工具链，因此在AI模型的生成和部署过程中，需要兼顾各个不同芯片平台的硬件适应性和利用率。工大地AI平台将在SDK层面整合不同的工具链，完成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下发到终端设备，AI算法模型可以得到充分利用。基于AutoML的高效性，完成了几乎所有主流芯片和盒子的预适配，可将芯片利用率提升至50~60%，与业界普遍10%的水平相比，算力大幅提升％利用率。功效。它不仅是量变，更是产业变革的奇点。过去，一个算法需要一群人工智能工程师几个月的时间来开发。今天，一个身处业务一线，不懂算法开发，不懂代码编程的产品经理，一键连接三连。你可以根据自己的需求，高效独立的产出高质量的算法。AutoML带来的不仅仅是量变，更是产业变革的奇点。目前，圈内越来越多的企业开始应用AutoML技术，改变AI开发模式。很多企业都受益于工大地的自动化训练平台和算法商城。基于AutoML技术，工大地与客户共创共建，针对各行业海量垂直细分领域的场景化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部署。快速满足各种定制需求，提高开发效率，减少人力和研发成本，与客户合作共赢。例如，央企旗下的城市服务科技公司平安智慧城市，正在尝试应用AutoML技术为其生产多场景算法。通过工大地的自动化训练平台，平安智慧城市的开发者无需编码即可针对违停检测、井盖丢失或损坏检测、烟火检测、道路占用检测等碎片化场景进行算法模型训练。一键结束部署。在这个过程中，从算法开发到部署最快的时间只有几个小时。又如，在智慧交通的应用场景中，湖南省某市交管部门在建设相关项目时，千视通利用工大地的AutoML自动化训练平台定制了“不系安全带驾驶识别”、《驾驶电话识别》等一系列与安全驾驶相关的AI视觉算法。在几乎不投入AI算法工程师的情况下，两周内完成了各种复杂交通场景下AI算法模型的训练。这些案例也清晰印证了AutoML对于AI超大规模、精细化开发的不可或缺——让AI应用从简单的仅由几种算法组成、只能完成单一任务的智能体逐步进化。由海量算法和综合能力组成的复杂智能体可以完成多种复杂任务。如果把AI比作飞机，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。而未来的人工智能应用，就像今天拥有数百万个零件的客机，每天都可以将人们从地球的一端运送到另一端。正如工大地公司的意思是“一起到达目的地”，在帮助别人成功的同时，我们也成功了。对此，工大地创始人兼CEO赵丛也有一个有趣的结论：做AI不一定要建立AI团队。对企业而言，通过工大地自动化训练平台，可以快速落地面向碎片化中长尾场景的AI算法，部署后快速优化更新，持续升级，持续获得附加值。零代码低门槛的开发方式也将AI人才的门槛降到最低，让集成商、方案商、渠道商能够快速获得可靠的AI能力，让AI算法的研发不再是开发的累赘，而是转向它成为提高竞争力和效率的武器。再往下看，有了自动化训练平台和算法商城，工大地不需要再踏入行业一线做总包集成项目，也不需要触及最终的应用。而是成为企业背后的算法赋能者，利用AI生产力和生产关系，通过AI技术的改造创造新的商业模式——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，依托他们进入各个行业，最终实现规模效应，完成AI赋能各行各业的目标。降低单位成本，用规模效应描述AI的未来回首当初，人们之所以低估颠覆性创新技术带来的价值，可能恰恰是因为这项技术还没有达到规模效应，其应用成本高不高。还没有降低到业界可以接受的水平。《Prediction Machines》一书中提到，当某种基础产品的价格大幅下跌时，可能整个世界都会改变。蒸汽机的出现并没有立即点燃工业革命，而是在单位成本下降并得到广泛应用后，开启了机器代替人工的时代。电子管计算机的出现并没有立即掀起人类的科技革命。直到VLSI的出现，加上电子设计自动化的逐步发展，PC才真正走进千家万户。在AI时代，这一幕又在上演。在人工智能大规模落地的大趋势和赋能各行各业的目标下，挑战即是机遇。如果不彻底改变成本高、效率低的传统发展路径，经济性不足将严重阻碍人工智能的发展。只有颠覆性的效率创新，实现AI算法的批量化、规模化生产，并快速进入行业的毛细血管，帮助客户成倍提升业绩，打造数字化转型的核心资产，才有可能放飞AI。进入各行各业。没有一成不变的追求炫目，而是脚踏实地为行业提供新思路。用技术创新来掀起AI的规模效应，或许这就是共大所信奉的AI的未来。
