未來AI的競爭，只有少數企業(yè)能夠參與“基礎部分”，主要有四個派系，百度代表的BATJ,海康代表傳統(tǒng)安防、華為代表ICT、商湯曠視代表AI新生代。

AI的競爭，變成大企業(yè)間的競爭之后，小企業(yè)可“坐享其成”，分享大企業(yè)生態(tài)下的各種算法和計算資源，大企業(yè)則進行生態(tài)級別的角逐。

AI算法成本巨大，即便是對相對成熟的 AI 企業(yè)來說，算法的生產過程也是一套龐大的系統(tǒng)工程，人力和算力的投入都是巨大的。而一旦大企業(yè)投入完成，中小企業(yè)可以借助進行自己的“AI算法及產品生產”。

好在百度、?？?、華為、曠視等都基于自身實力，進行了平臺開放或算法框架開源。海康的AI開放平臺，可以讓用戶利用少量圖片，基于?？档挠布焖龠M行個性化算法的部署；華為的ModelArts,讓零AI基礎的業(yè)務開發(fā)者可快速完成模型的訓練和部署，無需任何代碼開發(fā)，自動生成滿足用戶精度要求的模型。而最近曠視發(fā)布的Brain++戰(zhàn)略，則是更深層次，相當于AI操作系統(tǒng)層面的開放，讓研發(fā)人員獲得了從數據到算法產業(yè)化的一攬子技術能力。

以“烹飪”為例看AI算法生產過程

如果把算法比喻成烹飪：一個餐館核心價值是為客人提供美味的菜品呈現(xiàn)（就像 AI 產業(yè)的核心價值是提供專業(yè)可靠的 AI 方案輸出），那么實現(xiàn)這個價值最重要的人則是大廚（開發(fā)者）。小作坊（中小企業(yè)）里的廚師需要自己洗菜擇菜（數據清洗）、配菜（搭模型）、炒菜（訓模型）、調火候和口味（調參數），一天他也許只能為三桌客人（幾個客戶）提供菜品。而在現(xiàn)代化、自動化中央廚房（大型AI企業(yè)）里工作的大廚，他將擁有標準化、流水線管理的配菜間和智能化的爐灶等套件工具，那么或許他一個人就可以搞定整個飯店甚至更多菜品供應。

?？档腁I開放平臺，相當于對于在?？蒂徺I鍋碗瓢盆炊具硬件（攝像機及錄像機）的用戶，免費提供大廚指導和菜譜（算法框架）和開放廚房炊具電力燃氣基礎（芯片算力），用戶自己攜帶食材（數據及標注），用戶自己烹飪，自己調火候和口味（算法及模型優(yōu)化），直到炒出優(yōu)質可口的美味（個性定制算法）。整個過程，用戶只攜帶食材，不需建立自己的廚房，便得到了想要的菜肴（算法）；而?？担峁┝舜髲N（算法框架）指引和廚房（計算資源），得到了用戶的菜譜（個性算法）及硬件銷售機會。這就是?？礎I開放平臺的“共贏生態(tài)”大概意思。

華為云一站式AI開發(fā)平臺ModelArts是面向開發(fā)者的一站式AI開發(fā)平臺，提供海量數據預處理及半自動化標注、大規(guī)模分布式訓練、自動化模型生成，及端-邊-云模型按需部署能力，幫助用戶快速創(chuàng)建和部署模型，管理全周期AI工作流。ModelArts的優(yōu)勢是可以幫助用戶簡化洗菜和配菜工作(洗菜配菜是很多飯店沒有技術含量但不得不占用很多資源的工作)，可以協(xié)助提供菜譜，可以協(xié)助進行菜譜的個性化調優(yōu)，可以提供廚房基礎，可以協(xié)助用戶的菜肴再分銷出去。

曠視的Brain++覆蓋從數據的生成、清洗、預處理、標注和存儲，到算法架構設計、實驗環(huán)節(jié)設計、訓練環(huán)境搭建，再到訓練、加速、調參、模型效果評估和產生模型，以及模型分發(fā)和部署應用的全流程?？梢哉f，Brain++的特點是開發(fā)了自有的算法架構，不僅對外提供廚房和現(xiàn)成菜譜，還將自主菜譜體系開源。

?？礎I Cloud開放平臺介紹

近年來包括BAT等企業(yè)在內，都在主推“開放平臺”，開放平臺本身是主打的合作共贏的模式，對提出者的要求是“有實力、有影響力”。2018年10月10日，海康威視AI開放平臺V1.0在螢石云正式上線。據悉，該平臺提供數據采集服務、數據標注服務、模型訓練服務、云邊部署服務四個核心服務能力，結合?？敌袠I(yè)應用平臺和?？翟祈脚_，分別滿足私有化和互聯(lián)網場景下視頻聯(lián)網、AI模型管理、AI應用的需求，從而覆蓋需求產生到應用落地的完整流程。

?？礎I Cloud開放平臺相當于他提供神經網絡算法和現(xiàn)成的GPU資源，你可以接口調用TA現(xiàn)成模型或者自己訓練，免費試用或商用收費。?？禑o償貢獻了算法模型和算力資源，得到了更多的數據、算法反饋及用戶贏家綁定等反饋。

開放的AI平臺極大的提升了AI普及使用，降低了算法場景落地難度，比如帶口罩識別、安全帽識別、超市貨品清點、三分鐘人臉識別簽到系統(tǒng)，三分鐘車型識別，菜品識別等等，這些小眾又有價值的AI應用，用戶借助AI平臺三五分鐘就能做出一個非常實用的AI系統(tǒng)，在過去想都不敢想，現(xiàn)在很容易實現(xiàn)。

AI開放平臺服務流程：

數據準備： 通過攝像機采集符合模型訓練要求的場景圖片素材，起步要求100張。

數據標注： 對于圖片分類任務，為圖片素材創(chuàng)建分類和繪制感興趣區(qū)域；對于物體檢測任務，通過標注工具對圖片中的目標物體進行框選和標記。

模型訓練： 創(chuàng)建訓練任務，將標注完成的圖片導入訓練任務，進行自動化模型訓練。

模型校驗： 導入用于校驗的圖片素材對訓練生成的模型進行初步校驗，校驗完成后可進行模型發(fā)布。

模型部署： 可將校驗完成的模型發(fā)布到螢石云，生成云端推理服務；或下載模型并通過行業(yè)應用平臺/云眸部署到攝像機或“超腦”NVR中，用于邊緣推理。

通過一個“戴口罩”的案例，來說明怎樣通過 AI 開放平臺實現(xiàn)特定場景的算法訓練和部署。

首先用戶在AI開放平臺上創(chuàng)建算法模型，并上傳少量現(xiàn)場的圖像，然后進行數據標定，標定過程非常簡單，只需要完成物品的框選和分類選擇。完成標注后，在線訓練算法模型。最終用戶將訓練好的算法模型部署到?？档臄z像機中。就這樣一臺具有“戴口罩檢測及提醒”的智能攝像機就開發(fā)完成了。整個過程在一個小時內完成。

?？礎I開放平臺的先進性：第一、基于很少數據，快速生成滿足場景化的算法（背后的技術是算法模型遷移）；第二、算法訓練、編譯、優(yōu)化全部自動實現(xiàn)，一站式服務；第三、基于?？档挠布A，開放了具有強大感知能力的產品（獨立算法企業(yè)可以快速落地）。

華為ModelArts平臺

ModelArts的'自動學習'功能，讓零AI基礎的業(yè)務開發(fā)者可快速完成模型的訓練和部署，比如口罩識別。依據開發(fā)者提供的標注數據及選擇的場景，無需任何代碼開發(fā)，自動生成滿足用戶精度要求的模型?？芍С謭D片分類、物體檢測、預測分析、聲音分類等場景?？筛鶕罱K部署環(huán)境和開發(fā)者需求的推理速度，自動調優(yōu)并生成滿足要求的模型。

'一站式'是指AI開發(fā)的各個環(huán)節(jié)，包括數據處理、算法開發(fā)、模型訓練、部署都可以在ModelArts上完成。ModelArts底層支持各種異構計算資源，開發(fā)者可以根據需要靈活選擇使用，而不需要關心底層的技術。

• ModelArts平臺之數據處理

當前做AI開發(fā)，“大頭”是數據的采集和數據的處理。據說數據準備就要占掉整體開發(fā)時間的70%。數據的處理難！效率低呢！

人工智能，人工在前，智能在后。因為目前實現(xiàn)人工智能的主要方法是機器學習（目前火熱的深度學習也是機器學習的一部分），而機器學習中目前大部分應用都是有監(jiān)督的學習，即需要大量的標注樣本去訓練人工智能算法模型。

例如圖像識別任務中，必須有大量已經標注好的圖片，比如一張貓的圖片，狗的圖片等，你必須明確的告訴AI算法，這些圖片里面是什么東西，它再從中去學習出相應的“知識”。

ModelArts在數據管理方面，會將數據進行預處理，用AI的數據去標注數據，即自動化標注和半自動化標注。ModelArts可對數據采樣和篩選，預標注，縮減需要標記的數據量，降低工作量。

• ModelArts平臺之算法開發(fā)

ModelArts還有一個特色，就是面向應用開發(fā)者。對于有經驗的開發(fā)者，可以在ModelArts上自行編寫并導入算法代碼，核心組件MoXing SDK支持豐富的模型庫、優(yōu)化算法和各類工具庫；支持自動超參數調優(yōu)；包含訓練-驗證-預測-模型導出的整套框架；開發(fā)者只需要編寫一套代碼就能自動實現(xiàn)單機及分布式化。

對于編程苦手卻想快速生成模型的AI初學者，ModelArts也預置了能夠覆蓋大部分常用應用場景的算法模型（如RestNet_50、Faster_RCNN、SegNet_VGG_16等，未來還將上線更多算法模型），所有預置模型的基于開源數據集訓練，模型精度領先。只需配置數據路徑/日志輸出路徑和Hyper Parameter自動選擇設置就可以一鍵啟動訓練。

• ModelArts平臺之模型訓練

在模型訓練部分，ModelArts通過硬件、軟件和算法協(xié)同優(yōu)化來實現(xiàn)訓練加速。尤其在深度學習模型訓練方面，華為將分布式加速層抽象出來，形成一套通用框架——MoXing（“模型”的拼音，意味著一切優(yōu)化都圍繞模型展開）。

• ModelArts平臺之算法部署

現(xiàn)如今，縱觀整個AI產業(yè)，不僅僅是云，還會有邊和端都需要部署的場景。然而，在AI規(guī)模化落地的場景下，模型部署會非常復雜，需要寫代碼集成到應用系統(tǒng)，維護、更新。例如在智慧交通領域，更新后的模型，需要一次性同時部署到各種不同規(guī)格、不同廠商的攝像頭上，這是一項非常耗時、費力的巨大工程。

對于此類場景，ModelArts可以一鍵推送模型到所有邊緣、端的設備上，云上的部署還支持在線和批量推理，滿足大并發(fā)和分布式等多種場景需求。

曠視自研人工智能算法平臺Brain++

人工智能浪潮中，智能算法從研發(fā)到部署是一套龐大的系統(tǒng)工程，深度學習框架作為通用性的底層支持平臺，可實現(xiàn)算法訓練和模型部署的高效流程化和深度神經網絡模型設計自動化。（其意義相當于操作系統(tǒng)和編譯系統(tǒng)，能為算法訓練、模型改進提供支持，之于人工智能技術及應用研發(fā)人員的重要性不言而喻。），不僅關乎相關產品和服務的開發(fā)，還直接影響到AI芯片指令集的設計。

和PC擁有多個操作系統(tǒng)流派一樣，深度學習框架在全球也有不少種類。比如早先一代曾經使用非常廣泛的著名框架Caffe，這是一款加州大學伯克利分校的學生開發(fā)出來的深度學習框架。還有誕生于蒙特利爾大學 LISA 實驗室的Theano。目前流行的深度學習框架包括2015年11月10日Google推出全新的機器學習開源工具TensorFlow，這款產品已經成為目前最流行的深度學習框架。2016年11月，被AWS選為云計算官方深度學習平臺的MXNet。2017年1月，F(xiàn)acebook人工智能研究院（FAIR）團隊在GitHub上開源了深度學習框架PyTorch；還有，國內百度公司推出的Paddle Paddle(飛槳)深度學習框架。

值得注意的是，上述這幾款深度學習框架都是開源的。目前國內大多AI技術的產品應用開發(fā)人員都采用的是：選擇一種大廠推出的開源深度學習框架，在此基礎上進行開發(fā)。當然也有例外的，不用開源框架的，自己寫框架的，比如百度的Paddle。Brain++是曠視始于2014年就開始開發(fā)的深度學習框架，早期限于曠視內部使用。在曠視，上千名研發(fā)人員全部都在使用Brain++進行技術研發(fā)。

隨著曠視上市的臨近，曠視公布了其Brain++開源計劃。Brain++，覆蓋從數據的生成、清洗、預處理、標注和存儲，到算法架構設計、實驗環(huán)節(jié)設計、訓練環(huán)境搭建，再到訓練、加速、調參、模型效果評估和產生模型，以及模型分發(fā)和部署應用的全流程?？梢哉f，曠視Brain++讓研發(fā)人員獲得了從數據到算法產業(yè)化的一攬子技術能力，不用重復造輪子也可以推進AI快速落地。

在具體架構上，曠視Brain++包括深度學習框架MegEngine、深度學習云計算平臺MegCompute、以及數據管理平臺MegData三個部分，分別針對框架、算力和數據三個核心要素。其中，深度學習框架MegEngine主要用于曠視內部進行計算機視覺領域的算法開發(fā)工作，包括大規(guī)模的圖像檢測、分割、識別任務等;深度學習云計算平臺MegCompute主要用于協(xié)助研究人員部署訓練環(huán)境、設計訓練流程、提供算力和資源分配服務、監(jiān)控實驗進程、提供可視化效果展示、管理用戶權限、存儲數據等;數據管理平臺MegData能夠提供數據方面的服務，包括數據管理、數據標注、數據處理和數據安全。

將三個核心組件整合為人工智能算法平臺Brain++，曠視得以無需依賴第三方平臺開發(fā)的深度學習框架就可展開全部研究。正是基于Brain++，曠視開發(fā)出了大量部署于云端、移動端、邊緣端全計算平臺的先進深度神經網絡，打造了全棧式人工智能解決方案，并成功落地城市物聯(lián)網、供應鏈物聯(lián)網、個人物聯(lián)網三大垂直領域，為行業(yè)發(fā)展賦能。

小結：疫情逐漸散去，“數字基建”正在全國范圍如火如荼地興起。在互聯(lián)網生態(tài)的基礎上，以AIoT、5G、大數據、人工智能、云計算等新技術為核心驅動力的智能化時代也即將來臨。在新時期，只有先把“數字基建”打扎實，“數字中國”才能有穩(wěn)固的底座。為何?？?、華為、曠視力推將算法平臺或者算法框架進行不同層次的開放或開源？首先，以上企業(yè)自研的 AI 生產力流程及體系已經能夠滿足企業(yè)發(fā)展需要，希望把自己用著好用的工具向業(yè)界分享，同時也激發(fā)中小企業(yè)的創(chuàng)造力；其次，開放及開源是推進技術實現(xiàn)產業(yè)發(fā)展的催化劑；第三，企業(yè)可以在生態(tài)開源過程中，拉動自身生態(tài)的地位及價值反饋。目前 AI 實現(xiàn)產業(yè)要大規(guī)模部署 AI 能力，需要在數據、計算、場景、硬件解決方案上具備一系列“工業(yè)級”的基礎，但眼前AI 技術的基礎條件尚未成熟，百度、海康、華為、曠視都希望能夠基于自身體量及影響力、資源優(yōu)勢，通過開放或者開源為 AI 產業(yè)賦能助力。