什么才是“好AI”？

作者 | 王与桐

编辑 | 火柴Q

两个月前，「甲子智库」在调研了2224家AI企业后，发布的《中国AI产业地图研究》报告中有一组有趣的数字——目前中国的AI企业中，有近8成集中在应用层，其中AI行业解决方案占比高达40.7%，教育、医疗、金融、制造等是AI落地的热门行业。

这从数字层面刻画了一个从业者感受已久的事实：AI+行业，正在成为一个不可抵挡的行业大势，这也是AI避免泡沫风险、走向落地的一个大方向。

在上周刚刚举行的上海2020世界人工智能大会上，AI与行业的结合也成为大会上焦点产品的标配，比如华为面向智慧园区、电力、交通和制造等行业的Atlas人工智能计算解决方案，腾讯云重点支持数字政府、智慧城市、医疗、教育、交通和工业等领域的“一云三平台”新基建布局等。

这背后，是AI的角色正从“阳春白雪”的黑科技变成能普惠千行百业的“基础能源”。

相比战胜人类天才，AI已发展到了一个没那么酷炫、也不易被外人观察的落地阶段。看似“AI无新事”的此时此刻，「甲子光年」将在本篇聚焦这一转折中，中国市场最不容小觑的一支力量——华为。

通过剖析华为以端边云协同AI全栈全场景解决方案Atlas，我们将得以窥见华为在通信、企业级IT服务和消费电子之外的第四块战略布局。

在创新爆发的前夜，AI的角色、定位和标准，都在被改写。

1.兵家必争的“基础能源”

为什么说AI正在成为“基础能源”？

一个直观的表现是，“AI+”的企业数量正在翻倍增长。

据企查查数据，2018年、2019年和2020年上半年的新增AI企业数量分别达到1.9万家、3.2万家和5.6万家，增速则分别是135%和70.1%和 177.5%。

暴增的不是“黑科技”公司，而是“AI+”公司——他们的重点是在各行各业做应用、服务和搞商业。这也与上文提到的“中国AI企业80%集中在应用层”的结论不谋而合。

就像当年的“互联网+”一样，AI正在变成赋能要素，初步显示出类似水、电、煤这样的基础能源特质。

政策上，AI也备受国家重视和看好。2017年3月，AI首次被写进政府工作报告；2020年，AI更是进一步成为了“新基建”的7大板块之一。

最后，从信息技术产业演进的逻辑来看，计算机和互联网之所以带来了经济飞跃，是因为它加速了一种核心生产资料——信息和知识——的积累。

而AI的本质就是帮助人类不断沉淀和产生新知识，以完成特定任务；随着物联网、宽带通信、无线通信的兴起，在工业4.0时代，要实现巨量数据处理和万物互联，都离不开AI。

这也难怪AI成为了兵家必争之地。

具体到华为的AI动作，这家过去低调的老牌科技公司其实行动很早：

在AI风口之前的2012年，华为就成立2012实验室，投入AI和大数据方面的研究；
2017年，华为发布全球首款移动端AI芯片麒麟970，以芯片的一般研发周期来说，这意味着，华为此前至少已进行了一年半到两年的AI芯片研发；
2018年底，华为又对“ICT基础设施业务”进行了重组和优化，将公有云、私有云、AI、大数据、计算、存储和IoT等部门重组为“Cloud & AI”产业群，组建了“Cloud & AI产品与服务”；
到2020年1月，Cloud & AI进一步上升为BG组织，成为继运营商BG、企业BG、消费者BG之外的华为第四大BG，战略地位不言而喻。

而且从华为Cloud & AI BG的业务构成就不难看出，华为是如今中国AI巨头竞争版图中，少有的能同时在数据中心、智能边缘、算法、深度学习框架等AI落地的各上下游环节中都掌握技术、拥有产品的“全栈”型玩家。

考虑到华为本身在通信、半导体上的优势，“全能”特点更加凸显。

这种全面能力的具体产品和方案载体就是华为在2018年10月发布的全栈全场景AI解决方案Atlas。

Atlas目前主要包括智能边缘和数据中心两个大场景，分别通过智能边缘平台和分布式训练平台作为平台支撑，在包含了各类软硬件产品矩阵的同时，Atlas还与华为云EI合作，可直接对场景进行赋能。

2018年10月，Atlas发布时的产品矩阵

华为昇腾计算业务CTO周斌博士在此次人工智能大会上表示，华为想通过Atlas解决方案，实现AI的无限可能。

这也符合华为自2017年起确立的新愿景和使命：把数字世界带入每个人、每个家庭、每个组织，构建万物互联的智能世界。

华为董事、CIO陶景文在人工智能大会的产业发展论坛上也强调了这个愿景：“华为的愿景是——与客户、伙伴共建开放生态，使能万物互联的智能世界。”

2.Why华为？

“使能万物互联的智能世界”，华为的愿景不小，背后底气是什么？

其实陶景文的话很有讲究，包含了以下关键点：万物、互联和智能——这也是当前华为做以云边端协同计算为基础的AI的第一个“组合王炸”：5G+AI+云。

在今年7月初“2020创新数据基础设施峰会”上，华为公司高级副总裁、云与计算BG总裁侯金龙也提到，新基建的核心就是信息网络，而信息网络中的核心又是5G+AI+云的组合：5G是“信息的高速公路”，云和AI是“发动机”。

放眼全球，能同时实现这三个能力的厂商并不多。

华为在5G上的优势无需多言，作为全球排名第一的通信网络运营商，其运营商业务在2020年上半年营收规模为1596亿元；华为是5G标准制定最大的贡献者，其5G相关的专利达到1554族，在全球占比第一；截至今年2月，华为已拿下全球91个5G商用合同。

再看华为云，华为在2017年才真正发力云计算，虽然起步晚，但发展方向明确、优势明显：依托其强大的to B背景为大中型企业做私有云，为中国及全球其他地区做政务云，以及给小企业做标准公有云。

华为的5G、AI、云相辅相成，领先性无需多言。

第二个组合是硬件+软件两手抓。

硬件层面，Atlas的前身就是于2017年发布的Atlas智能云硬件平台；软件层，华为则形成了MindSpore+CANN+行业SDK的开放软件平台。

这种软硬兼备的能力也是当前各厂商中的稀有特质——BAT等互联网科技公司更擅长软件层；新锐AI创业公司因为资源有限，也多是从硬件或软件的某一个角度出发，比如2016年以来迅速发展的计算机视觉四小龙，比如专注做AI芯片的寒武纪和地平线等。而华为多年做通信、to B IT服务的发展历史则构建了一个软硬相对平衡的能力基础。

第三个组合是华为的云、边、端协同能力。

目前，华为在云、边、端的各个场景都实现了算力覆盖，并且基于相同架构进行设计，让训练模型可以在各侧自由流动。

以检验端侧故障为例，显示端侧的视频流传输到边侧，在边侧的智能边缘平台进行推理、识别，如果全部识别则下发回端侧；如果有未识别数据，则再传至云端管理平台，进行模型训练，再将升级后的模型回传到边侧平台。

Atlas 边端云全产品线

在以上三重组合能力的支持下，华为Atlas发布不到两年的时间，已有多项落地应用，且优势点明显。

首先，Atlas非常适合需要打通数字世界和物理世界的AIoT场景，这也是从性能、稳定性角度出发，目前AI落地最复杂的场景。

这类场景的典型代表是经济链条前端的基建、制造和物流等环节，其特点是需要5G等通信能力支撑云端、边缘端和终端的设备、传感器之间的连接和协同，部分场景还涉及传动器直接代替人进行控制和行动；同时，这类场景也往往是“关键任务”场景，对稳定性和安全性要求高，一旦出错，风险和损失极大。

一句话，5G、AI、云缺一不可，这正是全栈式AI方案大有可为之处。

比如华为与南方电网合作的智能巡检解决方案就是一个典型例子。

仅以华南电网覆盖的深圳一地为例，当地供电局输电管理所管辖的杆塔多达7700多个，线路长达4000多公里。传统的人工巡检方式下，巡检员每年巡线行走路程约2500公里，相当于从深圳一路走到北京；而且巡检员还需要爬上动辄二三十层楼的高塔，在寒冬、酷暑等各种环境中工作。这是一项高危、艰难，亟需智能化改造的工作。

来源：新华网

而华为Atlas则能更有效用AI辅助甚至替代人工巡检。

具体来说，这一方案由部署在边缘的Atlas 200 AI加速模块、部署在云端的Atlas 300/800 AI加速卡和相应的算法、软件组成。

其中，火柴盒大小的、内含昇腾310 AI 处理器的Atlas 200 AI加速模块直接部署在杆塔上，能实时分析摄像头和无人机拍到的图像、视频，自动、就地、实时监测故障，对异常情况进行报警；这解决了前几代的智能巡检方案中，监测有时间间隔、回传数据量太大、分析工作繁重的痛点。

当故障数据上传至云上监控管理平台后，部署在数据中心的Atlas 300/800 则能进一步训练和优化AI模型，实现设备的远程升级。

杆塔上的Atlas 200 AI加速模块

截至2019年6月，深圳已有1800个，也就是23%的杆塔上安装了Atlas 200 AI加速模块。

过去户外人工花20天才能完成的巡视，如今只需2小时就可搞定；这一方案对外力破坏等风险的实时识别准确率可达90%，系统成本则能降低30%。

在电网这类基础设施的数字化升级之外，同样对稳定、安全和打通数字与物理世界有强需求的制造业，也是Atlas拿手的场景。

华为正在内部多条产线实践智能制造，“用Atlas智造Atlas”——华为昇腾计算业务总裁许映童在今年6月底曾透露，目前，他们已在生产Atlas硬件产品的产线上使用了AI视觉质检方案。

通过在传统机器视觉上增加人工智能推理卡，识别准确率从过去的90%提升到了99.9%以上，工序耗时则从180秒下降到了5秒。“这就是人工智能革命性的力量。”许映童说。

第二，凭借华为软硬能力兼备的优势，Atlas，尤其是其边缘智能方案，还适宜应用在对性能、功耗的平衡有极致要求的场景。

其实对能效的苛刻要求是大量行业AI应用的共同特点。由于不同行业的流程、成本敏感性和特点不同，具体需求也不同；除算法实力外，要做好AI+行业应用，尤其需要能满足各种能效需求的技术、工程实力和行业认知。

还是以华为与电网智能巡检解决方案为例，当时做AI大脑对华为来说并不难，但中间的波折在于，第一版方案中，部署在杆塔的Atlas 200加速模块的功耗超过10瓦，而金三立提供的在线监测转职中的电池容量是恒定的，除支持Atlas外还要支持其他传感器、摄像头的用电。

功耗10瓦+的加速模块虽然是个可以用的产品，但考虑到改造成本和能源成本，还不足以商用。

最后，华为的研发团队通过优化算法和减少不必要接口的方式，成功把功耗降低到了3瓦以内，这才有了现在已覆盖深圳近1/4杆塔的Atlas智能巡检方案。

在较好地积累了AI+行业应用最难落地的生产端、制造端的经验后，Atlas也在其他行业拓展了不少新市场，比如医疗领域。

基于Atlas 800服务器和Atlas 300推理卡提供的AI算力底座，华为联合意大利AGS等合作伙伴，打造了AI医疗影像辅助诊断系统，以往人工CT阅片需要10~15分钟才能识别的病症，现在10~15秒就可精准识别，准确性也从90%提高到了99%。

在此次人工智能大会上，华为昇腾计算业务CTO周斌首次透露，通过Atlas识别医疗影像，可让新冠肺炎诊断效率提高50倍。

除了技术和产品上的进化和布局，华为做AI，还特别重视行业服务能力和生态的建设，把复杂留给自己，把简单留给客户。

在服务能力上，首先，华为在通信、半导体、计算等IT服务领域有三十多年的经验。

截至目前，华为在全球170+个国家和地区设立了122+个国家级备件中心、1000+备件库，有3900+服务伙伴。正因为长期的服务经验积累的行业认知，华为才能对多行业的客户需求有深刻、敏锐洞察。

此外，华为习惯“自己的降落伞自己先跳”，这是一种对客户负责的态度。

华为本身就是一个典型的企业级大客户，有19.4万名员工、600个办公园区、数十万合作伙伴，业务涵盖to C、to B，软件、硬件，主要流程涵盖研发、供应、制造、工程、服务和后勤保障。这些丰富的场景本身是Atlas实现AI+行业应用创新的土壤。

“你只有把产品运用在生产过程中，才能够知道这里面存在哪些问题，我们会持续不断地通过自己去使用发现问题，不断地去改进，有一个迭代的过程。”华为昇腾计算业务总裁许映童说。

在生态建设上，华为的总原则是做强基础，开放简单易用的产品和服务，以满足不同客户、不同场景、不同行业的多种需求。

目前，华为的生态计划主要面对两类人群：一是和高校的科研教育合作，培养AI人才、在AI基础方法领域形成突破；二是面向开发者、行业客户，为开发者社区提供开源支持，以帮助开发者快速获取AI应用案例并实现业务迁移。

为此，华为发布了“昇腾万里合作伙伴计划”和“合作伙伴独立生态计划”，并在去年宣布在未来五年投入15亿美元，帮助全球开发者以“鲲鹏+昇腾”为中心，进行开源开放的产品和服务创新。

在打造AI解决方案这件事上，华为似乎正在甩掉以往的强势身影，而更多表达出开放姿态。

3.什么才是“好AI”？

开放的背后，大的行业逻辑是AI的前途很光明，但道路尚有曲折，目前应该团结一切可以团结的力量，一起铆足劲做大蛋糕。

与仍在井喷的新增AI企业数量不太相称的事实是，目前AI技术的渗透率并不高——华为昇腾计算业务总裁许映童在上周的世界人工智能大会上提到，AI技术在所有行业的渗透率不足4%。

整体渗透率低的一个重要原因是AI的使用门槛还是相对高，无法直接赋能行业。这也涉及到一个非常值得行业思考的大问题：什么才是当下被需要的“好AI”？

一个明显的转变是，随着“全民AI”的热潮消退，真正密切关心AI发展的更多是从业者和需求方；相应的，对“好AI”的评价标准早已不再仅是算法、技术本身，不是论文数量。人们对AI的期待正在从“好酷”变成“好用”。

好用包含好几个层面：

一是用得好，也就是开放易用。

这是AI门槛降低、赋能千行百业的基础。

因此，近年来各巨头都在此下功夫。越来越多的公司都在推出AI API和针对各行业的SDK等，把底层技术封装，让技术略弱的合作伙伴也能享受“AI”的红利。比如华为即将发布针对制造业的第一个SDK，包含端到端流程、训练+推理+工控机交互等，对企业而言简单易用。

这一动向的另一表现是中国AI领域开源领域的快速发展，华为也参与其中。虽然开源项目不多，但华为已有鸿蒙OS、方舟编译器和自研AI框架MindSpore等技术宣布开源，并且积极参与国内外的开源活动。

二是用得起，不仅要有超强算力，还要有更优能效。

在创新爆炸的工业4.0时代，需要巨量的算力，这对企业来说无疑是一项大开支。因此在满足同等算力的情况下，谁能给伙伴省钱，谁就能获得更多订单。

这恰好是Atlas的优势。

Atlas的性价比很高，因为在同等面积下，其底层达芬奇架构的算力是业界芯片架构的2倍。

并且，由企业承担的成本和投资也很低，以上文提到的Atlas智能巡检方案为例，其相机内嵌Atlas 200加速模块，平均功耗比业内其他AI模块低80%，算力大的同时还能满足边缘端低功耗要求；在数据中心，耗能的大头是服务器，Atlas 900是业内首个全液冷AI集群，其PUE（数据中心总能耗/IT设备能耗）<1.1，同等算力节省电费60%、机柜数节省80%。