主講人 | 袁進(jìn)輝 一流科技創(chuàng)始人? ? 量子位 編輯 ｜公眾號(hào) QbitAI

今年以來(lái)，有關(guān)人工智能產(chǎn)業(yè)化的爭(zhēng)議成為熱門話題，既有來(lái)自學(xué)術(shù)界批評(píng)AI“頂不了天，落不了地”、AI科學(xué)家從工業(yè)界離職回顧學(xué)術(shù)界等等負(fù)面現(xiàn)象，又有多家AI獨(dú)角獸闖關(guān)上市成功的積極鼓舞。

那么，人工智能產(chǎn)業(yè)化到底有沒(méi)有機(jī)會(huì)？機(jī)會(huì)又在哪里？

就這些行業(yè)熱門話題，一流科技創(chuàng)始人袁進(jìn)輝在「量子位·視點(diǎn)」活動(dòng)直播中展開(kāi)了系統(tǒng)的闡述。

以下根據(jù)分享內(nèi)容整理：

前幾年，社會(huì)對(duì)AI曾有過(guò)非?？駸岬男膽B(tài)。比如有人討論奇點(diǎn)來(lái)臨、 AI取代人類、2020年實(shí)現(xiàn)全自動(dòng)駕駛，從業(yè)者薪資待遇水漲船高，很多知名教授也也跳到工業(yè)界掘金。

但是最近一年，開(kāi)始有唱衰AI的趨勢(shì)。AI經(jīng)歷了三起三落，很多人擔(dān)心的是現(xiàn)在是否又處在低谷？

我認(rèn)為，必須從人工智能的本質(zhì)優(yōu)勢(shì)和不足去理解，才不會(huì)隨波逐流，人云亦云，這對(duì)AI從業(yè)者非常重要。

我們應(yīng)該有一個(gè)基本判斷，今天的低谷和以前是不一樣的。之前兩次AI熱潮的確沒(méi)有解決多大的問(wèn)題。今天，即使有很多人唱衰，但AI實(shí)際上已經(jīng)解決了很多問(wèn)題，而且還在向更多的領(lǐng)域進(jìn)軍。

只不過(guò)，人們可能過(guò)于樂(lè)觀，對(duì)AI期待過(guò)高，或者說(shuō)不切實(shí)際，現(xiàn)在我們應(yīng)該更實(shí)際一點(diǎn)，把AI擺在一個(gè)客觀的、應(yīng)有的位置。

在這次分享中，我將和大家探討以下幾個(gè)問(wèn)題：

深度學(xué)習(xí)的本質(zhì)是什么？

深度學(xué)習(xí)到底有沒(méi)有根本性的進(jìn)步？如果有，進(jìn)步之處在哪里？

深度學(xué)習(xí)的局限性是什么？我們不能期待它是一個(gè)萬(wàn)金油，什么問(wèn)題都能解。

深度學(xué)習(xí)是泡沫還是一次真正的技術(shù)革命？

深度學(xué)習(xí)的產(chǎn)業(yè)化機(jī)會(huì)有沒(méi)有，它的機(jī)會(huì)在哪里？

如何準(zhǔn)確而客觀看待人工智能？

深度學(xué)習(xí)的本質(zhì)

深度學(xué)習(xí)從興起到現(xiàn)在，將近10年了。剛開(kāi)始因?yàn)楂@取了一些驚艷的奇效，而被很多人所神話。但是越來(lái)越多人熟悉了深度學(xué)習(xí)，祛魅之后，又開(kāi)始把它庸俗化，說(shuō)深度學(xué)習(xí)其實(shí)沒(méi)什么了不起，就是一個(gè)函數(shù)擬合。

簡(jiǎn)單來(lái)說(shuō)，深度學(xué)習(xí)是在一個(gè)給定的假設(shè)空間里面，尋找對(duì)數(shù)據(jù)擬合效果最好的一個(gè)映射，這是個(gè)偏數(shù)學(xué)的定義。以圖片分類為例，要訓(xùn)練AI讓它能夠?qū)z像機(jī)拍出來(lái)的圖片打標(biāo)簽，看圖片里面有沒(méi)有汽車、人、水果，就是完成一個(gè)從圖像的像素到語(yǔ)言標(biāo)簽的映射?？蛇x的映射有無(wú)窮多種，但最好的實(shí)現(xiàn)就是人腦。

所謂擬合，就是希望讓計(jì)算機(jī)在一個(gè)映射構(gòu)成的空間里自動(dòng)搜索到一個(gè)與人腦功能非常接近的映射。深度學(xué)習(xí)為人們提供了一個(gè)非常好的初始搜索空間，也就是多層非線性映射構(gòu)成函數(shù)空間，而且給出了一套在這個(gè)空間中自動(dòng)搜索“最優(yōu)”映射的算法。

深度學(xué)習(xí)有一個(gè)萬(wàn)能逼近的能力，理論上任何一個(gè)映射，不管多復(fù)雜，深度學(xué)習(xí)理論上都有能力去近似它。如上面右圖所示，一層感知機(jī)模型只能用超平面劃分空間，兩層神經(jīng)網(wǎng)絡(luò)已經(jīng)可以表示凸多邊形了，三層神經(jīng)網(wǎng)絡(luò)已經(jīng)可以表達(dá)空洞或凹多邊形了。

加上大數(shù)據(jù)和算力的提升，深度學(xué)習(xí)一面世就在各個(gè)領(lǐng)域打敗了傳統(tǒng)機(jī)器學(xué)習(xí)算法，把數(shù)據(jù)驅(qū)動(dòng)人工智能的算法統(tǒng)一為神經(jīng)網(wǎng)絡(luò)，也就是完成了算法的標(biāo)準(zhǔn)化?；叵胍幌略谏疃葘W(xué)習(xí)之前，一位人工智能的研究生要學(xué)習(xí)多少種算法，支持向量機(jī)、決策樹(shù)、隱馬爾可夫模型、貝葉斯網(wǎng)絡(luò)、馬爾科夫隨機(jī)場(chǎng)等等，每個(gè)算法背后都有自己的一套數(shù)學(xué)方法，每個(gè)領(lǐng)域都有自己的最有效算法。但是到今天，你會(huì)發(fā)現(xiàn)所有領(lǐng)域，基本上SOTA算法都是神經(jīng)網(wǎng)絡(luò)，而神經(jīng)網(wǎng)絡(luò)背后都是BP算法。

所以神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的厲害之處，在于標(biāo)準(zhǔn)化一統(tǒng)天下。標(biāo)準(zhǔn)化還在發(fā)生，甚至不同領(lǐng)域的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)也在趨同。大家如果關(guān)注趨勢(shì)的話，會(huì)發(fā)現(xiàn)Transformer開(kāi)始進(jìn)入到計(jì)算機(jī)視覺(jué)了，自然語(yǔ)言處理領(lǐng)域也有人開(kāi)始用卷積網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)越來(lái)越簡(jiǎn)化、統(tǒng)一。

算法標(biāo)準(zhǔn)化最大的好處是，不需要為每個(gè)算法都寫(xiě)一套軟件，只要一套軟件（也就是深度學(xué)習(xí)框架）就能服務(wù)所有領(lǐng)域。

深度學(xué)習(xí)的局限性

深度學(xué)習(xí)本質(zhì)上也是機(jī)器學(xué)習(xí)里的統(tǒng)計(jì)學(xué)習(xí)，所以也有機(jī)器學(xué)習(xí)的局限性。

比如，既然深度學(xué)習(xí)是在一個(gè)假設(shè)空間（hypothesis space）里去找一個(gè)擬合數(shù)據(jù)質(zhì)量還比較好的函數(shù)，就會(huì)出現(xiàn)一個(gè)問(wèn)題：如果預(yù)先給定的假設(shè)空間里面不包含真實(shí)的解，那無(wú)論怎么求解都只能找到一個(gè)離真正的答案比較近似的解而已，而非最優(yōu)解。特別是，當(dāng)真實(shí)的解距離這個(gè)假設(shè)空間很遠(yuǎn)時(shí)，要找到這個(gè)近似解也會(huì)變得很難。

以左圖為例，目標(biāo)要分清楚圓圈和叉，我們一眼就可以看出最合適解的是一個(gè)二次曲線。假如說(shuō)剛開(kāi)始限定在線性模型里搜索，那無(wú)論如何都只能學(xué)出一條線，這就是假設(shè)空間太小，欠擬合。給它一個(gè)三次方程，理論上有可能學(xué)到這個(gè)二次方程，算法不一定能找得到。如果一步到位讓算法在二次方程里去搜索，當(dāng)然是最好了。

熟悉機(jī)器學(xué)習(xí)的朋友知道，這是選取假設(shè)空間的問(wèn)題，即算法科學(xué)家最核心的工作——給定一個(gè)問(wèn)題，確定一個(gè)比較好的算法假設(shè)空間，使問(wèn)題對(duì)機(jī)器學(xué)習(xí)來(lái)說(shuō)是可行的。假設(shè)空間就像一塊大石頭，算法科學(xué)家就像雕刻家，不斷的用刀去削它，把那些沒(méi)用的石片都砍掉，當(dāng)剩下的石頭比較接近我們想雕刻的目標(biāo)時(shí)，才把石頭交給機(jī)器去加工和打磨，最終形成一個(gè)美妙的雕塑。

同時(shí)，深度學(xué)習(xí)也得符合統(tǒng)計(jì)學(xué)習(xí)的規(guī)律——如果這個(gè)問(wèn)題的假設(shè)空間非常復(fù)雜，就可能需要特別多樣本才能指導(dǎo)這個(gè)算法收斂到令人滿意的解（即樣本復(fù)雜性問(wèn)題）。這就影響到了深度學(xué)習(xí)的成本，收集和標(biāo)注到足夠的數(shù)據(jù)成本有多高，以及訓(xùn)練模型需要多少算力等等。

通過(guò)深度學(xué)習(xí)本質(zhì)與局限性的探討，我們就能理解AI所經(jīng)歷的種種高潮與低谷，即深度學(xué)習(xí)是有效但并非萬(wàn)能的。因此，在AI發(fā)展高潮時(shí)，我們不應(yīng)過(guò)于樂(lè)觀，遭遇低谷時(shí)也無(wú)須過(guò)于悲觀。

深度學(xué)習(xí)是泡沫還是浪潮

那AI到底是一個(gè)大潮，還是一個(gè)小浪花？我覺(jué)得要在一個(gè)更大的上下文，也就是信息技術(shù)發(fā)展的的上下文來(lái)理解。

信息技術(shù)實(shí)質(zhì)上就是把現(xiàn)實(shí)或物理的事物通過(guò)建模變成程序代碼，然后在計(jì)算機(jī)里運(yùn)行來(lái)模擬現(xiàn)實(shí)世界，因?yàn)檫@個(gè)模擬的過(guò)程要比現(xiàn)實(shí)世界運(yùn)行更快，成本更低，就可以用模擬結(jié)果對(duì)現(xiàn)實(shí)世界進(jìn)行預(yù)測(cè)和反饋。這是計(jì)算機(jī)能在所有場(chǎng)合給人類帶來(lái)幫助的本質(zhì)原因。

以前人們借助計(jì)算機(jī)解決問(wèn)題的時(shí)候，必須先通過(guò)工程師和科學(xué)家來(lái)理解現(xiàn)實(shí)世界的機(jī)制，建立一個(gè)模型，再表達(dá)成程序，這是一種白盒建模方式。建模是用計(jì)算機(jī)模擬現(xiàn)實(shí)世界時(shí)最難的步驟。

而AI帶來(lái)了一種不求甚解的新辦法，也就是黑盒建?！灰凶銐蚨嗟臄?shù)據(jù)，無(wú)須人工理解，它能擬合出匹配甚至超越白盒的模型，可以取代白盒方式。

舉個(gè)例子，不用深度學(xué)習(xí)，讓人去寫(xiě)識(shí)別圖片的程序，計(jì)算機(jī)視覺(jué)的研究者搞了幾十年都沒(méi)搞定，但深度學(xué)習(xí)搞定了。這種新的機(jī)制，能大大加速現(xiàn)實(shí)世界往虛擬世界遷移的進(jìn)程。我的理解，這是AI和數(shù)據(jù)驅(qū)動(dòng)的技術(shù)帶來(lái)的最本質(zhì)進(jìn)步，從這個(gè)角度來(lái)說(shuō)，AI絕對(duì)是能載入科技史冊(cè)的技術(shù)進(jìn)步。

白+黑，深度學(xué)習(xí)的正確打開(kāi)方式

按照搭建信息系統(tǒng)來(lái)解決問(wèn)題的不同手段，我們畫(huà)一個(gè)圖。

最左邊這兩列都是深度學(xué)習(xí)崛起前的白盒方式，都需要人去寫(xiě)程序。第一種方式是不分模塊，囫圇吞棗地去寫(xiě)代碼，有編程經(jīng)驗(yàn)的朋友對(duì)這種解法的缺陷有切身體會(huì)，軟件復(fù)雜度超過(guò)人的理解能力而失控。所以，實(shí)踐中會(huì)引入非常多的編程技術(shù)來(lái)克服，面向?qū)ο?、隔離、解耦、模塊化、架構(gòu)、設(shè)計(jì)模式等等，也就是第二列所展示的方法。

如果我們對(duì)深度學(xué)習(xí)的能力充滿信息，認(rèn)為無(wú)論多難的問(wèn)題都能學(xué)習(xí)出來(lái)，就會(huì)傾向于采用第三個(gè)做法，收集到原始的輸入和期待的輸出構(gòu)成訓(xùn)練數(shù)據(jù)，不問(wèn)青紅皂白就直接交給AI來(lái)學(xué)習(xí)。對(duì)大部分場(chǎng)景來(lái)說(shuō)，這個(gè)方法肯定是過(guò)于樂(lè)觀了。往往是這個(gè)問(wèn)題太復(fù)雜，需要的訓(xùn)練數(shù)據(jù)太多、需要的計(jì)算量太大，如果非要在假設(shè)空間太大而數(shù)據(jù)不足的情況下去學(xué)習(xí)，只能大失所望。

這說(shuō)明即使拿深度學(xué)習(xí)來(lái)解這個(gè)問(wèn)題，也必須做模塊化，把大問(wèn)題分解成多個(gè)小問(wèn)題，這些小問(wèn)題之間有特定的組合關(guān)系。比如自動(dòng)駕駛里分解成感知、決策等一系列子問(wèn)題，每個(gè)子問(wèn)題限制在AI或者深度學(xué)習(xí)能解決的范疇之內(nèi)，而不是期待AI能囫圇吞棗地解決整個(gè)問(wèn)題。

在實(shí)際場(chǎng)景中，不見(jiàn)得對(duì)每個(gè)子問(wèn)題用深度學(xué)習(xí)都是最優(yōu)選擇。比如有些模塊的機(jī)理本身已經(jīng)很清晰，用白盒方式很容易求解（譬如一個(gè)數(shù)學(xué)公式即可），那就沒(méi)必要?dú)㈦u用牛刀。

所以，最終可能比較合理的解決方案是最右側(cè)展示的“白+黑”的方式。對(duì)一個(gè)業(yè)務(wù)來(lái)說(shuō)，業(yè)務(wù)專家和AI專家合作把問(wèn)題分解，看什么問(wèn)題適合AI來(lái)解決，什么問(wèn)題必須用人工去解決，需要作出客觀判斷與合理選擇。

軟件2.0：數(shù)據(jù)編程的時(shí)代

有很多思想領(lǐng)袖對(duì)深度學(xué)習(xí)的價(jià)值做了很好的總結(jié)和概括。比如特斯拉人AI負(fù)責(zé)人Andrej Karpathy，他在17年寫(xiě)了篇博客叫《Software 2.0》。他的觀點(diǎn)，以前是軟件1.0，也就是所有軟件都要人寫(xiě)，但現(xiàn)在2.0可以用數(shù)據(jù)編程的方式來(lái)做。

訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)重，本質(zhì)就是在編程。

最近曾經(jīng)因?yàn)橘€對(duì)了特斯拉、比特幣而名噪一時(shí)的ARK基金寫(xiě)了一份報(bào)告，羅列了他們眼中會(huì)影響未來(lái)的最重要的一二十項(xiàng)技術(shù)，第一項(xiàng)就是深度學(xué)習(xí)。ARK就從軟件2.0數(shù)據(jù)編程的角度來(lái)解釋深度學(xué)習(xí)的重要性，他們預(yù)測(cè)2037年AI創(chuàng)造的市場(chǎng)價(jià)值會(huì)超過(guò)以前所有信息技術(shù)之和，高達(dá)30多萬(wàn)億美金。

總結(jié)一下，我們對(duì)AI的判斷——它是史詩(shī)級(jí)的技術(shù)進(jìn)步，而且是一種通用的技術(shù)，它一定會(huì)成為數(shù)字化基礎(chǔ)設(shè)施非常重要的組成部分。從歷史的角度，工業(yè)革命從蒸汽機(jī)到電力突破了人的體力極限，信息技術(shù)、AI突破人的腦力極限。所以對(duì)AI的技術(shù)創(chuàng)造社會(huì)價(jià)值，我是非常樂(lè)觀的。AI既有本質(zhì)優(yōu)勢(shì)，也有它的局限性，我們應(yīng)該對(duì)它既不報(bào)過(guò)高期待，也不過(guò)度貶低。

如何預(yù)判人工智能產(chǎn)業(yè)格局的未來(lái)？

最近，產(chǎn)業(yè)AI化好像起來(lái)了，很多是甲方掌握了場(chǎng)景，加一點(diǎn)AI就取得了很好的效果，這反倒是比較健康的一個(gè)模式。我接下來(lái)重點(diǎn)聊一下AI產(chǎn)業(yè)化，很多技術(shù)出身的人在思考這個(gè)問(wèn)題，有一個(gè)好錘子，怎么拿它去掙錢？近幾年的探索其實(shí)是碰了不少壁，主要是AI不夠標(biāo)準(zhǔn)化，所以有人說(shuō)AI不存在標(biāo)準(zhǔn)化的可能性，質(zhì)疑AI是不是有產(chǎn)業(yè)化的機(jī)會(huì)，我對(duì)此是不同意的。

要預(yù)測(cè)AI產(chǎn)業(yè)化的機(jī)會(huì)，我覺(jué)得要從平民化、標(biāo)準(zhǔn)化、自動(dòng)化、工具化、服務(wù)化等角度來(lái)看。

人工智能的標(biāo)準(zhǔn)化趨勢(shì)

AI的標(biāo)準(zhǔn)化趨勢(shì)其實(shí)正在發(fā)生。除了算法的標(biāo)準(zhǔn)化，其實(shí)還有各個(gè)層面的標(biāo)準(zhǔn)化。算法的標(biāo)準(zhǔn)化帶來(lái)了軟件標(biāo)準(zhǔn)化的機(jī)會(huì)，深度學(xué)習(xí)框架正在走向標(biāo)準(zhǔn)化，硬件、技術(shù)平臺(tái)、最佳實(shí)踐也在標(biāo)準(zhǔn)化。

以深度學(xué)習(xí)框架為例，我們能注意到的一個(gè)標(biāo)準(zhǔn)化的趨勢(shì)是接口的標(biāo)準(zhǔn)化，工程師最喜歡PyTorch的接口算法，我們會(huì)發(fā)現(xiàn)所有的框架在API設(shè)計(jì)層面都去學(xué)它，各個(gè)框架之間有遷移的需求，訓(xùn)練和部署不是用的同一種框架，中間格式的標(biāo)準(zhǔn)化其實(shí)也在發(fā)生，每個(gè)框架自己做的IR都大同小異。

硬件層面，雖然芯片市場(chǎng)也打的如火如荼，但是API設(shè)計(jì)層面也越來(lái)越像。首先大家的API應(yīng)該會(huì)模仿CUDA，圖編譯器層面也有一些標(biāo)準(zhǔn)化的趨勢(shì)，有一些通用組件出現(xiàn)，比如MLIR。這些芯片和上層軟件對(duì)接的接口比較一致，從芯片到集群層面的架構(gòu)也非常接近。

技術(shù)平臺(tái)的話，有的人會(huì)有痛點(diǎn)——如果個(gè)人要搞一臺(tái)服務(wù)器去裝框架，會(huì)發(fā)現(xiàn)要處理驅(qū)動(dòng)、版本，裝好幾個(gè)框架，可能還有沖突；訓(xùn)練模型的時(shí)候，有一些文件訪問(wèn)可能在別的網(wǎng)絡(luò)文件系統(tǒng)，如果這個(gè)服務(wù)器是多個(gè)用戶共享的話，還要協(xié)調(diào)時(shí)間，可能還涉及到數(shù)據(jù)權(quán)限，文件隔離等等一系列問(wèn)題。但現(xiàn)在也出現(xiàn)了K8S、Docker這些越來(lái)越標(biāo)準(zhǔn)化的解法，有的企業(yè)會(huì)需要彈性擴(kuò)容，有的在私有云上去用，有的偶爾需要擴(kuò)容去公有云用等，這需要多云的支持。

我們探討深度學(xué)習(xí)的本質(zhì)和局限性提到的調(diào)參問(wèn)題，在實(shí)際落地業(yè)務(wù)的時(shí)候也會(huì)涉及到，比如哪些模塊用AI解決，哪些模塊不用？要標(biāo)多少數(shù)據(jù)，怎么標(biāo)這些數(shù)據(jù)？模型用CNN、BERT，還是用Transformer？這樣一系列問(wèn)題，比較大的企業(yè)可能已經(jīng)發(fā)現(xiàn)和沉淀出了一些最佳實(shí)踐，有的東西不需要工程師去重復(fù)踩坑。

最近有個(gè)比較熱門的詞叫MLOps，一系列原則和理念都準(zhǔn)確應(yīng)對(duì)了上面提及的問(wèn)題。比如，它能自動(dòng)化，有很多模型、超參，能跟蹤每個(gè)模型訓(xùn)練中間的結(jié)果和過(guò)程，能debug，能測(cè)試監(jiān)控可視化，將這些持續(xù)集成，訓(xùn)練完之后自動(dòng)上線。

我們會(huì)看到，從數(shù)據(jù)準(zhǔn)備、模型加工到測(cè)試監(jiān)控、資源管理，所有這些標(biāo)準(zhǔn)化之后，在一個(gè)平臺(tái)上就可以完成。算法科學(xué)家或業(yè)務(wù)人員在這樣的平臺(tái)上去工作時(shí)，使用最少的算力成本，同時(shí)流程又非常科學(xué)，工作效率最高，人力成本極大的降低。

我們相信標(biāo)準(zhǔn)化的趨勢(shì)，從框架標(biāo)準(zhǔn)化到平臺(tái)標(biāo)準(zhǔn)化、工作流標(biāo)準(zhǔn)化，要在不久的將來(lái)，能給企業(yè)客戶提供一個(gè)像現(xiàn)在使用數(shù)據(jù)庫(kù)一樣的AI產(chǎn)品，傳統(tǒng)企業(yè)不需要有非常專業(yè)的科學(xué)家，只要懂接口，通過(guò)非常標(biāo)準(zhǔn)化的操作，就能獲得 AI的能力。

歷史總在重演。數(shù)據(jù)庫(kù)幾十年的歷史形成了非常大的產(chǎn)業(yè)，現(xiàn)在結(jié)合云又有新的商業(yè)機(jī)會(huì)，數(shù)據(jù)庫(kù)經(jīng)歷了什么，對(duì)人工智能產(chǎn)業(yè)化也很有啟發(fā)。

最早人們做信息系統(tǒng)時(shí)沒(méi)有數(shù)據(jù)庫(kù)，每個(gè)信息系統(tǒng)都要單獨(dú)基于文件系統(tǒng)去研發(fā)，后來(lái)有人發(fā)現(xiàn)不同的信息系統(tǒng)里面有些結(jié)構(gòu)化數(shù)據(jù)是通用的，增刪查改有固定的套路，用關(guān)系代數(shù)就能描述，關(guān)系型數(shù)據(jù)庫(kù)就出來(lái)了。

如果垂直行業(yè)的每家公司都自己去做一套數(shù)據(jù)庫(kù)，都要付出很大的研發(fā)成本，而且每一家企業(yè)都可能做得不太好，就逐漸地出現(xiàn)了專門做數(shù)據(jù)庫(kù)的企業(yè)。

我們會(huì)發(fā)現(xiàn)，在每個(gè)垂直的行業(yè)場(chǎng)景里面有類似的業(yè)務(wù)需求，需要搭建各種信息系統(tǒng)。這個(gè)信息系統(tǒng)從哪采購(gòu)？有兩個(gè)渠道，一個(gè)是專門做數(shù)據(jù)庫(kù)的企業(yè)，一個(gè)是做數(shù)據(jù)庫(kù)和用戶特定需求結(jié)合的信息系統(tǒng)集成，比如財(cái)務(wù)、人力、供應(yīng)鏈等，這樣的中間企業(yè)出現(xiàn)了很多。

專做數(shù)據(jù)庫(kù)的出現(xiàn)了一些大企業(yè)，比如Oracle、IBM、微軟，現(xiàn)在數(shù)據(jù)庫(kù)開(kāi)始往云原生的數(shù)據(jù)倉(cāng)庫(kù)發(fā)展，中間的集成商也出現(xiàn)了標(biāo)準(zhǔn)化的機(jī)會(huì)，原來(lái)一套軟件都是用授權(quán)的方式到各個(gè)企業(yè)去賣，可能涉及到一些定制化，用戶的粘性也不夠強(qiáng)?，F(xiàn)在，如果所有客戶業(yè)務(wù)都上云，它可以在云上提供標(biāo)準(zhǔn)化的產(chǎn)品和服務(wù)，這個(gè)時(shí)候出現(xiàn)了做垂直應(yīng)用集成的比較大的SaaS企業(yè)。

按照數(shù)據(jù)庫(kù)產(chǎn)業(yè)的發(fā)展歷程，實(shí)際上分了三層，AI會(huì)不會(huì)也分這么三層？我們可以看到，前幾年最活躍的是AI算法供應(yīng)商層，非常像數(shù)據(jù)庫(kù)領(lǐng)域，SaaS出現(xiàn)之前的系統(tǒng)信息的集成商，壁壘較低，也不夠標(biāo)準(zhǔn)化，有朝一日，是不是也能實(shí)現(xiàn)標(biāo)準(zhǔn)化，實(shí)現(xiàn)AI as a service的模式。

以前整個(gè)行業(yè)忽視的是最底層的標(biāo)準(zhǔn)化基礎(chǔ)設(shè)施，但隨著中間算法供應(yīng)商模式受阻，以及標(biāo)準(zhǔn)化行程的演進(jìn)，最近一年越來(lái)越受到關(guān)注，人工智能產(chǎn)業(yè)格局的趨勢(shì)越來(lái)越明朗。

觀點(diǎn)總結(jié)

最后，總結(jié)一下我的觀點(diǎn)：

1、深度學(xué)習(xí)的本質(zhì)是提供了一種黑盒建模的方式。正是因?yàn)楹诤刑匦裕趴梢詷?biāo)準(zhǔn)化，才能在任何地方都能用；如果它是可解釋的白盒，也就意味著它和每個(gè)領(lǐng)域相關(guān)，標(biāo)準(zhǔn)化程度可能就降低了。

2、相對(duì)于傳統(tǒng)機(jī)器學(xué)習(xí)，深度學(xué)習(xí)最大的進(jìn)步就是標(biāo)準(zhǔn)化，標(biāo)準(zhǔn)化帶來(lái)了產(chǎn)業(yè)化的機(jī)會(huì)。它的局限性是什么？需要預(yù)先給定合適的假設(shè)空間，否則就可能出現(xiàn)像鑰匙掉在黑暗處，卻在路燈下尋找的尷尬。

3、站在數(shù)據(jù)編程軟件2.0的角度，AI是一個(gè)技術(shù)革命，不是一個(gè)泡沫。

4、未來(lái)的AI產(chǎn)業(yè)格局，很可能向數(shù)據(jù)庫(kù)這種分層的專業(yè)化分工趨勢(shì)發(fā)展。所以，我們相信會(huì)出現(xiàn)標(biāo)準(zhǔn)化的基礎(chǔ)設(shè)施的市場(chǎng)機(jī)會(huì)，這種機(jī)會(huì)在前幾年算法集成大紅大紫的背景下被人們忽略掉了。

5、AI產(chǎn)業(yè)化機(jī)會(huì)在于標(biāo)準(zhǔn)化的基礎(chǔ)設(shè)施和云原生的趨勢(shì)。

關(guān)于量子位·視點(diǎn)

量子位發(fā)起的CEO/CTO系列分享活動(dòng)，不定期邀請(qǐng)AI創(chuàng)業(yè)公司CEO或CTO，分享企業(yè)最新戰(zhàn)略、最新技術(shù)、最新產(chǎn)品，與廣大AI從業(yè)者、愛(ài)好者探討人工智能的技術(shù)理論與產(chǎn)業(yè)實(shí)踐，歡迎大家多多關(guān)注~