AI在碎片化中难突围 批量商品化无时间表

正如社区版的Linux像自来水无法直接饮用，必须要水厂加工后才能饮用、食用。原生的AI框架也是同样，但其加工（编程难度）、性能表现、接口支持却有着或多或少的碎片，因此AI需要在碎片化中难以突围，结果是Al批量商品化无时间表。

AI在碎片化中难突围 批量商品化无时间表

人工智能繁荣的背后是各大厂商暗战的开始，大家都在为了争抢开发者推出各自的深度学习开发框架，应用在不同场景下的关联性越来越强。为此，微软、谷歌、亚马逊等IT巨头都在围绕深度学习投资项目、开发框架工具，CNTK、TensorFlow、MXNet背后均有着这些企业的力挺。除此之外，Caffe、Torch、Theano也是比较流行的开发框架。

对于算法工程师来说，在进行AI训练时会有很多调节参数的工作，考虑到不同的调参会影响最后模型的收敛速度和精度,这一部分通常会给算法工程师制造大量的工作量。此时，算法叠在碎片框架上。如果有一个可以自动化调参的服务，就能把各个模型收敛所需的目标量降到降低的值，不仅减轻了工程师的调参工作量，还能让其快速找到最优参数。

除此之外，开发人员在使用这些框架时，所要用到的特性和功能也各有不同，应用场景也可能是算机视觉、语音识别、自然语言处理与生物信息学等等。以TensorFlow来说，使用者不再需要通过反向传播求解梯度，这点和Theano类似，而且在设计神经网络结构时，也不用耗费过多精力去写C++或者CUDA代码。

使用过程中，C++在线上部署的复杂度方面有所降低，而且让手机、平板、穿戴设备等对处理资源占用密集的终端可以运行复杂的模型，要知道相比之下Python的资源损耗还处在相对较高的水平。借此，开发者就能在硬件性能相对足够的机器中，即使是用Python也可以获得在低延迟状态下、嵌入式环境中使用C++的能力。当然TensorFlow也有其问题，比如异类设备之间的通信优化仍需完善。

还是拿TensorFlow来说，尽管当前其是主流的AI开发框架，但在前后端并没有提供丰富的工具集成，而实际开发过程中需要不断的迭代测试，要在大规模数据量的情况下完成快速开发上线，传统的办法耗时耗力。要是赶上数据集非常大的情况，单机训练下可能要跑十几个小时，这还要考虑到期间的开发过程。

对于开发者的痛苦远不止这些、老牌选手Theano虽然在单GPU方面执行效率方面有不错的表现，但其缺乏底层C++的接口，导致部署起来并不方便，在工业生产环境的应用几乎鲜有。因此，很多人都是将其视为研究工具，而不是最终的产品，在CPU上的低性能也有这方面的阻碍。这种框架更像是一个原始语言，如果直接用其设计神经网络，或者去读它的输出信息，对开发者是毕竟痛苦的事情。

此外，Caffe、Deeplearning4J等也有着各自的问题，由此也引申出了开发者到底该如何选择深度学习的开发平台？这里列出了几个考察点：首先，多数公司的AI架构不是从0起步，对既有编程平台的整合难度不能忽视；其次，对机器学习软件包和数据处理的难度也要寻求兼容；再有，二次开发能力同样关键，有了分布式、多GPU的优化能力，如何在其他平台上发挥作用，这是要思考的事情。

从生态的角度来看，各家的框架多少还存在着分战队的情况。开发者需要在各自的平台上做各自的开发，而且这些框架在更新时并不是统一的，也就是说开发者在一个框架上开发的神经网络模型，并不能直接在另一个框架上用。要想让二者实现兼容，开发者需要花费很大的精力去自行解决。

只有解决了开发碎片化的问题，AI才可能批量商品化，价格才可能降低为小微企业都能用的起。

调查区域：企业小调查(点击预览可查看效果)

(7255628)