【AI科技大本營導讀】AI 在經歷了一波浪潮之後，走到了最重要的一個環節：落地。傳統企業如何搭上 AI 的順風車，助力企業升級呢？UCloud 實驗室研發總監葉理燈認為人工智慧落地主要分為三個步驟：一個是 Build搭建，一個是 Train訓練，一個是 Deploy部署。

AI火爆原因

2017年人工智慧非常火，到底原因是什麼呢？UCloud 實驗室研發總監葉理燈在一次小型媒體見面會上發表了自己的看法。

第一，AI火爆有一定的前奏，首先是技術上的進步，深度神經網路的提出和計算能力發展帶來AI的爆發。

第二，開源框架降低了學習和應用的門檻，例如 TensorFlow 等。

第三，媒體的宣傳。2016 年AlphaGO 帶來一些平民化的認知，這是人工智慧的第三波浪潮。第一波，第二波是 20 世紀 50 年代，70 年代，一波一波地持續推進AI科技發展的程式。

為什麼這次AI的話題爆發會這麼持久？或者說它的應用離普通百姓比較近呢？葉理燈認為，這一波主要基於深度學習，深度神經網路的發展。

第一，演算法的發展。

第二，計算能力提高。雲端計算，以及晶片硬體的發展，給計算能力提供很好的支援，因此落地比較容易。

第三，資源支援。很多大廠，像谷歌會提出一些開發的框架，比如說 TensorFlow，將人工智慧機器學習的門檻降低，使得本次浪潮中在AI實用性上做得比較好。

第四，計算機視覺的成熟。人臉識別，包括 iPhone Face ID等人工智慧技術在影像識別上最成熟的應用。

在葉理燈看來，人工智慧的發展主要依賴於三個要素：資料；演算法；計算能力。

首先是資料。有一個說法叫有多少個人工就有多少個智慧。在一波機器學習的浪潮中，從機器學習分類可分為監督學習和非監督學習，90% 有實用意義的機器學習都是監督學習，監督學習意味著訓練模型，事先給資料打標籤，打標籤是一個體力活，資料量越大，資料出來的精度就越高，所以為什麼說有多少人工就有多少智慧。舉個例子來說，鑑黃，假設你要做一個鑑黃模型，鑑別這張圖片是黃色的還是性感的還是普通的，需要找很多圖，並且一張一張進行人工的標記。

接下來是演算法和大量的計算能力。有一個理論叫“火箭理論”，如果把人工智慧當火箭的話，那麼資料是火箭的原料，計算能力就是引擎，演算法就是引擎的控制器。

AI與雲端計算的關係

為什麼說雲端計算跟人工智慧的落地有很大的關係？

首先，隨著雲端計算的發展，很多網際網路企業的創業基本上都是在雲端計算上，因此越來越多的資料是在雲端計算上產生的，資料的生產和消費都在雲端計算上。因此，在雲端計算上做機器學習的訓練和 Inference 是非常自然的一件事情。

另外一點，在觀察了很多家 AI 公司之後，葉理燈稱明確感覺到 AI 分為兩波浪潮：上下半場。上半場是很多初創型企業借人工智慧浪潮去創業。下半場從去年下半年開始，很多傳統行業覺得人工智慧對提高生產效率有很大的幫助，他們開始建專門的團隊，或者引進有AI能力的公司來幫他們去提高生產效率。舉個例子：傳統的紡織行業，以前去判斷布是否合格，是人工去看的，現在會有專門的演算法公司給他們做演算法，通過計算機視覺，通過圖片去判斷布織的是否合格，這明顯就提高了效率，降低了人力成本。

同時人工智慧跟目前的區塊鏈有點類似，它只是一門技術，它不是一個行業，也就是說這個東西要落地的話，一定要跟行業結合起來，滲透到行業裡面去，這才是人工智慧的價值所在。

例如，金融領域的演算法做的是 Case by Case，這個領域的公司多數不會選擇做一個通用的 AI ，因為他們覺得當前這個階段做通用的AI價值不大，一是每個行業面臨的問題是不一樣的，沒有一套通用的解決方案，第二，他們覺得人工智慧一定要從炒概念這一點跳出來，結合行業具體的問題去通過 AI 的演算法去解決。

AI落地三步驟

人工智慧落地有三個步驟，一個是 Build搭建，一個是 Train訓練，一個是 Deploy部署。

Build，是指根據目前遇到的問題去找對應的演算法或者定義對應的演算法，將演算法用到自己的資料中列一個模型出來，這個模型要變成線上服務才能產生價值。比如剛才提到的鑑黃模型，總得放線上上，拿一張新的圖片的時候，它變成一個服務，才能去鑑定這個圖片到底是色情的還是普通的。

AI落地除了以上三個步驟外，還有很重要的一點，就是AI的系統。企業要把AI落地，其實是要搭建一套AI的系統。每個行業的IT水平參差不齊，有些公司可能去買一些硬體和計算機自己搭一套。對於沒有能力自己搭建AI系統的公司，雲端計算是一個很好的輔助手段。雲端計算在這方面已經很成熟了，包括基礎設施的建設，包括軟體架構的建設，可以幫企業去落地。

葉理燈介紹 UCloud 是一箇中立的平臺，企業宗旨是上不碰應用，下不碰資料。UCloud 專門提供一些易用的 AI 平臺，把上述提到的 AI 落地三步驟的後兩個步驟包含進來，包括 AI 訓練，模型推理。

在合作伙伴合作方面，UCloud與英特爾進行了深度的合作。UCloud採用英特爾至強系列處理器，利用英特爾提供的CPU能力、虛擬化能力、Caffe、針對AVX指令集的優化和針對機器學習的庫等等。同時，UCloud和英特爾已經聯手提供了很多定製化方案，讓使用者能夠享受到強大效能的產品和高效率服務。

除此之外，UCloud還會去引入 AI 演算法公司。目前 UCloud 平臺上有8萬多家企業，這些企業可能需要 AI 的能力，他們自己沒有能力建設的時候，會有專門的 AI 公司提供相應的 AI 能力。這些AI能力中包括OCR 識別（Optical Character Recognition，光學字元識別），比如目前一些快遞公司會拍一張快遞單，直接把地址抽出來就是 OCR 。

在“ AI 訓練”和 “AI 線上推理”上，葉理燈舉例稱，例如網際網路金融P2P行業，為了加快客戶的放貸速度，客戶會在網站上提供個人資料，包括身份證、以前的信貸記錄，此前靠人工去判斷。現在UCloud會做一個演算法，去識別圖片裡的文字，再做語義識別，判斷這個人的信用到底怎麼樣。一些擁有自己的演算法和模型的AI 公司，可以方便地把AI 模型搬到 UAI-Inference 這個產品上，這樣相當於把這個模型變成一個線上服務， UCloud 對外提供介面，系統直接把UCloud的介面遷入他們的系統裡面去，加快P2P行業公司的放貸速度。

UCloud服務某“線上論壇”公司。UCloud的AI線上服務給他們做什麼呢？UCloud訓練模型，這個模型用來識別這個論壇上的使用者頭像，甄別這個頭像到底是不是一個人，如果沒有頭像會提醒他做什麼，有頭像的話會識別頭像裡面的內容，然後給他們推薦相關內容和服務。

葉理燈還在媒體見面會上介紹 UCloud 優勢：海量的計算資源，基於英特爾處理器搭建。英特爾產品成本很低，效能很高，同時英特爾也做了很多軟體優化工作，包括基於機器學習的特點框架，利用英特爾 Caffe，專門用於計算機視覺的框架，根據他們的指令集做了優化。

舉個例子，在識別圖片裡面文字的時候，如果用未經框架優化的普通的CPU來識別，時間應該是幾十秒，但是經過英特爾Caffe框架優化完成之後，變成一秒鐘，這個提升是非常大的。