乾明 邊策 發自 凹非寺
量子位 報道 | 公眾號 QbitAI
時局如此，國產AI框架雄心更盛。
氣勢更足、功能更新力度更大、開發者羊毛更豐厚……而且新發布還不是全部，已獲得的成績也相當亮眼：
先用AI算法為中國傳統產業節省了1個億。
這就是百度旗下AI開源框架飛槳（PaddlePaddle），剛剛秀出的肌肉。
2016年開源至今，飛槳目前有150萬AI開發者，超過6.5萬企業用戶，在定製化訓練平臺上發佈了16.9萬個模型。
儼然中國第一大深度學習開源平臺。
並且形勢所迫，自主可控也成為AI框架等基礎平臺發展要求之一。
所以在此次飛槳更新發布中，也無處不透露著“國家隊”擔當。
在採訪中，百度方面透露，飛槳不僅是完全自主知識產權的深度學習平臺，而且在分佈式訓練的性能以及易用性上，都超過了國內外競爭對手。
那麼接下來如何實現更多場景、更全面地同場競技優勢？
此次的九大新產品、上億新羊毛，以及進一步產業落地，就更值得關注。
九大新產品都是啥？
在“WAVE Summit+”2019深度學習開發者秋季峰會上，飛槳迎來全面升級。
百度CTO、深度學習技術及應用國家工程實驗室主任王海峰，率先登臺分享最新思考，他說：
深度學習正在推動人工智能進入工業大生產階段，具有很強的通用性，同時具備了標準化、自動化和模塊化的基本特徵，推動人工智能技術從實驗室走向產業，並且越來越大規模使用起來。而深度學習技術和平臺也在不斷髮展，在未來的時間裡也將繼續發揮重要作用。我們秉承開源開放的理念，把飛槳平臺開源開放，與所有開發者一起，推動科技發展、產業創新和社會進步。此次飛槳一共有9大產品全新發布：包含一個模式、一個端側推理引擎、四大產品開發套件，三個工具組件。
具體詳情如下：
首先，一個模式，指的是飛槳Master模式。
百度AI技術平臺體系執行總監、深度學習技術及應用國家工程實驗室副主任吳甜介紹說：
飛槳是一個源於產業實踐，與產業共進的深度學習開源開放平臺。未來，飛槳將持續發展超大規模分佈式計算、異構計算能力，定位於全硬件平臺支持、端雲邊結合，為應用場景提供面向場景的端到端套件，構建融合數據和知識的預訓練結合遷移學習的Master開發模式，為開發者提供最強大的生產平臺和基礎設施，加速產業智能化。核心是依靠依靠百度的強大算力，提升開發者在部署模型時的移動性。
具體來說，開發者只使用自己的少量標註數據，加上飛槳的遷移學習工具，就能將自己的算法模型快速部署到自己的應用場景中。
帶來的直接影響，是面向產業場景平臺開發時，降低工作量，提升模型的準確度、可靠性。
其次，一個端側推理引擎，指的是Paddle Lite 2.0。
這一輕量級深度學習推理框架，在今年8月份正式發佈。
這次的升級中，專注易用性，提供了預測到部署完整工具鏈，只需要7行代碼調用Resnet50，也支持極致輕量級部署。
硬件支持也更加廣泛，移動端支持8種主流硬件，新增華為NPU和邊緣設備FPGA支持，寒武紀、比特大陸等國產硬件的支持也在路上。在架構設計上對硬件擴展也更加友好。
最後是性能，百度深度學習技術平臺部總監馬豔軍，現場放出了與其他幾家主流框架的性能對比圖，基本上都是“吊打”狀態：
△Paddle Lite 2.0在推理延遲上遠遠低於其他推理框架
第三，四大面向場景的端到端開發套件，也是飛槳體系中完全新增的模塊。
覆蓋語義理解、圖像分割、目標檢測，以及個性化推薦。
包含ERNIE 2.0，一個基於持續學習的語義理解預訓練框架，號稱在16箇中英文任務全面超越對標產品。
核心亮點在於，新構建的預訓練任務類型可以無縫的加入訓練框架，持續的進行語義理解學習。
還有PaddleSeg，產業級圖像分割庫，提供了18個預訓練模型，覆蓋了DeepLabv3+, U-Net, ICNet三類主流的分割模型。
通過統一的配置，幫助用戶完成從訓練到部署的全流程圖像分割應用。
以及目標檢測庫PaddleDetection，已集成60+預訓練模型。目的是為工業界和學術界提供易使用的目標檢測模型。
在這個庫中，飛槳還提供了許多目標檢測小模型，方便給移動端設備使用。
此外新增的套件，是用於個性化推薦的ELASTIC CTR，這一套件源自於百度的產業實踐。
可以實現分佈式訓練CTR預估任務和Serving流程一鍵部署，提供了端到端的CTR訓練和二次開發的解決方案。
最後，三大發布，都聚焦在深度學習領域前沿的工具組件：
PALM，多任務學習框架。
其中內置了模型backbone（BERT、ERNIE等）、常見的任務範式（分類、匹配、序列標註、機器閱讀理解等）和數據集讀取與處理工具。
功能亮點在於易用性，對於典型的任務場景，幾乎無需書寫代碼便可完成新任務的添加。
對於特殊的任務場景，用戶可通過對預置接口的實現來完成對新任務的支持。
PGL，圖神經網絡框架。
提供了一系列的Python接口用於存儲/讀取/查詢圖數據結構，並且提供基於遊走（Walk Based）以及消息傳遞（Message Passing）兩種計算範式的計算接口。
利用這些接口，可以搭建最前沿的圖學習算法，結合飛槳核心框架，就基本能夠覆蓋大部分的圖網絡應用，包括圖表示學習以及圖神經網絡。
現在，PGL已有13個圖學習模型，涵蓋圖神經網絡和圖表示學習的主流模型。
PaddleFL，聯邦學習框架。
其能力在於複製和比較不同的聯邦學習算法。
在PaddleFL中，還提供了很多聯邦學習策略及其在計算機視覺、自然語言處理、推薦算法等領域的應用，在部署大規模分佈式集群中部署聯邦學習系統時，也較為容易。
此外，伴隨著這次1.6版本發佈，飛槳還有12項產品重要升級。比如：
- 提供更多的算子庫、簡單高效的API接口、完善的文檔內容，全面提升易用性。
- 升級輕量級模型結構自動搜索PaddleSlim，增加了基於硬件搜索等能力，打通訓練、壓縮和部署全流程。
- NLP、CV、推薦系統、語音等各大基礎模型庫的模型，從原來的60+到了100+。這其中有多個在AI競賽中奪冠的算法模型，比如在EMNLP獲得了10項閱讀理解項目冠軍的D-Net。
- Paddle Hub，新增了超參優化Auto Fine-tune功能，預訓練模型數量大幅增加，支持飛槳Master模式。
- 深度強化學習框架PARL並行能力升級，支持進化算法。
- Paddle2ONNX和X2Paddle升級，飛槳和其他框架的模型互轉更加方便。
聚焦產業場景，上億新羊毛待薅
所以上述新發布究竟夠不夠競爭力？
自飛槳開源以來，作為深度學習框架，經常被人拿來與PyTorch、TensorFlow兩大框架進行對比。
但時至今日，飛槳官方認為已經不能再單純以AI框架視之了。
他們更願意定位自稱：深度學習開源平臺。
以百度多年的深度學習技術研究和業務應用為基礎，集深度學習核心框架、基礎模型庫、端到端開發套件、工具組件和服務平臺於一體。
在接受量子位採訪時，吳甜解釋了這一定位背後的考慮：“不同的AI框架都有其相應的發展規劃，這就是飛槳選擇的發展路線。”
現在，百度對外宣稱的飛槳四大領先技術時，框架只是其中之一。
而且如今談AI發展，不談落地都顯得太虛。
於是大會主題演講中，飛槳也重點分享了發展至今的側重點與發力點：產業。
因為產業之大，轉型之需，AI的降本增效作用簡直再明顯不過。
在發佈會舉辦前夕，百度還專門發佈了一個名為“看中國算法工程師如何手動省出1個億”的視頻。
其中在農業、工業製造、質檢和電力搶修等方面，AI算法都在幫助傳統產業降本增效。
先節省一個億，這是飛槳已經完成的小目標。
但AI發展，產業場景也已經是各大人工智能平臺服務供應商的必爭之地，接下來如何面對這種日益白熱化的競爭？
飛槳透露的打法是：放羊毛、建生態，與開發者和傳統產業一起贏。
一手抓開發者培養和教育。
比如百度響應教育部產學研合作號召，在全國開展深度學習師資培訓班，有效地彌補了國內高校AI教師缺口。
在一年半的時間裡，飛槳已成功舉辦8期培訓，培養了1000多個AI專業高校教師，從教育環節開始，讓計算機學生從接觸飛槳，將來散落到產業界才能遍地開花。
產業界還有“黃埔學院”，學術界與高校組建聯合實驗室，飛槳已經和西交、中科大、南大、浙大、大連理工合作，人才聯合培養。
另一手給福利。
在今日大會發布最後，飛槳也發佈了最新生態激勵計劃：
- 免費開放10多個AI課程；
- 支持100多所重點高校教學培訓；
- 為1000多個企業轉型提供助力計劃；
- 還有百萬級的AI競賽獎金和億元級GPU算力資源支持。
- 不過，這兩手效果如何、究竟夠不夠硬，還得經受時間和實踐檢驗。
當然還得經受激烈競爭檢驗。如今機器學習的框架之爭，全球範圍內已經淪為TensorFlow和PyTorch兩家的較量，要從這兩家手中分一杯羹，僅僅有產業界的支持是遠遠不夠的。
但飛槳現在也算在國內擁有民心和祝願。
在活動現場上，一則這樣的留言格外醒目，或許也是2019年潮水方向裡的小小注腳：
還是得支持國產深度學習框架啊，免得國外框架壟斷，又要跟電腦操作系統和芯片一個結局。
所以，好風憑藉力，飛槳要加油。
畢竟天時地利都有，最關鍵的人心也兼具，唯有拿出更好成績，才能實現更大雄心了。
你說呢？
— 完 —
量子位 QbitAI · 頭條號簽約
關注我們，第一時間獲知前沿科技動態
閱讀更多 量子位 的文章
