训练一个AI最快要多久？以前半年，现在半天

詹士 编辑 发自 凹非寺
非常AI | 公众号 QbitAI

18世纪60年代，当蒸汽机被发明时，绝大多数人并没有意识到“工业革命”的到来；

1946年ENIAC问世时，人们也意识不到，计算机会在半个世纪后，成为支撑社会运转、科技创新的基础设施；

即便是2005年，人们也想象不到无需现金，仅用一部手机就可以解决衣食住行的几乎所有需求；无需单独的相机，也可以随时随地记录身边的点滴。

每当颠覆性技术诞生时，人们总会低估它给社会经济带来的影响，只有在数十年后对历史加以总结时，它的价值才会被定义。

就像比尔・盖茨所说：我们总是高估在一年中能够做到的，而低估五年或者十年中能够做到的。

如今，这个主角轮到了“人工智能”。

2022年，AI产业链初步完善，各行业需求不断涌现，从业者们高举「AI进入千行百业」旗帜扩大市场，一些先行者更是成功IPO。

降本增效、数字化转型、数字经济……纷纷成为当下AI产业化相关的热点词汇。引领第四次工业革命和生产力的迭代，AI的这些价值更是多方共识。

但10年后、50年后的AI图景，没有人能够清晰描绘。AI的发展是否会像今天我们所预测和定义的那样——

以我们当前的视野，给不出准确答案。

面对AI的星辰大海，我们才刚离开地球表面。

身处产业变革的漩涡之中，或许很难看到AI的终局，但AI算法的“超大规模”和“精细化”，至少是通往这一终局的必经之路。

超大规模和精细化趋势下，AI亟待工业革命

所谓超大规模，即AI算法无处不在——

算法数量会像APP数量一样，呈爆炸式增长，深入到生产、工作、生活的每一个细枝末节，成为城市管理、企业发展的重要资产。

正如今天智能手机应用商店中动辄数百万的APP种类，算法几乎覆盖了各类人群、各行各业的各种需求。其中有很多，都已成为了我们的日常生活的一部分。

所谓精细化，即单一AI算法的功能会越来越细分，而无数个细小的AI算法，会根据不同行业、不同场景、不同设备的使用需求，组合成复杂度极高的AI应用。

在这样的趋势下，很快，每一个我们习以为常的AI应用，可能都会成为由成百上千种算法组成的复杂智能体。

精细化也会带来AI的场景化，换言之，即是需要根据客户自身的实际情况和需求特点，针对性地训练适用于不同垂直和细分场景的AI算法。

但随着场景的不断发掘，来自客户的定制化需求数量也会快速激增，这会给AI的落地带来更多挑战，针对每一个需求专项定制不仅增加成本，还会拖慢落地周期。

仅看社区管理一域，算法需求就包含垃圾溢出、高空抛物、口罩检测、车辆违停识别、电动车进电梯、住户居民摔倒、电梯困人等大量细碎需求。制造、能源等领域也类似。

而同一个模型在不同场景，其适用程度也不相同。

以火焰烟雾识别为例，放在社区街道，有人点烟肯定无需报警，放工地里，火花大如电焊也无需提醒，但在加油站，需求又变成一点火星也不能放过。

这些场景虽然给算法带来了大量碎片化的长尾需求，但仍是社区管理智能化必不可少的一环。

然而这类长尾场景有一个显著的特点，那就是样本数据稀少，可用于训练的高质量数据集更是奢侈品。

因此，在开发过程中，很多时候需要现场采集数据进行初代训练，并在算法上线后持续迭代。只有经验丰富的算法工程师才能在有限数据量下，训练出一个精度还不错的算法。

而在“超大规模”和“精细化”趋势下，AI算法的终端部署适配，更是AI落地又一大隐藏痛点。

算法要想使用效果好，芯片适配是必要的过程。

这项工作展开说，要针对不同芯片，编写不同工具链的开发工具包，还要针对终端芯片性能进行量化调整，以尽可能提高芯片的利用率。

目前，市场大部分AI企业只做适配了NVIDIA、高通等主流品牌及自研芯片，如若用户所用芯片不在适配范围内，就需要额外花费至少2~3个月的时间进行单独适配，即便如此，芯片的利用率可能仍只有不到10%，造成极大资源浪费。

在传统的开发模式下，从业务问题的定义，到数据的采集和标注，算法模型的设计、调参、训练、调优，再到模型的芯片适配和性能评估——

整个链条不仅繁杂、周期长，且需要大量的人工参与，整个过程通常往往需要数月之久。算法利用率的不确定性，更会增加算力成本。

这种“必须人工，才能智能”的工匠精神，在面对未来的海量需求时，就会力不从心。

用手工划船，不可能离开地球表面。大家期待AI能够带来第四次工业革命，解放更多劳动密集型的工作，但AI自身，却又成为了劳动密集型产业。大量研究院和工程师们的重复劳动，又有谁来解放？

此外，深入产业落地，也需在标准化与定制化的博弈中左右抉择。

此前，算法SDK、SaaS服务盛行，很多企业希望借此逐渐将产品标准化，实现规模发展。结果却发现，AI越是深入产业，碎片化、非标准化需求越多，依靠单一模型通用解决所有问题的是一个行不通的商业模式。

而做定制化方案、总包集成项目，又会陷入成本高、利润低、赚不到钱的困局，成为AI企业们不愿意接的苦力活。

AI产业化供需之间的巨大沟壑，商业模式的束缚，亟待生产力和生产关系的重构。AI自身，也需要一次工业革命。

AutoML，告别手摇织布机的AI时代

其实，各路前沿玩家很早就意识到了这个兆头，并开始着手解决。

有人增派人手潜心深入行业，对新增算法逐一研发，躬身入局与行业强绑定，初期就着手构建完整方案教育市场，下场做了很多集成工作。

也有人上马超算中心，建立大模型大装置，希望能一口气解决所有问题。

还有一种新的方式，不但要做到AI开发的“降本增效”，还要降低使用门槛形成行业普及——

用AI的方式解决AI需求，其底层技术来自AutoML，主打两个字：高效。

技如其名，AutoML指的是在机器学习各阶段减少人工参与，把“工匠手工打造”变成“流水线自动化作业”。

从模型的结构设计到调超参、从训练到模型的精简压缩、还有芯片的适配和部署……在不同阶段采用自动化方案，让机器替代人工完成调参、数据处理等等繁复工作。

核心理念即用AI训练AI。

因AutoML将对原有底层框架、以及合作模式的重塑，有圈内人将其称为：人工智能2.0阶段的标志。

作为AutoML的提出和尝鲜者，谷歌已经快速进行了相关布局，还有一些初创公司，也积极开展AutoML创新，成为AI行业赋能百业的践行者。

革新AI的生产力和生产关系

反映到实际的产业应用中，AutoML有多高效？

深圳初创公司“共达地”的两名产品经理基于公司的自动化训练平台，只用2~3周时间，便快速训练完成了超过100个算法，涵盖了目标检测追踪、图像分类、语义分割、姿态检测、3D检测等五个大类视觉算法，覆盖80+个碎片化应用场景以及70+款AI芯片。

简单换算的话，原本算法开发到部署需要至少半年，现以自动化方式，半天就能完成，效率指数级增长。

但将AutoML全面带向商业市场，还需要从客户价值角度出发，帮助客户以更低的成本快速上手，创造生产力的革新；同时，联动产业上下游，优化产业的供需体系，实现生产关系的重塑。

首先，是生产力的革新。

虽说AutoML号称「自动」，但对非AI技术出身的产品经理、数据分析师等群体来说，仍属于「搞不明白」的头痛工具。

有别于科技巨头仅用其提升内部技术人员工作效率，共达地在开发Pipeline上进行全链条自动化改造，让不懂AI的业务人员也能使用AI，大幅降低AI的使用门槛，做企业背后的无限的AI生产力。

从图中可以看出，共达地全流程实现了0代码低门槛使用AutoML训练自己想要的AI，用户只需要简单的点选按钮，就可以根据自身需求，自助式上传训练数据，平台即可自主完成模型设计、训练和调参，短时间内就可训练出一个高质量的AI视觉算法。

目前，该平台已覆盖行业90%以上常见任务，大类涵盖：检测、分割、分类、人体、3D等方面算法。数据采集标注也可交给共达地合作方，产品经理和业务专家们只需负责定义需求，即可快速完成落地，实现“定义即所得”。

由于现实中，很多中小企业对于碎片化场景算法有迫切需求，该团队还联合数据厂商，快速推出了自动化「算法商城」——

让客户能够以0代码、即插即用的方式，快速将AI算法应用于自身业务链条当中，实现智能化升级。

目前，这一商城包含近百个场景，适配70余款芯片的5000多种高精度算法，供客户直接使用。

第二，是生产关系的重塑。

通过开放赋能，将AI交付能力赋予广泛的生态合作伙伴，共同践行将AI赋能百业。

目前，AI产业链囊括了数据厂商、芯片厂商、基础设施厂商等多个不同环节的角色，共达地企业定位于开放，因此，在通过AutoML平台重塑产业链的过程，保持了对各环节伙伴的充分开放性。

以针对芯片厂商的适配为例。

由于不同芯片平台都会基于自身芯片硬件架构特性，开发自己的工具链，在AI模型生成和部署环节中，需要兼顾各个不同芯片平台的硬件适配性和利用率。

共达地AI平台在SDK层面会整合不同工具链，完成模型到终端芯片的自适应转换，满足AutoML训练平台生成的模型能够一键下发至终端设备，并让AI算法模型发挥充分效能。

基于AutoML的高效，共达地完成了几乎所有主流芯片与盒子的预适配，可以将芯片利用率提升至50~60%，相较于10%利用率的行业普遍水平，大大提升了算力效能。

不仅仅是量变，更是产业变革的奇点

从过去一个算法需要一群AI工程师专项开发数月时间，到如今一个身处业务一线、不懂算法开发或代码编程的产品经理，一键三连，就可以根据自身需求，高效率地自主生产高质量的算法。

AutoML带来的不仅仅是量变，更是产业变革的奇点。

当前，已有越来越多圈内企业开始应用AutoML技术改变AI开发模式。很多企业正是受益于共达地的自动化训练平台和算法商城。

基于AutoML技术，共达地与客户共创共建，针对各行各业海量的垂直和细分领域的场景化AI需求，共同进行业务问题的定义，帮助客户实现算法的高效定制及下发部署，快速满足各类定制化需求，提高开发效率，降低人力和研发成本，与客户合作共赢。

例如央企旗下城市服务科技公司，平安智慧城市，就放手尝试应用AutoML技术为其生产多场景的算法。

通过共达地的自动化训练平台，平安智慧城市的开发者无需编代码，即可进行违规停车检测、井盖丢失或损坏检测、烟火检测、占道经营检测等碎片化场景的算法模型训练，还能一键到端部署。这一过程中，一路算法开发到部署花费时间最快只需数小时。

又如，在智慧交通的应用场景中，湖南省某市的交通管理部门在建设相关项目时，千视通便使用了共达地的AutoML自动化训练平台，定制了“行车未系安全带识别”、“行车打电话识别”等有关安全驾驶的一系列相关AI视觉算法。

在几乎没有投入AI算法工程师的情况下，两周之内便完成了各类复杂交通场景下的AI算法模型训练。

这些案例也都鲜明地印证了AutoML对于AI超大规模和精细化发展的不可或缺性——

让AI应用从只由几个算法整合而成、只能完成单一任务的简单智能体，逐渐进化成由海量算法构成、具有综合能力的复杂智能体，从而完成各式各样的复杂任务。

如果将AI比作一架飞机，那么初始的AI应用就像莱特兄弟打造的第一架飞机，结构简陋，只能飞行12秒。而未来的AI应用，就像今天动辄数百万零部件的客运飞机，每天都可以把人从地球一端送到另一端的目的地。

正如共达地的公司寓意“共同到达目的地”，帮助别人成功的同时，自己也获得成功。

对此，共达地创始人兼CEO赵丛还有个有趣的总结：做AI不一定要成立AI团队。

对企业来说，通过共达地自动化训练平台，可以让碎片化的中长尾场景的AI算法快速落地，部署后也能快速优化迭代、持续升级，从而不断获得附加价值。

0代码低门槛的开发方式，也将AI人才的门槛降到最低，赋能集成商、方案商、渠道商快速具备靠谱的AI能力，让AI算法的开发不再成为发展的负担，而是化作提高竞争力和效率的武器。

更进一步看，有了自动化训练平台和算法商城，共达地无需踏入行业一线做总包集成项目、无需触碰最终应用，而是成为企业背后的算法赋能者，用AI生产力和生产关系的变革，创造新的商业模式——

通过降低AI技术的单位应用成本，逐步帮助上下游企业进行AI技术赋能，大家形成长期且深度的合作，依托它们进入各个行业，最终实现规模效应，完成AI赋能百业的目标。

降低单位成本，用规模效应描绘AI未来

回看开篇所述，人们之所以会低估颠覆性创新技术所带来的价值，或许正是因为，这项技术尚未实现规模化效应，其应用的成本并没有降低到行业所能接受之程度。

《Prediction Machines》一书中提到，某种基础产品的价格大幅下跌时，整个世界都可能发生变化。

蒸汽机的出现，并没有立即点燃工业革命，而是在单位成本下降，得到大规模应用后，才开启了以机器代替手工劳动的时代。

电子管计算机的出现，也没有立即掀起人类的科技革命，直到超大规模集成电路的出现，加上电子设计自动化的逐步发展，才真正推动了PC走入千家万户。

AI时代，这一幕又再次上演。

在AI规模化落地，并以赋能百业为目标的大趋势下，挑战即是机遇。倘若不彻底改变成本高昂、效率低下的传统开发路径，经济性的不足，会严重阻碍人工智能的发展。

而以颠覆性的效率革新，实现AI算法的批量式、大规模生产，并快速投入到产业的毛细血管当中，帮助客户以指数级的效能提升，构建数字化转型的核心资产，才可能让AI走进各行各业。

没有时刻追求耀眼，却在脚踏实地地提供行业新思路。用技术创新掀起AI的规模效应，或许这，就是共达地相信的AI未来。