18世紀60年代，當蒸汽機被發明時，絕大多數人并沒有意識到“工業革命”的到來；

1946年ENIAC問世時，人們也意識不到，計算機會在半個世紀后，成為支撐社會運轉、科技創新的基礎設施；

即便是2005年，人們也想象不到無需現金，僅用一部手機就可以解決衣食住行的幾乎所有需求；無需單獨的相機，也可以隨時隨地記錄身邊的點滴。

每當顛覆性技術誕生時，人們總會低估它給社會經濟帶來的影響，只有在數十年后對歷史加以總結時，它的價值才會被定義。

就像比爾?蓋茨所說：我們總是高估在一年中能夠做到的，而低估五年或者十年中能夠做到的。

如今，這個主角輪到了“人工智能”。

2022年，AI產業鏈初步完善，各行業需求不斷涌現，從業者們高舉「AI進入千行百業」旗幟擴大市場，一些先行者更是成功IPO。

降本增效、數字化轉型、數字經濟……紛紛成為當下AI產業化相關的熱點詞匯。引領第四次工業革命和生產力的迭代，AI的這些價值更是多方共識。

但10年后、50年后的AI圖景，沒有人能夠清晰描繪。AI的發展是否會像今天我們所預測和定義的那樣——

以我們當前的視野，給不出準確答案。

面對AI的星辰大海，我們才剛離開地球表面。

身處產業變革的漩渦之中，或許很難看到AI的終局，但AI算法的“超大規模”和“精細化”，至少是通往這一終局的必經之路。

超大規模和精細化趨勢下，AI亟待工業革命

所謂超大規模，即AI算法無處不在——

算法數量會像APP數量一樣，呈爆炸式增長，深入到生產、工作、生活的每一個細枝末節，成為城市管理、企業發展的重要資產。

正如今天智能手機應用商店中動輒數百萬的APP種類，算法幾乎覆蓋了各類人群、各行各業的各種需求。其中有很多，都已成為了我們的日常生活的一部分。

所謂精細化，即單一AI算法的功能會越來越細分，而無數個細小的AI算法，會根據不同行業、不同場景、不同設備的使用需求，組合成復雜度極高的AI應用。

在這樣的趨勢下，很快，每一個我們習以為常的AI應用，可能都會成為由成百上千種算法組成的復雜智能體。

精細化也會帶來AI的場景化，換言之，即是需要根據客戶自身的實際情況和需求特點，針對性地訓練適用于不同垂直和細分場景的AI算法。

但隨著場景的不斷發掘，來自客戶的定制化需求數量也會快速激增，這會給AI的落地帶來更多挑戰，針對每一個需求專項定制不僅增加成本，還會拖慢落地周期。

僅看社區管理一域，算法需求就包含垃圾溢出、高空拋物、口罩檢測、車輛違停識別、電動車進電梯、住戶居民摔倒、電梯困人等大量細碎需求。制造、能源等領域也類似。

而同一個模型在不同場景，其適用程度也不相同。

以火焰煙霧識別為例，放在社區街道，有人點煙肯定無需報警，放工地里，火花大如電焊也無需提醒，但在加油站，需求又變成一點火星也不能放過。

這些場景雖然給算法帶來了大量碎片化的長尾需求，但仍是社區管理智能化必不可少的一環。

然而這類長尾場景有一個顯著的特點，那就是樣本數據稀少，可用于訓練的高質量數據集更是奢侈品。

因此，在開發過程中，很多時候需要現場采集數據進行初代訓練，并在算法上線后持續迭代。只有經驗豐富的算法工程師才能在有限數據量下，訓練出一個精度還不錯的算法。

而在“超大規模”和“精細化”趨勢下，AI算法的終端部署適配，更是AI落地又一大隱藏痛點。

算法要想使用效果好，芯片適配是必要的過程。

這項工作展開說，要針對不同芯片，編寫不同工具鏈的開發工具包，還要針對終端芯片性能進行量化調整，以盡可能提高芯片的利用率。

目前，市場大部分AI企業只做適配了NVIDIA、高通等主流品牌及自研芯片，如若用戶所用芯片不在適配范圍內，就需要額外花費至少2~3個月的時間進行單獨適配，即便如此，芯片的利用率可能仍只有不到10%，造成極大資源浪費。

在傳統的開發模式下，從業務問題的定義，到數據的采集和標注，算法模型的設計、調參、訓練、調優，再到模型的芯片適配和性能評估——

整個鏈條不僅繁雜、周期長，且需要大量的人工參與，整個過程通常往往需要數月之久。算法利用率的不確定性，更會增加算力成本。

這種“必須人工，才能智能”的工匠精神，在面對未來的海量需求時，就會力不從心。

用手工劃船，不可能離開地球表面。大家期待AI能夠帶來第四次工業革命，解放更多勞動密集型的工作，但AI自身，卻又成為了勞動密集型產業。大量研究院和工程師們的重復勞動，又有誰來解放？

此外，深入產業落地，也需在標準化與定制化的博弈中左右抉擇。

此前，算法SDK、SaaS服務盛行，很多企業希望借此逐漸將產品標準化，實現規模發展。結果卻發現，AI越是深入產業，碎片化、非標準化需求越多，依靠單一模型通用解決所有問題的是一個行不通的商業模式。

而做定制化方案、總包集成項目，又會陷入成本高、利潤低、賺不到錢的困局，成為AI企業們不愿意接的苦力活。

AI產業化供需之間的巨大溝壑，商業模式的束縛，亟待生產力和生產關系的重構。AI自身，也需要一次工業革命。

AutoML，告別手搖織布機的AI時代

其實，各路前沿玩家很早就意識到了這個兆頭，并開始著手解決。

有人增派人手潛心深入行業，對新增算法逐一研發，躬身入局與行業強綁定，初期就著手構建完整方案教育市場，下場做了很多集成工作。

也有人上馬超算中心，建立大模型大裝置，希望能一口氣解決所有問題。

還有一種新的方式，不但要做到AI開發的“降本增效”，還要降低使用門檻形成行業普及——

用AI的方式解決AI需求，其底層技術來自AutoML，主打兩個字：高效。

技如其名，AutoML指的是在機器學習各階段減少人工參與，把“工匠手工打造”變成“流水線自動化作業”。

從模型的結構設計到調超參、從訓練到模型的精簡壓縮、還有芯片的適配和部署……在不同階段采用自動化方案，讓機器替代人工完成調參、數據處理等等繁復工作。

核心理念即用AI訓練AI。

因AutoML將對原有底層框架、以及合作模式的重塑，有圈內人將其稱為：人工智能2.0階段的標志。

作為AutoML的提出和嘗鮮者，谷歌已經快速進行了相關布局，還有一些初創公司，也積極開展AutoML創新，成為AI行業賦能百業的踐行者。

革新AI的生產力和生產關系

反映到實際的產業應用中，AutoML有多高效？

深圳初創公司“共達地”的兩名產品經理基于公司的自動化訓練平臺，只用2~3周時間，便快速訓練完成了超過100個算法，涵蓋了目標檢測追蹤、圖像分類、語義分割、姿態檢測、3D檢測等五個大類視覺算法，覆蓋80+個碎片化應用場景以及70+款AI芯片。

簡單換算的話，原本算法開發到部署需要至少半年，現以自動化方式，半天就能完成，效率指數級增長。

但將AutoML全面帶向商業市場，還需要從客戶價值角度出發，幫助客戶以更低的成本快速上手，創造生產力的革新；同時，聯動產業上下游，優化產業的供需體系，實現生產關系的重塑。

首先，是生產力的革新。

雖說AutoML號稱「自動」，但對非AI技術出身的產品經理、數據分析師等群體來說，仍屬于「搞不明白」的頭痛工具。

有別于科技巨頭僅用其提升內部技術人員工作效率，共達地在開發Pipeline上進行全鏈條自動化改造，讓不懂AI的業務人員也能使用AI，大幅降低AI的使用門檻，做企業背后的無限的AI生產力。

從圖中可以看出，共達地全流程實現了0代碼低門檻使用AutoML訓練自己想要的AI，用戶只需要簡單的點選按鈕，就可以根據自身需求，自助式上傳訓練數據，平臺即可自主完成模型設計、訓練和調參，短時間內就可訓練出一個高質量的AI視覺算法。

目前，該平臺已覆蓋行業90%以上常見任務，大類涵蓋：檢測、分割、分類、人體、3D等方面算法。數據采集標注也可交給共達地合作方，產品經理和業務專家們只需負責定義需求，即可快速完成落地，實現“定義即所得”。

由于現實中，很多中小企業對于碎片化場景算法有迫切需求，該團隊還聯合數據廠商，快速推出了自動化「算法商城」——

讓客戶能夠以0代碼、即插即用的方式，快速將AI算法應用于自身業務鏈條當中，實現智能化升級。

目前，這一商城包含近百個場景，適配70余款芯片的5000多種高精度算法，供客戶直接使用。

第二，是生產關系的重塑。

通過開放賦能，將AI交付能力賦予廣泛的生態合作伙伴，共同踐行將AI賦能百業。

目前，AI產業鏈囊括了數據廠商、芯片廠商、基礎設施廠商等多個不同環節的角色，共達地企業定位于開放，因此，在通過AutoML平臺重塑產業鏈的過程，保持了對各環節伙伴的充分開放性。

以針對芯片廠商的適配為例。

由于不同芯片平臺都會基于自身芯片硬件架構特性，開發自己的工具鏈，在AI模型生成和部署環節中，需要兼顧各個不同芯片平臺的硬件適配性和利用率。

共達地AI平臺在SDK層面會整合不同工具鏈，完成模型到終端芯片的自適應轉換，滿足AutoML訓練平臺生成的模型能夠一鍵下發至終端設備，并讓AI算法模型發揮充分效能。

基于AutoML的高效，共達地完成了幾乎所有主流芯片與盒子的預適配，可以將芯片利用率提升至50~60%，相較于10%利用率的行業普遍水平，大大提升了算力效能。

不僅僅是量變，更是產業變革的奇點

從過去一個算法需要一群AI工程師專項開發數月時間，到如今一個身處業務一線、不懂算法開發或代碼編程的產品經理，一鍵三連，就可以根據自身需求，高效率地自主生產高質量的算法。

AutoML帶來的不僅僅是量變，更是產業變革的奇點。

當前，已有越來越多圈內企業開始應用AutoML技術改變AI開發模式。很多企業正是受益于共達地的自動化訓練平臺和算法商城。

基于AutoML技術，共達地與客戶共創共建，針對各行各業海量的垂直和細分領域的場景化AI需求，共同進行業務問題的定義，幫助客戶實現算法的高效定制及下發部署，快速滿足各類定制化需求，提高開發效率，降低人力和研發成本，與客戶合作共贏。

例如央企旗下城市服務科技公司，平安智慧城市，就放手嘗試應用AutoML技術為其生產多場景的算法。

通過共達地的自動化訓練平臺，平安智慧城市的開發者無需編代碼，即可進行違規停車檢測、井蓋丟失或損壞檢測、煙火檢測、占道經營檢測等碎片化場景的算法模型訓練，還能一鍵到端部署。這一過程中，一路算法開發到部署花費時間最快只需數小時。

又如，在智慧交通的應用場景中，湖南省某市的交通管理部門在建設相關項目時，千視通便使用了共達地的AutoML自動化訓練平臺，定制了“行車未系安全帶識別”、“行車打電話識別”等有關安全駕駛的一系列相關AI視覺算法。

在幾乎沒有投入AI算法工程師的情況下，兩周之內便完成了各類復雜交通場景下的AI算法模型訓練。

這些案例也都鮮明地印證了AutoML對于AI超大規模和精細化發展的不可或缺性——

讓AI應用從只由幾個算法整合而成、只能完成單一任務的簡單智能體，逐漸進化成由海量算法構成、具有綜合能力的復雜智能體，從而完成各式各樣的復雜任務。

如果將AI比作一架飛機，那么初始的AI應用就像萊特兄弟打造的第一架飛機，結構簡陋，只能飛行12秒。而未來的AI應用，就像今天動輒數百萬零部件的客運飛機，每天都可以把人從地球一端送到另一端的目的地。

正如共達地的公司寓意“共同到達目的地”，幫助別人成功的同時，自己也獲得成功。

對此，共達地創始人兼CEO趙叢還有個有趣的總結：做AI不一定要成立AI團隊。

對企業來說，通過共達地自動化訓練平臺，可以讓碎片化的中長尾場景的AI算法快速落地，部署后也能快速優化迭代、持續升級，從而不斷獲得附加價值。

0代碼低門檻的開發方式，也將AI人才的門檻降到最低，賦能集成商、方案商、渠道商快速具備靠譜的AI能力，讓AI算法的開發不再成為發展的負擔，而是化作提高競爭力和效率的武器。

更進一步看，有了自動化訓練平臺和算法商城，共達地無需踏入行業一線做總包集成項目、無需觸碰最終應用，而是成為企業背后的算法賦能者，用AI生產力和生產關系的變革，創造新的商業模式——

通過降低AI技術的單位應用成本，逐步幫助上下游企業進行AI技術賦能，大家形成長期且深度的合作，依托它們進入各個行業，最終實現規模效應，完成AI賦能百業的目標。

降低單位成本，用規模效應描繪AI未來

回看開篇所述，人們之所以會低估顛覆性創新技術所帶來的價值，或許正是因為，這項技術尚未實現規模化效應，其應用的成本并沒有降低到行業所能接受之程度。

《Prediction Machines》一書中提到，某種基礎產品的價格大幅下跌時，整個世界都可能發生變化。

蒸汽機的出現，并沒有立即點燃工業革命，而是在單位成本下降，得到大規模應用后，才開啟了以機器代替手工勞動的時代。

電子管計算機的出現，也沒有立即掀起人類的科技革命，直到超大規模集成電路的出現，加上電子設計自動化的逐步發展，才真正推動了PC走入千家萬戶。

AI時代，這一幕又再次上演。

在AI規模化落地，并以賦能百業為目標的大趨勢下，挑戰即是機遇。倘若不徹底改變成本高昂、效率低下的傳統開發路徑，經濟性的不足，會嚴重阻礙人工智能的發展。

而以顛覆性的效率革新，實現AI算法的批量式、大規模生產，并快速投入到產業的毛細血管當中，幫助客戶以指數級的效能提升，構建數字化轉型的核心資產，才可能讓AI走進各行各業。

沒有時刻追求耀眼，卻在腳踏實地地提供行業新思路。用技術創新掀起AI的規模效應，或許這，就是共達地相信的AI未來。