近日，斯坦福大学发布了《2022年AI指数报告》。这份长达190多页的报告涵盖研发、经济、教育等各个方面的AI发展成果。
根据这份报告，2021年，中国AI专利申请量占全球总数的52%，专利申请数量居世界首位。但是，在授权专利数量上，仍然落后于美国。
这个结果并不意外，作为计算机科学的发源地，美国在AI领域始终独树一帜，其它国家难以望其项背。但中国的发足追赶也是不争的事实。
在整体落后的背景下，中国AI如何实现赶超？是单点突破还是多点开花？是在商业落地领域突进还是在工程技术角度比拼，这些问题都有待探讨。
不过，在深度学习框架/平台这个基于底层创新，又服务于产业落地的交界领域，似乎给我们提供了一条中国AI如何赶超的良好视角。
1956年，美国汉诺斯小镇宁静的一所大学内，包括诺贝尔经济学家奖得主赫伯特·西蒙在内的一众知名科学家聚集一堂，召开了一场漫长的会议，讨论一个在当时的人们看来天方夜谭的话题：用机器模仿人类学习以及其他方面的智能。
这就是后来广为熟知的达特茅斯会议，这次会议时间足足长达两个月，学者们却仍然没有达成共识，但为讨论内容起了一个名字：人工智能（AI）。
时间过去66载，曾经讨论的话题有许多可能已然成为现实，AI已经从逻辑推理、专家系统来到机器学习、深度学习的第三次发展浪潮，迎来发展的爆发期。
客观的说，最早提出AI理论的美国在整个AI发展的全球化潮流中，在基础技术创新、商业化落地等领域，依然独占鳌头，在学术研究、实践应用等方面也均有着他国无可比拟的水平。
不过，中国也有独特的优势。
很多人都知道，AI研发的三要素是算法、算力和数据，但这只是技术意义上的要素。更重要的要素，其实来自于需求和场景，在这方面，中国有14亿人口的庞大国内市场、有不少世界级的超大规模互联网平台、有大量来自传统产业转型升级的新基建需求，它们决定了除了美国之外，再没有任何一个经济体拥有与中国竞争成为AI创新的世界级策源地的底蕴，包括科技发达的欧盟。
的确，关于AI，我们有很多很好的政策，也有不错的数据和成绩。
比如，早在2016年，“人工智能”一词就已经被写入我国“十三五”规划纲要。这之后，相关利好政策频出，AI企业的发展随之进入快车道，融资数量和金额都在快速增长。
例如，2016年以来，中国AI投资领域每年融资事件平均约1000 起。在过去的2021年，中国发生了1132起相关行业投融资事件，累计金额3996.4亿元，较2020年增长51.44%，再创新高。
又比如，在AI最为核心的算力水平，中国的发展速度同样不容忽视。有报告显示，过去一年，各国算力评分均有提升，但中国增幅最大，以总分70分进入全球领跑者行列。
还有，中国可能是发表AI会议出版物数量最多的的国家，已经成为AI专利“账面上”的全球第一。
但这不是我们盲目乐观的理由。
AI毕竟是要通过应用才能发挥实际效能的。
而根据斯坦福大学发布的《2022年AI指数报告》，美国在授权专利数量上占全球总数的40%，排名世界第一。
这个数据的意义是，获得专利授权才能“证明你的专利实际上是可信并且有用的”。这有点类似于出版物数量和被引用次数的情况。也就是说，中国的研究成果很多，但在真实落地上的影响力和美国仍存在一定的差距。
某种程度上，这当然是因为美国在AI以及整个计算机科学领域，有着不是一星半点的先发优势。
但某种程度上，即使在美国，AI也是极少部分有前瞻精神的学者，在公众普遍看不到AI潜力的情况下，坚持努力、筚路蓝缕开创的结果，这种精神才是值得我们学习的。
回顾历史，深度学习的发展实际上经历了从边缘化课题走向主流技术的路径。“教父”级人物杰弗里·辛顿对神经网络的探索最早可以追溯到上世纪80年代初期，当时的AI不仅是边缘，还是低谷。但正是少数人的努力，比如像辛顿这样，将神经网络带入到研究与应用的热潮，将“深度学习”从边缘课题变成了谷歌等互联网巨头仰赖的核心技术，使人工智能发展到今天这般炙手可热。
更值得一提的是，辛顿早在2013年就意识到企业可能比学校能提供更好的AI研究场景和数据、算力，于是他在2013年进入谷歌，由此推动了一系列AI技术的产品化。
但是，对于矢志成为人工智能全球中心的中国来说，追赶也同时开始了。
从表面上看，2015年-2016年是AI技术走进公众认知的一个分水岭。
2015年的年尾，谷歌对外发布了迄今为止仍然占据深度学习主流框架位置的TensorFlow，其支撑的AlphaGo在2016年3月的人机大战中以4：1战胜世界围棋冠军李世石。深度学习的概念由此开始被越来越多的“外行人”知晓，更新迭代也日新月异。
杰弗里·辛顿曾在一次演讲中讲道：“深度学习以前之所以不成功是因为缺乏三个必要前提：足够多的数据、足够强大的计算能力和设定好初始化权重”。而现在，这些困难正在被逐渐抹平。
业界有一句名言是，搜索引擎是现有的最大的人工智能项目。这一点，在中美两国都得到了确证。
早在2011年，谷歌已经通过Google Brain（谷歌大脑）内部孵化了一个叫做DistBelief的项目。随后，包括杰弗里·辛顿在内的大批科学家、工程师对其进行改造，才有了后来声名鹊起的TensorFlow。
无独有偶，在中国产业界，最早孕育出人工智能特别是深度学习框架的，也是搜索引擎公司。
在现有的记录中，百度自发应用人工智能技术最早可以追溯到2006年，深度学习这一波强势崛起后，百度也是国内最早能够“看到”深度学习技术及应用的潜力的，某种程度上，百度同样属于早期的深度学习开拓者之一。例如，2013年，百度率先建立全球首个专注深度学习研究的深度学习研究院。
这里要重点讲一下的是，为什么百度在AI研发中，逐步选择了深度学习框架/平台作为核心突破口。
事实上，百度最早的应用人工智能，并不完全是自上而下的，相反有某种自下而上的趋势，人工智能犹如火种，在百度的不同体系、架构、产品中，逐渐出现了不同层次的应用。
可以说，深度学习框架是绝大多数人使用人工智能的起点，再往前则是通过手工搭建模型，这是属于部分科学家和高级工程技术人员的专利，它们太难也无法推广。
当时百度的内部，不仅在使用不同来源的早期深度学习框架，甚至是不同部门都开始了自行研究深度学习框架。
“研发随着业务走”也是一种常态。但深度学习的星火燎原，引发了百度高层的关注。
在超大型互联网平台中，不同业务、不同部门使用不同的技术底座是很常见的事情，部门墙也是很难穿透的。但百度这次做了一个决定，要把深度学习的技术底座统一到一个框架中来，实现集中资源重点突破。
为此，百度梳理了各个部门的需求，从某种程度上来说，这些部门的需求其实就代表着当时中国产业界对AI应用需求的最高水平，而汇集并设计一个可以包容这些需求的框架，则可以解决许许多多个企业、行业降低AI应用门槛的问题。
相较于很多出自高校、历史久远、演变曲折的框架，飞桨一开始就奠定了“产业级”深度学习框架的基础。
基于已有的技术积累，百度在2016年正式对外开源PaddlePaddle框架；而三年后的2019年4月，PaddlePaddle正式发布中文名——飞桨。
而在美国，2018年时，在GitHub的活跃度、Google上的搜索量、知名科技媒体Medium上的文章数量以及arXiv上的论文数量，TensorFlow所占比重都是最多的。
同年，也是2018年，Caffe2代码并入PyTorch ，Facebook主力支持的两大深度学习框架合二为一，PyTorch的发展驶入快车道，如今，PyTorch已经在学术论文圈形成了绝对的优势。据统计，在Hugging Face上有85%的模型是PyTorch独家的。
百度在观察到这两大世界级框架的各自长短板后，毅然做出了一个重要的决定。
飞桨能够成为Pytorch和TensorFlow之外的世界深度学习框架第三极，真正的弯道超车来自一个重大的决定。
美国的两大框架一个在学术圈受欢迎，一个在产业界受欢迎，而飞桨要形成差异化致胜，并尽可能把学术界和产业界的精锐集中到一个生态中来，唯有走一条不同的路——从单纯的产业级框架，变成一个打通产业界和学术界藩篱的通用型框架，它既是产业级的，也同样要是学术界深度欢迎和拥抱的。
为了一切从实际出发，飞桨研发人员经常深入到QQ群接受开发者反馈的问题，及时予以解决。这种把开发者需求放在首位的低姿态，既帮助飞桨获得了不少开发人员的拥趸，也促进了飞桨的快速发展。截至2021年底，飞桨PaddlePaddle已经汇聚406万开发者，创建了47.6万个模型，服务15.7万家企业。
从市场份额看，IDC发布的报告显示，在中国深度学习平台市场，2021年上半年，百度的综合份额持续增长，已经超过Google和Meta（Facebook），跃居第一。
《2021中国开源年度报告》也提到，2021年GitHub中国项目活跃度Top30中，飞桨占据5个项目，其中飞桨框架位列榜首。
这使得我国AI技术开发者和使用者不再依赖于国外平台，同时也为进一步培育自主可控的AI开发应用生态奠定了扎实的基础，更是中国在计算机科学的基础领域非常突出的世界级成就。
至此，飞桨PaddlePaddle、PyTorch、TensorFlow形成三强鼎立局面，深度学习框架步入“PPT”时代。
但这并不是故事的终点。
随着深度学习的理论研究日趋成熟和深度学习框架的快速迭代，AI技术的应用和普及进入加速期，但在具体实践应用过程中仍存在许多痛点。
比如，人工智能模型的生产成本仍然很高，而在企业实际应用中也存在适配等各种疑难杂症。就此，飞桨在模型库中为开发者提供了一套全流程指导。从前期适配到后期运行，飞桨都提供了相应方案。
具体而言，在前期数据处理、模型选择时，飞桨能够通过自己的方式帮助企业选择一个合适的场景。在此之后，飞桨还会对部署芯片的效率进行跟踪，在出现准确率不高等问题时快速提供反馈指导。
换句话说，这套指导不仅仅是一个学术界的算法，而是真正根据行业需求所梳理设计的环节。
此外，由于某些行业的特殊要求，如零件质检对速度要求非常高，有限的算力很难同时在速度和精度上达到极致。为此，针对这些痛点，飞桨通过对算法模型的优化设计了PP系列模型， 实现精度和性能两者间的平衡。
截至2021年，飞桨已经发布13个PP系列模型，官方提供的算法模型库更是已经超过500个。在训练这些模型过程中，飞桨总结了自己的一套方法论，在一定程度上，加快了训练速度。
百度AI技术生态总经理马艳军告诉雷峰网，深度学习框架要解决的一个长期研发问题就是提升训练效果。为此，飞桨做了很多工作去提升训练性能。
据马艳军介绍，训练性能主要包括两个层面，一是跟训练芯片间的联合优化，充分发挥硬件本身的算力；二是针对深度框架本身执行调度的优化。同时也结合模型设计进行全链路优化，最终实现提高训练速度的目的。
可以说，从始至终，飞桨在每一个步骤的设计、优化上都为保障后期训练速度提供了助力。
经过努力，飞桨大约70%的模型训练速度已经快于业界最快水准。这些模型主要包括两类：一是通用模型，比如芯片适配是在所有地方都会应用到的。二是基于飞桨视角，所发现的需求量大的应用场景。例如，图像分类在物流、电商等场景应用非常普遍。
飞桨在发挥硬件算力性能上也几乎发挥到了极致，得到了包括英特尔、英伟达、ARM等诸多芯片厂商的支持，同22家国内外硬件厂商完成了31种芯片的适配和联合优化工作。值得一提的是，不少硬件厂商还主动在开源社区为飞桨贡献代码。
像英伟达这样的深度适配芯片，飞桨更可以将其所能用的算力充分发挥出来。
在深度学习框架领域，飞桨已经取得斐然成绩，打破了谷歌、Meta的垄断，成为中国深度学习平台名副其实的行业第一。
当然，不可否认，到目前为止，深度学习框架适配仍较为复杂，有些行业的低频长尾问题尚不能通过AI得以解决。但这正是飞桨一直在努力解决的问题，而且也的确已经小有成绩。
马艳军坦言，“尽管深度学习框架属于高投入、长周期、抢生态的竞争，但已经得到国家和企业的战略性支持，是开启下一个AI时代的钥匙。”
人工智能的下一个十年，飞桨以及中国AI将书写怎样的传奇，我们不妨拭目以待。
雷峰网(公众号：雷峰网)
正在生成分享图...
吴彤