2020年8月，來自遠方的朋友蒙古國向中國送來了30000隻羊，新聞一出，立上熱搜，與之一同上熱搜的還有阿裡雲的“數羊”算法，他們表示，願意提供“通道數羊”和“大欄數羊”兩種AI算法來解決羊兒們數量清點的老大難題。

異曲同工的是，近期，某農場的奶牛們也體驗了一把來自人工智能開發服務商“共達地”AI算法的服務。

該農場通過共達地搭建的AI視覺算法快速成功實現對奶牛的整體養殖狀況的高效監管。這時，人們發現，一些AI算法應用于養殖業、畜牧業的新聞報道也頻繁地出現在他們手機的資訊欄中。

AI的應用落地變得更接地氣了。

是什麼造就了這一改變，讓AI颠覆生産力的變革力量開始真正落到千行百業？

《大學》有言：“物有本末，事有始終。知所先後，則近道矣”，AI行業生産力的爆發，或許要從溯源其初——算法的變革開始。

01

一場奶牛的AI精細化管理體驗課背後

算法的變革指什麼？簡言之，就是将算法的産出者由“人”向“機器”轉移，這也是共達地正在做的事情。

他們是怎麼做的？

我們或許可以從奶牛AI精細化管理體驗課中一探究竟。

在這場課堂中，共達地發現，他們服務的畜牧企業在全國擁有上千處牧場，每個牧場都有大量的牛棚需要進行檢測管理，而管理手段主要依賴于人力巡查，為了提升牧場的管理效率和質量、監管奶牛的整體養殖狀況，這家企業将希望寄托在了AI視覺算法。

但在耗費大量時間尋找相适用的算法過程中，他們發現，智慧牧場場景僅歸屬于AI算法應用的一小細分垂直領域，很難有直接“拿即可用”的算法匹配；而如若提出“定制化需求”，讓廠商組織人力研發适配AI算法，又則需要較長的周期，成本也将一路攀升，最後的效果亦無法預知。

對于共達地而言，他們恰有能力解開上述的困境，有别于傳統廠商先有算法，再去與客戶碎片化的場景需求進行艱難配适的“AI ”模式，共達地采用了依托于核心AutoML技術的自動化訓練平台，可根據具體需求定制相關算法的“ AI”模式，能以極短周期滿足企業豐富多樣的個性化算法需求，節省企業相關時間與成本。

在牧場這一垂直場景中，通過快速運用AutoML自動化訓練平台，接通牧場的監控錄像進行數據提取和标注，共達地僅用3天時間便完成了基礎數據采集和标注工作，随後又在數小時内便完成AI能力的建構，并頗有成效。

共達地開發的算法在牧場的應用

通過精确監控、精準噴淋和上報草垛問題，針對性地滿足了該牧場所有細節上的需求，減少重複繁雜的每日巡視檢測與管理流程。

而這一切的背後，離不開AutoML技術。

如何理解AutoML技術？

從字面意思來看，AutoML，即Automated Machine Learning，是自動化 機器學習的結合體，換言之AutoML想要做到的，就是讓AI去學習AI，從而減少人工的參與，讓機器完成更複雜繁瑣的工作。

打一個比喻，如果說軟件行業是軟件吞噬世界、無代碼吞噬軟件，那麼對于AI來說便是，AI颠覆世界，AutoML颠覆AI。

追溯其發展，谷歌于2017年的I/O大會上首次公布了名為 “AutoML” 的項目，他們将 AutoML 應用到了深度學習的圖像識别和語言建模兩大闆塊，旨在自動化設計深度學習軟件最難的部分之一——為神經網絡選擇正确的架構将，之後，機器學習自動化的産品浪潮愈演愈烈，17年底，微軟也發布了CustomVision.AI，涵蓋圖像、視頻、文本和語音等各個領域；2018年，國内也出現了不少相關産品，如百度的EasyDL等。

随後，2020年，帶着“讓每一家公司都能成為AI公司”的願景，望通過依托于核心AutoML技術的自動化訓練平台與千行百業拉開AI大規模商用落地的帷幕，共達地成立。

為何要做這件事情？

02

AI 3.0時代，用AI生産AI

共達地VP張任奇告訴朋湖，AI概念自提出後的一段漫長的時期内都處于完成AI工程化的1.0時代，這時的AI滲透率極低，行業從業者多以AI相關的高學曆研究人員為主，研究的AI落地場景也較為單一，算法數量更是屈指可數并且交付周期往往以年為單位，周期長成本亦十分高昂，往往在千萬級别。

在前幾年，AI進入了“AI方案化”的2.0時代，AI應用場景變得豐富起來，越來越多的AI企業能提出具體場景的完整解決方案，AI算法數量亦得到飛躍發展，交付周期也縮短至以季度為單位，同時，單個模型的應用成本下降至十萬至百萬級别，商用性大大提升。

他講道，現階段AI正迎來3.0時代，這一時代階段的特點是AI的産品化，AI算法的生産将迎來由“人”向“AI”轉移的大變革，即基于AutoML技術打造的一個可視化的“無代碼”開放平台，讓沒有AI技術背景的産品經理、業務人員等企業角色，能夠以零代碼的方式生産AI算法，從而讓算法的生産效率大幅提升以應對超大規模應用場景中數以十萬計的算法需求，并實現以周為單位的快速交付。

共達地完成AI開發流程的簡化與全自動化

被譽為“二戰後最具影響力的一位以英文寫作的哲學家”托馬斯·庫恩曾在《科學革命的結構》(The Structure of Scientific Revolutions)（1962）中提出“範式”的概念。

張任奇強調，對于AI算法領域而言亦需要這麼一場“範式”轉變：讓算法的生産者交于AI，解放AI算法工程師生産力，走向AI算法端到端的全流程自動化開發。

他表示，這一“範式”轉變的背後來自現實行業需求。

回顧曆史，經曆了三次寒冬的AI當下已走過市場教育階段，人們對AI解放生産力，賦能千行百業的變革力量已具有清醒認知，但現實中，認知并不約同于感知，在很長的一段時間裡，“AI的落地需要精力更需要财力”才是數千萬企業的深刻感受。

中小企業更是在AI的采用上有更多的顧慮，持以觀望的态度，顧慮的背後成本、技術、人才無一不是限制AI技術應用落地的考量因素。據了解，據今年2月人社部發布的《新職業——人工智能工程技術人員就業景氣現狀分析報告》測算，我國人工智能人才目前缺口超500萬，與之相對應的是市場上“AI人才高薪搶奪戰”：AI算法工程師平均起薪超過3.2萬元，開發工程師平均起薪達到3.2萬。

還有這麼一組數據，工業和信息化部數據顯示，截至2021年末，全國企業的數量達到4842萬戶，增長1.7倍，其中99%以上都是中小企業。

可以說，隻有讓這99%以上的中小企業都能用得起AI算法，AI才能夠實現真正的大規模落地。

此外，這亦是面向超大規模精細化的未來AI需求必須要做的事情。張任奇講道，就拿計算機視覺領域而言，90%的市場增長來源于人臉識别、非機動車識别、OCR識别這三大領域。而在這TOP3領域外的其餘計算機視覺算法與市場需求，尚處于待開發的狀态。

但是，一個成熟算法的生産需要耗費一支15人算法團隊數月時間，成本高、周期長，這導緻目前AI市場上，算法生産能力無法适應日益規模化、多元化、碎片化的AI算法市場需求。

于是，解放AI算法工程師的生産力、低成本且高效率的AI算法生成成為了關鍵，這也是共達地正在做的事情：讓AI技術真正“飛入尋常百姓家”，不再是鏡花水月一場空。

據朋湖了解，共達地自主打造的“AutoML自動化AI訓練平台”目前已在三四百個場景中實現應用落地，此外，視覺領域99%的算法需求，其都可以在一周内完成商用交付。

此外，經過2年的叠代打磨，共達地的自動化訓練平台當下也走到了3.0版本。

本月初，作為業界首個商用AutoML自動化AI訓練平台“GDDi自動化AI訓練平台3.0”在2022世界人工智能大會（WAIC）上首次亮相，吸引了不少觀衆駐留體驗，朋湖記者也在現場實地操作了一番。

在現場，張任奇告訴朋湖，這是一個可供“小白”使用的專業AI算法訓練平台，能以0代碼的方式，供非專業人員在數小時内，通過簡單三個步驟，從0到1完成一個可商用的算法的訓練，此外，能夠一鍵部署，實時互動，檢驗算法精度，從而助力人工智能技術的大規模、工程化落地。

2022年8月12日，科技部等6部門印發《關于加快場景創新以人工智能高水平應用促進經濟高質量發展的指導意見》。3天後，科技部發布《關于支持建設新一代人工智能示範應用場景的通知》，啟動支持建設新一代人工智能示範應用場景，發布了智慧農場、智能港口、智能礦山、智能工廠等首批支持的10大應用場景。

AI的大規模應用落地已勢在必行，張任奇強調，共達地的定位便是做AI産業的“加速器”，讓“AI技術賦能千行百業”不再是空中樓閣，變得觸手可及。

當然，這一目标的實現并非一蹴而就，他表示，當下整個市場仍處于市場教育階段，就共達地自身而言，自2020年成立以來，前兩年是處于打磨産品、市場驗證的階段，今年開始則是着力于行業生态的構建，通過面向行業上下遊提供底層能力，達成“一百萬家企業都成為AI服務商”的願景，他期待堅信，整個行業也将迎來大規模爆發的階段。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!