深度学习暗战：为何说百度飞桨是“国货之光”

近年来，无论是生活还是生产，AI的身影无处不在，人工智能所带来的世界新一轮科技革命和产业变革曙光已现，正在引发全球经济结构的重塑，并与我国发展方式的转变形成了历史性交汇。

与此同时，AI技术背后的争夺战也成为了各方关注的中心，其中深度学习框架作为AI时代的“操作系统”已经暗潮汹涌。然而透过现象看本质，这场属于技术流的战争却值得我们深入思考。

全球权威咨询IDC在《中国深度学习平台市场份额调研》中，对国内的深度学习平台给出了详细的市场解析：在AI技术使用方面，接受调研的企业和开发者中，86．2％选择使用开源深度学习框架。

不难看出，深度学习平台已经开始备受信赖。然而信赖背后的“依赖”也开始成为隐患。

IDC还指出，在国内深度学习框架的使用上，谷歌、Facebook、百度虽然占据了国内绝大部分市场份额，但是来自国外的深度学习平台仍处于较大的领先优势。

也就意味着，在现阶段的深度学习框架市场，我们处于和移动互联网时代相同尴尬的境地——过度依赖他国技术。

倘若深度学习框架被“断奶”，会产生什么样的影响？

可以打这样一个比方：深度学习就像是一道菜谱，数据是肉和蔬菜，深度学习框架就是炒菜的锅和铲子，如果被人拿走了锅和铲子，再高明的厨师也无法炒出一道像样的菜。

芯片已经让不少中国企业和开发者有了覆舟之戒，深度学习框架却刚刚引起关注。

为什么要关注深度学习平台？

自然而然的，深度学习框架也就成了“兵家必争之地”。

目前已经出现了Caffe、TensorFlow、飞桨（PaddlePaddle）、PyTorch等几十种开源框架。尤其是谷歌2015年底在GitHub上正式开源的TensorFlow，几乎是当下使用最广的深度学习框架。

谷歌对于TensorFlow的推广不无成功，选择使用TensorFlow的企业中，不乏网易、京东、360、联想、美团等中国的科技企业。

但业界也出现了警惕TensorFlow的声音。

比如亚马逊、Facebook等对TensorFlow的封闭深恶痛绝，分别推出了MxNet、PyTorch等深度学习框架，希望以兼容性和开放优势，打破谷歌一骑绝尘的格局；

苹果也为自家开发者引入了BNNS 和 MPSCNN两个深度学习框架，并在GitHub上发布了一个名为Turi Create的机器学习框架，降低AI开发的门槛，也为避免在人工智能的赛道上被谷歌扼住喉咙。

原因似乎不难理解，虽然TensorFlow是开源的，TensorFlow已经与谷歌生态深度绑定，不排除会出现类似Android的局面。同时在商业层面上，谷歌为了卖自家的TPU，会不会逐渐放弃对其他GPU的支持？如果哪家公司在智能驾驶等核心技术上有赶超谷歌的趋势，是否存在在TensorFlow层面被谷歌打压的可能。

借鉴谷歌在Android问题上对华为的态度，那些深度依赖TensorFlow的开发者，无疑也处于一种高度不确定之中。

来自中国的“全尺寸轮胎”

与其信任他人“不作恶”的承诺，不如技术自立。

经济学家何帆曾给出了这样的预言：现在的“备胎”还只是出现在男女关系中，未来将是科技界使用最多的一个名词。

深度学习框架有些例外，中国的企业早在未雨绸缪。早在2016年的时候，百度就将飞桨开源，以免将命运假于他人之手。国家也对此非常重视，国家发改委在2017年批复，国内唯一的深度学习技术及应用国家工程实验室由百度牵头筹建。

目前，飞桨不仅是中国首个，也是目前唯一开源开放、功能完备的端到端深度学习平台。

这个集核心框架、工具组件和服务平台为一体的端到端开源深度学习平台，囊括支持面向真实场景应用、达到工业级应用效果的模型，针对大规模数据场景的分布式训练能力、支持多种异构硬件的高速推理引擎等，并在不久前一次性发布11项新特性及服务，包含PaddleNLP、视频识别工具集、Paddle Serving、PaddleSlim、AutoDL Design等多种深度学习开发、训练、预测环节的“硬通货”，满足不同层次开发者的研发和创新需求。

相比于其他开源的深度学习框架，飞桨最大的特点在于easy to use，对很多算法进行了完整封装，开发者只需要略微了解下源码原理，导入自己的数据就可以执行运行的命令。

有了飞桨这样的“全尺寸轮胎”，中国AI不缺少飞速前行的可能。

百度也积极通过产学研联动推动飞桨的大范围落地，通过师资培训班，AI赛事等举措，帮助近百所高校成功开设人工智能课程，直接惠及近万名学生，为未来的AI话语权争夺战打下了良好的基础。而飞桨在产研联动的过程中，不仅仅作为教学工具助推教育，也在进一步减少开发者对外国深度学习框架的依赖。

经历几年的积累后，飞桨的一系列落地应用正在改变着各行各业：

在农业领域， 精确的地块识别和分割在农业有非常重要的意义，有利于根据遥感数据对作物长势、作物分类、成熟期预测、灾害监测、估产等工作进行高效辅助，目前为止的绝大部分地块分割都是靠人力进行的。比如中科赛诺应用飞桨对农业遥感数据进行图像分割，对耕地面积进行提取，从而进行有效的估产并辅助相关其它农事活动。

在工业领域，合金熔炼的过程中，合金元素会根据炉内温度、熔炼时间等因素发生无法用机理进行判断和解释的变化，传统合金熔炼环节大多由有经验的师傅进行补料，需要多次实验和调整。精诺数据基于飞桨平台研发了IAPBOA算法，利用历史配料数据建模，通过机器学习优化企业个性化配料方案，最终达到生产质量和生产成本的最优平衡点，从而指导熔炼生产，减少对经验的依赖，达到提升熔炼效率、节省原材料的效果。

这样的案例还有很多很多，也正因为如此，深度学习平台几乎决定了AI未来应用的走向。

某种意义上说，中美的人工智能竞赛很可能会演化成一场“框架之争”。假如中国不在深度学习平台市场占据一席之地，完全依赖国外，系统的透明性将逐渐消失，国外企业将成为全世界数据、硬件、编译器的标准制定者。特别是人工智能的应用涉及到安防、识别、城市交通、公共服务等国家事务，把这些应用放在国外平台上开发，安全风险不言而喻。

除了产业链风险，中美在人工智能的应用需求上也存在很大的差异，像TensorFlow在语音交互、神经网络翻译等核心技术上，很少有中文数据集以及中文领域的技术探索。换而言之，只有深谙中国开发者需求和中国AI市场生态的深度学习框架，才是适合中国智能时代的“操作系统”。

写在最后

在贸易冲突愈演愈烈的大背景下，全球商业环境已经存在很大的不确定性，尤其是走在世界前沿的中国科技产业，“拿来主义”的做法早已不再适用。

PC系统，我们已经有了同方科技与清华大学共同研发的开源桌面操作系统OPENTHOS；移动系统，华为传说中的“鸿蒙”历经十年打磨，即将显出锋芒；而AI系统，也就是深度学习框架，也需要独立自主，百度飞桨可能就是这道难题目前的最优解。

欣慰的是，华为和百度企业走到了一起，飞桨和麒麟芯片，两个“国货之光“正在进行强强联合。

或许在芯片和底层技术上，中国还有很长一段路要走，但在人工智能、5G、IoT等未来场景的争夺上，中国企业还需要在基础和关键技术上下苦工，避免在沙滩上起高楼，被别人牵着鼻子走。

我们需要的是属于自己的“国货之光”。