在企業數字化轉型的浪潮中，對於AI等新技術的應用，先進與落後的企業之間，會有多大的差異？
與南方電網廣東能源技術公司過去一年的合作中，百度為其提供全方位的AI支持，更多地解決了堪稱“苛刻”的業務場景訴求。
這個案例，僅是百度AI在電力能源行業的一次成功下探，其背後，卻離不開作為時下國內廣受企業級開發者追捧的開源深度學習平臺“飛槳”（PaddlePaddle）的支持。
究竟什麼樣的企業需要深度學習平臺？或許可以站在兩個層面來回答：一是在開發層面，好的深度學習平臺大大降低了企業和個人開發者構建AI應用難度；一個是在業務層面，利用AI創新應用的企業，尤其是在傳統領域，它們最終的目的是通過新技術顛覆現有的商業模式。
一個大的趨勢是，國內企業信息化、數字化、智能化轉型正呈現一種“三化融合”的狀態。即利用互聯網、雲技術實現企業業務在線，利用數據處理技術為企業構建數據中臺，以及利用機器學習、深度學習等AI手段，深入挖掘數據的價值。
正如百度首席技術官、深度學習技術及應用國家工程實驗室主任王海峰所言，“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。”
那麼，為什麼飛槳能成為廣東電科院能源技術公司智能裝備賦能的首選呢？我們先來看看電網公司在電力巡檢環節所面臨的挑戰。
巡檢機器人的“火眼金睛”
實際上，飛槳與廣東電網合作的契機源自於當前廣泛應用於電力行業的巡檢機器人。傳統的巡檢方法主要依靠人工巡視，而電力機器人可以代替人工從事高危險性和高重複性的工作。
其中表計讀取是電力機器人巡檢的一項重要工作內容，傳統圖像識別方法由於複雜背景、光線條件等因素，會影響到檢測與識讀的準確率。
為此，廣東電網利用飛槳平臺的技術優勢，與百度聯合開發了電網特定場景下讀取錶針的圖像的語義分割技術，並應用到智能巡檢機器人身上，使其表計的深層次特徵提取能力大大提高，方法的準確率和魯棒性顯著提升，在表計目標檢測、示數讀取等方面的效果尤為顯著。
一組數字是，從6小時的人工巡檢變為15分鐘的巡檢結果複核，實現對輸變電設備的實時檢測和分析。
實際上，飛槳EasyDL定製化訓練和服務平臺（經典版）也可以應用於巡視電線是否破損、是否有鳥窩等場景。
“EasyDL這項服務是相對輕量級的，不需要技術的深度對接，但表計識別這個場景，對技術的依賴還是蠻深的。”談及與廣東電網的合作，百度深度學習技術平臺部總監馬豔軍感慨頗多，“關鍵在於，飛槳是貼近核心業務場景的，像對輸變電設備進行巡檢，是電力行業共同的痛點。”
這恰恰說明，針對企業中不同難度的場景訴求，飛槳提供的產品形態也不相同，核心都是為輔助客戶真正解決問題。
與此同時，參與合作的廣東電網的工程師楊英儀博士還是百度黃埔學院的學員，通過在黃埔學院的學習，從深入學習的入門者成為了飛槳平臺的優秀開發工程師，快速成長為廣東電網智能巡檢機器人重大攻關團隊在AI領域的骨幹成員。這也是飛槳既能授之於魚，也能授之以漁的思路。儘管企業具有豐富的 AI 技術應用與落地場景，擁有深度學習所需的數據和技術條件，但他們在理論及技術應用方面都存在不小的挑戰。
從技術到業務再到人才的賦能，這很好地形成了一個閉環。
飛槳的持續進化
從目前來看，企業選擇飛槳，大多還是為了滿足特定的應用場景需求，但飛槳也在根據實際場景中的用戶訴求，不斷著完成自我進化。不同於單純面向開發層面的深度學習框架，飛槳早已躍遷到了面向產業級深度學習開源開放平臺的定位。
在最新公佈的飛槳1.6版本中，9項新品以及12項產品升級，我們洞察到了更面向場景、面向應用的飛槳。
其中重要的新品發佈包括：4項端到端開發套件：NLP領域的ERNIE語義理解，CV方向的PaddleDetection目標檢測和PaddleSeg圖像分割，推薦方向的ElasticCTR點擊率預估；端側推理引擎Paddle Lite 2.0版本；3項工具組件：聯邦學習PaddleFL、圖神經網絡PGL和多任務學習PALM；以及新推出了EasyDL專業版。
如今飛槳能夠提供完備的工具組件、面向應用任務的產業級開發套件，以及支持低門檻應用深度學習技術的多個服務平臺。最新數據顯示，在飛槳深度學習平臺上已經累計服務了150多萬開發者，並有超過6.5萬企業用戶，僅在定製化訓練平臺上就發佈了16.9萬個模型。
從2016年開源到如今，飛槳一直在成長，這實際上是源自開發者的訴求。“有平臺、被使用，反過來，平臺自然而然地就不斷得到升級和推動，”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向雷鋒網表示。
目前在工業、物流等場景中湧現出了諸多AI訴求，也是飛槳落地較多也相對成熟的，這是否意味著是飛槳接下來重點深入的領域？
“深度學習技術本身是很通用的，飛槳本身希望能夠成為底座，但在推進行業的過程中，像面向場景的端到端套件，本身就帶有行業和場景的特點了。”吳甜回答道。
可以看出這一邏輯，飛槳本身作為深度學習平臺所具備的靈活性，決定了面向不同的場景可以提供更多的定製化服務。不同層次的開發者對深度學習平臺的應用本身就有不同的訴求，比如，具備一定AI技術背景的開發者，可以選擇開發套件進行二次開發；反之，可以選擇諸如EasyDL、EasyEdge這樣的服務平臺直接上手使用。
未來，無論飛槳面向更多企業核心訴求推出的可滿足二次開發的套件，還是滿足不同終端部署訴求的高性能處理引擎，亦或是服務更多不具備AI技術背景的開發者，其本質問題都是為了降低深度學習的門檻，讓飛槳更加貼合到傳統企業的業務線中。
回到上文中飛槳在電力行業的應用，是偶然，也是必然。
圖注：PaddleSeg覆蓋了DeepLabv3+, U-Net, ICNet三類主流的分割模型，通過統一的配置，幫助用戶更便捷地完成從訓練到部署的全流程圖像分割應用。
例如，圖像分割PaddleSeg開發套件，除了用於智能巡檢機器人外，在工業質檢中的零件分揀、瑕疵分級、農業中地塊分割、自動駕駛中的車道線分割等有著豐富的應用場景；再比如，目標檢測PaddleDetection開發套件，可以應用於安防監控中的行人監測、智慧交通中的人流車流統計、商品檢索等場景。
我們還注意到，飛槳在底層芯片、服務器的適配上，除了與華為HiAI建立更全方位的合作外，還將引入寒武紀、比特大陸、FPGA、NPU等更多芯片。
飛槳真正意義上開始走向工業級成熟。
飛槳在成長，企業也必須成長
得益於政策的推動及技術成熟，近兩年深度學習正從實驗室走向產業大規模通用，無論是部署於質量管控端的良品率提升，還是企業戰略決策端的管控和經營決策，已經有了一批先行者。
但是，有個前提需要關注。根據2018年9月埃森哲公佈的《中國企業數字轉型指數》顯示目前只有7%的中國企業轉型成效顯著，一個關鍵指標是過去三年企業新業務的營收收入佔總營收佔比超過50%。
不少企業惶恐，說轉型是找死，不轉型就是等死，因此如何在轉型的同時實現企業自身的平穩運營成為當前企業面臨的難題，更何況是從數字化向智能化的躍遷。是信息化、數字化、智能化三化並行，還是智能化先行？
對此，吳甜認為，“不同於美國是從信息化、數字化、智能化一步步推進的，在中國，能看到大量企業正在同步或者很短時間內快速進行三化的轉型。不過信息化、數字化、智能化本身相互聯繫，需要整體性推進，一個企業如果還沒有做到信息化、數字化，很難就直接躍升到智能化，或者就只是做一些單點的智能化，形不成系統。”
但這也側面說明，中國整個市場的想象空間是非常巨大的，關鍵在於誰把握住了機遇。飛槳可以看做是智能時代的操作系統，上承模型開發和應用、下接基礎芯片硬件。這或許才是飛槳的機會。
當然，飛槳也需要等待部分企業的成熟。一方面，企業需要有對AI硬件和底層框架有深入瞭解的人才，以滿足面向業務需求的開發；另一方面，企業應用單點智能技術的前提，也是因為他們不可能一下就將原有設備替換成智能設備。此外，數據、技術基礎、業務流程、競爭力、監管等，企業同樣存在各方面的擔憂，其智能化轉型的目標也必須符合當前企業發展的戰略規劃。
更為廣泛的，在製造、能源、金融、教育、醫療等各個領域，越來越多的場景正在湧現、值得挖掘，等待與百度飛槳一同成長。（雷鋒網）
閱讀更多 雷鋒網 的文章
