如果把人工智能当火箭，那么数据是火箭的原料，计算能力就是引擎，算法就是引擎的控制器。
——UCloud实验室研发总监叶理灯

人工智能的三波热潮

自2016年AlphaGO与李世石的围棋人机大战获胜后，人工智能再次进入人们的视野，也掀起一波创业和投资热潮。事实上，这波热潮对人工智能领域而言已经是第三波了。

第一波、第二波热潮分别发生于20世纪50年代和70年代，其中不乏人机博弈的场景，当时人们对于人工智能技术的追捧和热情不亚于当下。但这两波热潮都没能坚持到最后落地生根，人们也意识到了理想与现实AI技术力量的巨大差异，逐渐对AI的价值失去了信心，于是这两波热潮无疑都遭遇到了“寒冬”。

历史总是惊人的相似，但这第三波热潮与前两次相比有何不同？

UCloud叶理灯认为：“这一波热潮主要推进的其实是深度学习。深度学习即深度神经网络的研究，它能大力推进的原因主要有几点：第一是算法的发展；第二是由于它对计算能力要求很高，这几年包括云计算以及其他各种芯片硬件的发展，会给计算能力提供很好的支持，所以它落地更加容易；第三是很多大厂（像谷歌）会提供一些开发的框架（比如TensorFlow），它将机器学习的门槛降低，所以导致这次在实用普及性上做得比较好。目前来讲最成熟的应该是计算机视觉，主要包括图片识别，例如大家经常接触到的一些人脸识别——iPhone上的Face ID，这可以算是人工智能在图像识别上最为成熟的落地应用之一。”

人工智能发展的三大动力

正如叶理灯所说：“如果把人工智能当火箭，那么数据是火箭的原料，计算能力就是引擎，算法就是引擎的控制器。”人工智能的发展就是靠这三方面的因素去推动的：第一是数据；第二是算法；拥有了精准的算法，下一步就需要相匹配的计算能力。

在数据方面，业内有一个说法叫做有多少个人工就有多少个智能。之所以有这样的说法，是因为这一波机器学习的浪潮。机器学习可分为监督学习和非监督学习，90%有实用意义的机器学习都是监督学习，监督学习意味着要训练出一个模型就要求事先给这些数据打标签。打标签是一个“体力活”，数据量越大，数据要求的精度就越高，也就意味着要人工给这些数据打标签的工作量就越大。

举个常用例子——鉴黄。一个精确的鉴黄模型背后，需要先收集大量图片，然后利用人工去标记这些图片的类型。再把这些打好标签的图片给计算机进行处理，经过大量的训练学习最终才能得到一个鉴黄模型。这说明打标签的原始数据很重要，打标签的人工过程也很重要。

在计算能力方面，为什么说云计算跟人工智能的落地有很大的关系呢？因为互联网快速发展的最近几年，大部分数据产生于互联网平台。基于云计算弹性灵活的服务模式，很多新兴的互联网创业公司大部分都是基于云计算平台搭建应用，因此越来越多的数据在云服务平台上产生，也更好的促进数据的有效利用和消费。所以，在云平台上做机器学习的训练Training和推理Inference是极其方便快速的。

AI浪潮的下半场是和行业结合

“在研发AI产品的过程中，我深入接触了很多AI公司，明显感觉到人工智能第三波浪潮的发展可以分为上下半场。”叶理灯表示。

目前人工智能的发展在国内可以称为上半场，无论是做应用还是算法开发，很多公司都在拓展人工智能技术和应用的边界。下半场其实是和产业结合，利用AI提高企业生产效率，从而实现行业落地，这个能带来的现实价值可能会更大。例如：一个纺织企业业的织布避免不了残次品，如果通过人工分辨，效率太低。如果可以通过人工智能图片识别的方式去判断是否合格，既能提高生产效率，也能降低人力成本。

人工智能跟目前火热的区块链有点类似，它们都是一门技术而不是一个行业。意思是人工智能要落地的话，一定要跟行业结合起来，渗透到行业的实际应用中，这才是人工智能的最终价值所在。

但是AI要渗透到行业里，受阻于每个行业的IT水平参差不齐，如何快速实现AI落地呢？云计算正是辅助AI落地的“加速器”，各个行业的计算能力、算法、数据能力都可以通过云计算平台来补短，因为云计算厂商在这些方面已经具备成熟的技术了。

UCloud助力AI落地“三步曲”

人工智能落地有三个步骤：第一是构建Build，第二是训练Train，最后是部署Deploy。我们可以根据在实践中遇到的问题，寻找对应的算法或定义应用算法，并将算法融入到用户已积累的数据中，训练出相应的算法模型。同时将训练出的模型演变成在线服务，这将会极大地增加人工智能应用的价值。

叶理灯说，“UCloud是一个中立的平台，下不数碰据，上不碰应用，因此与做AI应用的公司没有竞争。我们会提供平台，但不是传统的平台，而是专注做一些易用的AI平台，帮助传统产业减少在AI建设方面的成本。除了云计算的数据处理之外，还有 AI 训练、模型推理等功能辅助AI落地。同时还在平台上引入AI算法公司，一起为客户打造AI解决方案”。

UAI-Inference“两步走”部署模式

UCloud AI 在线服务UAI-Inference是面向AI在线Inference服务的大规模分布式计算平台，UAI-Inference一方面巧妙地利用云主机中CPU的空闲处理能力，将其计算能力用于支持和加速AI在线服务；另一方面，利用CPU集群强大的可扩展性进行弹性部署，用低成本获得高性能，降低用户的TCO。

为了帮助用户像使用云主机、云存储这些成熟的云产品一样使用AI在线服务，在实际任务部署中，UAI-Inference为用户提供了“两步走”的部署模式。首先，向用户提供SDK工具包，内含接口代码框架、代码和数据打包模板以及第三方依赖库描述模板。用户只需根据SDK工具包内的代码框架编写接口代码，准备好相关代码和AI模型以及第三方库列表，就可以通过打包工具一键完成任务的在线部署。

任务打包完毕后，用户可以通过UAI-Inference分布式的AI在线服务PaaS平台进行后续管理和维护。该平台可以同时管理上千个计算节点，每个计算节点都是同构节点，具有相等的计算能力，并拥有自动请求负载均衡、自动资源管理的功能。用户只需要将业务部署在平台上，就无须操心其后续的运维。

与Intel合作优化训练框架

叶理灯还介绍说，除了传统的AI框架，UAI-Inference还引入了性能更佳的AI框架：面向Intel CPU优化的Caffe框架。这一版本的Caffe框架与传统AI框架相比，针对Intel硬件平台做了深度优化，在保证兼容性的前提下，极大地提高了性能，同时集成最新版本的数学核心函数库2017，更高效地利用CPU的处理能力，性能显著提升。

在物体检测基于CTPN 模型推理的性能测试中，UCloud实际比较了开源BVLC CaffeXeon 基于E5 2630 V4，Intel Caffe with MKL 2017基于E5 2630V3、Intel Caffe with MKL2017 基于SKX6142(使用8Core)三个平台的性能（测试结果如下图）。

从测试结果上看，针对硬件优化的Caffe框架，其性能相比普通开源框架，最高提升达到了43.1倍。

随着将最新的、经系统优化的AI框架引入UAI-Inference在线服务平台，将充分发掘新一代CPU处理器的能力，进一步优化了AI在线服务，让专注于AI创新和应用的企业用户，能继续在合理的成本条件下，获取更强的AI计算能力支持。

本文转载自公众号UCloud技术（ID：ucloud_tech）。

原文链接：

https://mp.weixin.qq.com/s/naP7Pmpy-0DwzYfW-n5W3A

创作场景

UCloud 叶理灯：AI 热潮下的行业落地实践