一間智能倉(cāng)庫(kù)，物料正有條不紊地通過立體倉(cāng)儲(chǔ)系統(tǒng)自動(dòng)入庫(kù)和出庫(kù)，自主移動(dòng)機(jī)器人從倉(cāng)庫(kù)中領(lǐng)取物料，送到制造車間工位。中控室里，出庫(kù)、入庫(kù)、單據(jù)明細(xì)等資料顯示在物流系統(tǒng)中，并且能清楚看到設(shè)備的運(yùn)行狀態(tài)。這是將人工智能（AI）技術(shù)應(yīng)用到倉(cāng)儲(chǔ)系統(tǒng)中的典型案例。

研究機(jī)構(gòu) IDC 的一項(xiàng)調(diào)研顯示，幾乎所有受訪者均表示會(huì)在未來兩年內(nèi)追加對(duì) AI 相關(guān)項(xiàng)目的投資；德勤發(fā)布的 2021 年度《企業(yè)人工智能應(yīng)用現(xiàn)狀報(bào)告（第 4 版）》也顯示，近 70% 的企業(yè)已經(jīng)開始著手部署AI應(yīng)用，45% 的企業(yè)全面部署的AI應(yīng)用接近6個(gè)。

曠視研究院算法量產(chǎn)負(fù)責(zé)人周而進(jìn)

越來越多的企業(yè)希望能夠在業(yè)務(wù)發(fā)展和日常運(yùn)營(yíng)中采用 AI 技術(shù)，曠視研究院算法量產(chǎn)負(fù)責(zé)人周而進(jìn)觀察到，企業(yè)想要部署 AI，如果通過內(nèi)部自研解決，往往需要從 0 到 1 招募人才、建立團(tuán)隊(duì)、投入高昂費(fèi)用，此后經(jīng)過漫長(zhǎng)的研發(fā)周期才有可能實(shí)現(xiàn)。此外，很多企業(yè)的 AI 需求是非常碎片化、定制化的，如果通過外部采購(gòu)的渠道，現(xiàn)有的 AI 解決方案無法快速適配具體的應(yīng)用場(chǎng)景。要想解決這些問題，還要先找到問題的根源。

癥結(jié)所在：部署與生產(chǎn)

AI 的部署與企業(yè)的存儲(chǔ)系統(tǒng)、算力分布、網(wǎng)絡(luò)設(shè)施等 IT 基礎(chǔ)設(shè)施能力息息相關(guān)，AI 運(yùn)行依賴于大量數(shù)據(jù)的采集與傳輸，并要求系統(tǒng)快速學(xué)習(xí)、實(shí)時(shí)反饋。因而企業(yè)需要完備的IT基礎(chǔ)設(shè)施，才能保證 AI 解決方案的正常運(yùn)轉(zhuǎn)。

曠視在面向消費(fèi)物聯(lián)網(wǎng)、城市物聯(lián)網(wǎng)和供應(yīng)鏈物聯(lián)網(wǎng)三大核心場(chǎng)景上提供了完整的 AIoT 產(chǎn)品和解決方案：

消費(fèi)物聯(lián)網(wǎng)領(lǐng)域，曠視以 SaaS 產(chǎn)品的形式向全球開發(fā)者及企業(yè)用戶提供數(shù)十種 AI 能力，同時(shí)為數(shù)億臺(tái)消費(fèi)電子產(chǎn)品提供設(shè)備解鎖和計(jì)算攝影解決方案，為消費(fèi)者提供更簡(jiǎn)單的服務(wù)與更優(yōu)秀的美學(xué)體驗(yàn)；

城市物聯(lián)網(wǎng)領(lǐng)域，曠視基于覆蓋云邊端的算法、軟件、硬件能力，持續(xù)推進(jìn)城市數(shù)字化建設(shè)，讓城市運(yùn)行更加安全便捷、讓建筑空間更高效智能；

供應(yīng)鏈物聯(lián)網(wǎng)領(lǐng)域，曠視以人工智能賦能機(jī)器人和自動(dòng)化設(shè)備，幫助企業(yè)進(jìn)行倉(cāng)庫(kù)、工廠的數(shù)字化及智能升級(jí)，讓生產(chǎn)制造更高效。

不論在哪個(gè)領(lǐng)域，AI 始終也離不開數(shù)據(jù)、算法和算力這“三駕馬車”。

在數(shù)據(jù)生產(chǎn)的復(fù)雜性方面，數(shù)據(jù)本身很多時(shí)候已經(jīng)很大程度上決定了最后算法生產(chǎn)的效果。訓(xùn)練數(shù)據(jù)本身是否干凈？如何能夠獲得高質(zhì)量的數(shù)據(jù)標(biāo)注？如何能夠排查數(shù)據(jù)標(biāo)注中的錯(cuò)誤、不一致性？如何從數(shù)據(jù)中挖掘出有效的數(shù)據(jù)樣本？這些問題都是在實(shí)際生產(chǎn)過程中生產(chǎn)人員面臨的挑戰(zhàn)。

在算法模型的不確定性方面，由于計(jì)算機(jī)視覺領(lǐng)域在近幾年的飛速發(fā)展，每天都可能有新的優(yōu)秀工作出現(xiàn)。對(duì)于一個(gè)算法從業(yè)者來說，在模型上首先面臨的挑戰(zhàn)就是——什么樣的模型才是最合適的？第二個(gè)挑戰(zhàn)是，當(dāng)模型生產(chǎn)出來后，要如何部署到各式各樣的硬件平臺(tái)載體上面，才能讓它高效、有序地跑起來？第三個(gè)挑戰(zhàn)是，模型落地后，對(duì)于實(shí)際發(fā)生的問題，該用什么樣的手段去迭代、調(diào)優(yōu)、提升模型的效果，這在很大程度上困擾著生產(chǎn)人員。

在硬件平臺(tái)的多樣性方面，各種算力強(qiáng)大的新型芯片、硬件開發(fā)板、硬件平臺(tái)在近幾年紛紛涌現(xiàn)，不同芯片平臺(tái)對(duì)應(yīng)算法調(diào)用的 SDK，各自封裝的 API 都不一樣。這種不同還只是表象層面的困難，更深層次的困難在于不同芯片平臺(tái)背后體系結(jié)構(gòu)也不同，這也意味著計(jì)算單元上存在著差異。

算法決定人工智能水平的高低，在實(shí)際應(yīng)用場(chǎng)景中，僅靠單點(diǎn)的算法是不夠的，往往需要把幾個(gè)算法串在一起，構(gòu)建一個(gè)算法的流程，才能完成一個(gè)具體需求的落地，當(dāng)然在這之前，還需要解決算法生產(chǎn)上的一些困難。

算法生產(chǎn)的主要困難主要還是集中在整個(gè)生產(chǎn)環(huán)節(jié)的復(fù)雜性上，具體來說，可分為三個(gè)方面：第一，數(shù)據(jù)生產(chǎn)的復(fù)雜性；第二，算法模型本身的不確定性；第三，AIoT 平臺(tái)的多樣性導(dǎo)致生產(chǎn)過程中復(fù)雜程度與成本的提升。

迎接挑戰(zhàn)：推動(dòng)標(biāo)準(zhǔn)化

面對(duì)這些復(fù)雜的問題，曠視也制定了對(duì)策，自主研發(fā)了新一代AI生產(chǎn)力平臺(tái)Brain++，Brain++ 由曠視自研深度學(xué)習(xí)框架 MegEngine、數(shù)據(jù)管理平臺(tái) MegData 和計(jì)算平臺(tái) MegCompute 構(gòu)成�；�于 Brain++ 體系，曠視推出自研算法生產(chǎn)平臺(tái)—— AIS（AI Service），為算法生產(chǎn)構(gòu)建的一個(gè)從數(shù)據(jù)到模型訓(xùn)練、性能分析調(diào)優(yōu)、推理部署測(cè)試全鏈路的零代碼自動(dòng)化的生產(chǎn)力工具平臺(tái)。

在實(shí)際的 AI 落地應(yīng)用過程中，曠視希望通過 AIS 將算法量產(chǎn)，將 AI 生產(chǎn)過程標(biāo)準(zhǔn)化，降低算法生產(chǎn)門檻，讓更多人加入到算法生產(chǎn)的工作中，提升算法生產(chǎn)效率。周而進(jìn)介紹，AIS 目前已經(jīng)支持 100 多種業(yè)務(wù)模型訓(xùn)練，最快 2 小時(shí)即可完成，模型產(chǎn)出精度指標(biāo)也“遠(yuǎn)高于業(yè)界平均水平”。

算法研發(fā)人員聯(lián)合使用 Brain++ 和 AIS 平臺(tái)，可以實(shí)現(xiàn)智能標(biāo)注平均加速 30 倍，自動(dòng)學(xué)習(xí)訓(xùn)練加速 4 至 20 倍。

不過對(duì)于 AI 而言，算法模型還是萬里長(zhǎng)征的第一步，如何結(jié)合具體場(chǎng)景實(shí)現(xiàn)量產(chǎn)落地才是最終目標(biāo)。曠視認(rèn)為，標(biāo)準(zhǔn)化是解決算法生產(chǎn)難題的關(guān)鍵。這包括數(shù)據(jù)生產(chǎn)的標(biāo)準(zhǔn)化、算法模型的標(biāo)準(zhǔn)化和整個(gè)推理框架的標(biāo)準(zhǔn)化。

對(duì)于未來，曠視也將圍繞推動(dòng)標(biāo)準(zhǔn)化，不斷打磨 AIS 生產(chǎn)平臺(tái)，降低算法生產(chǎn)的門檻，鼓勵(lì)更多行業(yè)技術(shù)人員參與到算法生產(chǎn)的過程，打通各行各業(yè)的知識(shí)，建設(shè)一個(gè)開放的算法生產(chǎn)生態(tài)。