進入 2020 年，新冠肺炎疫情襲擊中國各地，經濟不可避免受到衝擊。壓力之下，3 月中共中央政治局常務委員會召開會議，提出加快 5G 網絡、數據中心等新型基礎設施建設進度。
新基建，這一 2018 年被提出、2019 年被寫入政府工作報告的概念，頓時成為全民熱議話題。
它涵括了新能源汽車充電樁、特高壓、城際高速路和城際軌道交通、5G、大數據中心、人工智能和工業互聯網七大領域。這其中，後四項共同組成的數字化基礎設施，尤為引人注目。
數字化基礎設施建設的本質是什麼？5G、大數據中心、人工智能（以下簡稱 AI）和工業互聯網之間，又有什麼內在聯繫？
數字基建的本質
傳統基礎設施主要是“鐵公雞”（鐵路、公路、機場），為中國實體經濟發展打下了汗馬功勞。
從實體經濟到數字經濟，數字化基礎設施接過了“鐵公雞”的基建大旗，成為新一代經濟底層支柱。
疫情期間，數字化基礎設施已經展示了其影響力。
病原發現和藥物研發環節，AI 與大數據中心加速了基因檢測和蛋白質結構模擬的進程；疫情防控一線，基於 AI 和 5G 的機器人及設備在不少地方節省了人力，更高效更安全；復工復產後，工業互聯網幫製造業提升了效率。
種種應用場景背後，不難看出數字化基礎設施建設的本質，是通過通用的底層技術，把物理世界在線化、數字化和智能化，以提高數字經濟的生產效率。
具體而言，5G 和工業互聯網讓一切個人的、企業的設備在線化、數字化，生成了大量的數據；大數據中心提供了算力支持，是一切計算的基礎；而 AI 作為算法承擔了智能化的任務。
很多人都把數據比喻成數字經濟的石油，如果按照這個邏輯進一步類比，那算力就是燃料，算法就是煉油工藝——原油必須經過一系列工藝加工過程，才能得到有用的各種石油產品。
正如煉油工藝推動了石油時代的快速發展，AI 也代表了數字經濟時代的先進生產力。
那麼，AI 的基礎設施又是什麼？
手機的人臉識別，家裡的智能音箱，天上的無人機，路上的無人駕駛……新基建被提出的 2018 年，AI 產業已經在中國市場上蓬勃發展。
AI 產業鏈有三個層級：基礎層（計算基礎設施）、通用層（軟件算法及平臺）和應用層（行業應用及產品）。
益於龐大用戶量產生的數據紅利，以及豐富的應用場景，中國 AI 產業的發展更多集中於應用層。而在基礎層，依然缺少有競爭力的技術和人才。主流芯片（比如 GPU）和算法框架（比如 TensorFlow）話語權都被國外巨頭佔據。
對於這種情況，有專業知乎用戶這麼比喻道，這只是遊輪上的表面繁榮，水下是技術壟斷的冰山。一個被斷了電的遊樂場，即使別出心裁設計出再多新奇有趣的項目，又有什麼意義？
政府力推新基建，必然是希望產業和學界深入到 AI 的基礎層，而不是隻停留在應用層的表面繁榮。
那麼，對於 AI 來說，基礎層的設施又是什麼？
“只有 AI 芯片平臺和 AI 生產力平臺，能夠被稱為 AI 基礎設施。”2020 年 3 月 25 日，在曠視一場線上發佈會裡，曠視聯合創始人兼 CTO 唐文斌一針見血地指出。這場發佈會的主題是，曠視開源其深度學習框架“天元”（MegEngine）。深度學習框架通常被認為是 AI 的操作系統，上承各種業務模型、行業應用，下接芯片、大型計算機系統。
芯片平臺是 AI 的基礎設施，這一點毋庸置疑。就在曠視這場發佈會幾天前，業界傳出了騰訊進軍芯片製造的消息。
更早之前，阿里巴巴和百度已投入許久，前者依靠平頭哥造出了“含光 800”，後者推出了“崑崙”，覆蓋訓練和推理環節。就連一些靠算法起家的 AI 創業公司，也紛紛往產業鏈上游走，自己研發 AI 芯片。
AI 芯片的重要性已經被業界看到，而 AI 生產力平臺依然缺少足夠的聚光燈。
怎麼樣的平臺，才能被稱為AI 生產力平臺？唐文斌是如此定義的：“算法研發和普通編程不同，是一個系統工程，需要能夠協同優化數據、算法、算力的平臺級產品，我們把它定義為三位一體的 AI 生產力平臺。”
在他看來，曠視目前內部已經擁有了這樣的平臺，它誕生在 6 年前，叫做 Brain++。
Brain++ 由上述開源的天元發展而來。天元負責的是 AI 算法部分，它和 MegData（數據管理平臺）以及 MegCompute（深度學習雲計算平臺 ），一起組成了一個 AI 生產力平臺。
學術領域，曠視藉助 Brain++ 在獲得了 27 個世界級的人工智能競賽冠軍，其中包括 2017 年至 2019 年拿下 COCO 三連冠。COCO 是人工智能領域最具影響力的通用物體檢測挑戰賽，在計算機視覺領域享有很高聲譽。
而在產業方面，曠視依靠 Brain++ 佈局了個人物聯網、城市物聯網和供應鏈物聯網三個領域，並且扎得足夠深入。比如，在個人物聯網領域，Face++ 已經是人臉識別領域的行業標杆。在供應鏈物聯網領域，曠視的客戶心怡科技，藉助 Brain++，實現雙 11 當天拆零出倉八萬多箱貨物，刷新了單倉機器人集群作業的行業記錄。
小作坊和中央廚房
為什麼數據、算法和算力三位一體，就可以被稱之為 AI 生產力平臺？AI 的發展，又為什麼需要生產力平臺作為基礎設施？這要從 AI 算法的生產效率說起。
之前算法生產模式就像一個小作坊，它特點是一個大廚在裡面要幹所有的事，而且全手工操作，包括洗菜、配菜、調味。
對應到算法開發者，洗菜就是洗數據，配菜相當於選模型，後面的烹製、調味和裝盤，相當於算法訓練、調參數和部署。
整個過程費時費力，小作坊廚師一箇中午也許只能為三桌客人提供菜品，而且炒出來的菜好不好吃，完全取決於大廚的廚藝造詣。
好廚師終歸稀少，小作坊如果要做成連鎖店，就需要僱傭大量優秀廚師，成本極大攀升。類似的，企業實現 AI+ 的共性難題，莫過於無法解決場景過小而技術升級投入過大之間的矛盾，因此 AI 解決方案難以落地。
而 AI 生產力平臺好比一箇中央廚房，廚師將擁有自動洗菜機、智能化爐灶和智能鍋等套件工具，他一個人可以服務的桌數大大增加，而且味道有保證。
對應到 Brain++ 上，數據管理平臺 MegData 就是自動洗菜機，計算平臺 MegCompute 就是智能化爐灶，而剛剛開源的天元，就是一套集煎炒烹炸多功能為一體的智能鍋。
在 TensorFlow 還沒開源的 2014 年，曠視就開始著手研發深度學習框架天元。迭代到現在，天元這口“智能鍋”已經覆蓋了從訓練到推理再到部署全流程，不僅自帶菜譜（曠視自己的模型中心 ModelHub）還支持自定義菜譜（模型導入），並且配置了“動靜合一”的顯示屏。
所謂“動靜合一”，即動態圖和靜態圖兼容幷包。“我們經常聽說 TensorFlow 和 PyTorch 是兩個極端：PyTorch 採取動態圖，靈活方便好調試，適合學術科研；而 TensorFlow 採用靜態圖，利於部署，更適合工業界使用。”曠視副總裁謝憶楠說，“但是，產學研自古不分家，曠視想找到一個平衡點。”
因此，天元整合了動態圖與靜態圖各自的優勢，在充分利用動態圖模型訓練優勢同時，通過動靜態一鍵轉換功能，以靜態圖的形式完成生產和部署。此外，天元還支持動靜態的混合編程，靈活性更強。
藉助天元，開發者不再需要重複造輪子。有了這個“智能鍋”，AI 廚師可以把更多精力放在配菜（選模型）和調味（調參數）上，而無需過多關注底層細節。
值得一提的是，在天元之後，Brain++ 的 MegData 和 MegCompute 後續也會逐步開放給企業級用戶。發佈會上，曠視雲服務業務資深副總裁趙立威向業界展示了 Brain++ 商業化的全景。“我們不僅將把深度學習框架開源使用，也將開放數據能力、算力能力給企業級種子用戶，至少能夠先讓一部分企業實現 AI+。”
回到上文提到的一個難題：如果採用傳統模式，小作坊要做成連鎖店，就需要僱傭大量的優秀廚師，成本極大攀升。
採用中央廚房模式，小作坊能在成本可接受的情況下，開成連鎖店。類似的，藉助 AI 生產力平臺，企業要實現 AI+，不再受制於場景過小而技術升級投入過大的矛盾。
在上述發佈會裡，曠視雲服務業務資深副總裁趙立威舉了一個例子：一家制造業領域的工廠，在配電產品質量檢測中，會出現零部件顏色搭配錯誤、字符印刷殘缺等情況，靠人工目檢費時費力效率低，靠機器視覺方案就需要在數據、算法和算力投入大量的人力、物力，且模型效果難以維持。
曠視為客戶提供基於 Brain++ 平臺的智能質檢解決方案後，工廠實現了模型的快速選型、優化和封裝，極大地提升了質檢效率和生產效率。
這個案例也正體現了數字化基礎設施建設的本質——通過通用的底層技術，把物理世界在線化、數字化和智能化，以提高數字經濟的生產效率。
“MegEngine 中文名為什麼叫‘天元’？”這是很多業界人士的疑問。
曠視研究院高級技術總監田忠博說，“天元”在圍棋中，是棋盤的正中心。曠視希望用這種方式，來表達出 MegEngine 是曠視技術戰略大圖最核心的 “佈局”。同時也借“天元”之名指出，像 Brain++ 這樣的 AI 生產力平臺，作為基礎設施對整個產業來說都是非常關鍵的點。
閱讀更多 PingWest品玩 的文章
