乾明 边策 发自 凹非寺
量子位 报道 公众号 QbitAI
时局如此，国产 AI 框架雄心更盛。
气势更足、功能更新力度更大、开发者羊毛更丰厚……而且新发布还不是全部，已获得的成绩也相当亮眼：
先用 AI 算法为中国传统产业节省了 1 个亿。
这就是百度旗下 AI 开源框架飞桨（PaddlePaddle），刚刚秀出的肌肉。
2016 年开源至今，飞桨目前有 150 万 AI 开发者，超过 6.5 万企业用户，在定制化训练平台上发布了 16.9 万个模型。
俨然中国第一大深度学习开源平台。
并且形势所迫，自主可控也成为 AI 框架等基础平台发展要求之一。
所以在此次飞桨更新发布中，也无处不透露着“国家队”担当。
在采访中，百度方面透露，飞桨不仅是完全自主知识产权的深度学习平台，而且在分布式训练的性能以及易用性上，都超过了国内外竞争对手。
那么接下来如何实现更多场景、更全面地同场竞技优势？
此次的九大新产品、上亿新羊毛，以及进一步产业落地，就更值得关注。
九大新产品都是啥？
在“WAVE Summit+”2019 深度学习开发者秋季峰会上，飞桨迎来全面升级。
百度 CTO、深度学习技术及应用国家工程实验室主任王海峰，率先登台分享最新思考，他说：
深度学习正在推动人工智能进入工业大生产阶段，具有很强的通用性，同时具备了标准化、自动化和模块化的基本特征，推动人工智能技术从实验室走向产业，并且越来越大规模使用起来。
而深度学习技术和平台也在不断发展，在未来的时间里也将继续发挥重要作用。我们秉承开源开放的理念，把飞桨平台开源开放，与所有开发者一起，推动科技发展、产业创新和社会进步。
此次飞桨一共有 9 大产品全新发布：包含一个模式、一个端侧推理引擎、四大产品开发套件，三个工具组件。
具体详情如下：
首先，一个模式，指的是飞桨 Master 模式。
百度 AI 技术平台体系执行总监、深度学习技术及应用国家工程实验室副主任吴甜介绍说：
飞桨是一个源于产业实践，与产业共进的深度学习开源开放平台。未来，飞桨将持续发展超大规模分布式计算、异构计算能力，定位于全硬件平台支持、端云边结合，为应用场景提供面向场景的端到端套件，构建融合数据和知识的预训练结合迁移学习的 Master 开发模式，为开发者提供最强大的生产平台和基础设施，加速产业智能化。
核心是依靠百度的强大算力，提升开发者在部署模型时的移动性。
具体来说，开发者只使用自己的少量标注数据，加上飞桨的迁移学习工具，就能将自己的算法模型快速部署到自己的应用场景中。
带来的直接影响，是面向产业场景平台开发时，降低工作量，提升模型的准确度、可靠性。
其次，一个端侧推理引擎，指的是Paddle Lite 2.0。
这一轻量级深度学习推理框架，在今年 8 月份正式发布。
这次的升级中，专注易用性，提供了预测到部署完整工具链，只需要 7 行代码调用 Resnet50，也支持极致轻量级部署。
硬件支持也更加广泛，移动端支持 8 种主流硬件，新增华为 NPU 和边缘设备 FPGA 支持，寒武纪、比特大陆等国产硬件的支持也在路上。在架构设计上对硬件扩展也更加友好。
最后是性能，百度深度学习技术平台部总监马艳军，现场放出了与其他几家主流框架的性能对比图，基本上都是“吊打”状态：
Paddle Lite 2.0 在推理延迟上远远低于其他推理框架
第三，四大面向场景的端到端开发套件，也是飞桨体系中完全新增的模块。
覆盖语义理解、图像分割、目标检测，以及个性化推荐。
包含ERNIE 2.0，一个基于持续学习的语义理解预训练框架，号称在 16 个中英文任务全面超越对标产品。
核心亮点在于，新构建的预训练任务类型可以无缝的加入训练框架，持续的进行语义理解学习。
还有PaddleSeg，产业级图像分割库，提供了 18 个预训练模型，覆盖了 DeepLabv3+， U-Net, ICNet 三类主流的分割模型。
通过统一的配置，帮助用户完成从训练到部署的全流程图像分割应用。
以及目标检测库PaddleDetection，已集成 60+ 预训练模型。目的是为工业界和学术界提供易使用的目标检测模型。
在这个库中，飞桨还提供了许多目标检测小模型，方便给移动端设备使用。
此外新增的套件，是用于个性化推荐的ELASTIC CTR，这一套件源自于百度的产业实践。
可以实现分布式训练 CTR 预估任务和 Serving 流程一键部署，提供了端到端的 CTR 训练和二次开发的解决方案。
最后，三大发布，都聚焦在深度学习领域前沿的工具组件：
PALM，多任务学习框架。
其中内置了模型 backbone（BERT、ERNIE 等）、常见的任务范式（分类、匹配、序列标注、机器阅读理解等）和数据集读取与处理工具。
功能亮点在于易用性，对于典型的任务场景，几乎无需书写代码便可完成新任务的添加。
对于特殊的任务场景，用户可通过对预置接口的实现来完成对新任务的支持。
PGL，图神经网络框架。
提供了一系列的 Python 接口用于存储/读取/查询图数据结构，并且提供基于游走（Walk Based）以及消息传递（Message Passing）两种计算范式的计算接口。
利用这些接口，可以搭建最前沿的图学习算法，结合飞桨核心框架，就基本能够覆盖大部分的图网络应用，包括图表示学习以及图神经网络。
现在，PGL 已有 13 个图学习模型，涵盖图神经网络和图表示学习的主流模型。
PaddleFL，联邦学习框架。
其能力在于复制和比较不同的联邦学习算法。
在 PaddleFL 中，还提供了很多联邦学习策略及其在计算机视觉、自然语言处理、推荐算法等领域的应用，在部署大规模分布式集群中部署联邦学习系统时，也较为容易。
此外，伴随着这次 1.6 版本发布，飞桨还有12 项产品重要升级。比如：
- 提供更多的算子库、简单高效的 API 接口、完善的文档内容，全面提升易用性。
- 升级轻量级模型结构自动搜索 PaddleSlim，增加了基于硬件搜索等能力，打通训练、压缩和部署全流程。
- NLP、CV、推荐系统、语音等各大基础模型库的模型，从原来的 60+ 到了 100+。这其中有多个在 AI 竞赛中夺冠的算法模型，比如在 EMNLP 获得了 10 项阅读理解项目冠军的D-Net。
- Paddle Hub，新增了超参优化 Auto Fine-tune 功能，预训练模型数量大幅增加，支持飞桨 Master 模式。
- 深度强化学习框架 PARL 并行能力升级，支持进化算法。
- Paddle2ONNX 和 X2Paddle 升级，飞桨和其他框架的模型互转更加方便。
聚焦产业场景，上亿新羊毛待薅
所以上述新发布究竟够不够竞争力？
自飞桨开源以来，作为深度学习框架，经常被人拿来与 PyTorch、TensorFlow 两大框架进行对比。
但时至今日，飞桨官方认为已经不能再单纯以 AI 框架视之了。
他们更愿意定位自称：深度学习开源平台。
以百度多年的深度学习技术研究和业务应用为基础，集深度学习核心框架、基础模型库、端到端开发套件、工具组件和服务平台于一体。
在接受量子位采访时，吴甜解释了这一定位背后的考虑：“不同的 AI 框架都有其相应的发展规划，这就是飞桨选择的发展路线。”
现在，百度对外宣称的飞桨四大领先技术时，框架只是其中之一。
而且如今谈 AI 发展，不谈落地都显得太虚。
于是大会主题演讲中，飞桨也重点分享了发展至今的侧重点与发力点：产业。
因为产业之大，转型之需，AI 的降本增效作用简直再明显不过。
在发布会举办前夕，百度还专门发布了一个名为“看中国算法工程师如何手动省出 1 个亿”的视频。
其中在农业、工业制造、质检和电力抢修等方面，AI 算法都在帮助传统产业降本增效。
先节省一个亿，这是飞桨已经完成的小目标。
但 AI 发展，产业场景也已经是各大人工智能平台服务供应商的必争之地，接下来如何面对这种日益白热化的竞争？
飞桨透露的打法是：放羊毛、建生态，与开发者和传统产业一起赢。
一手抓开发者培养和教育。
比如百度响应教育部产学研合作号召，在全国开展深度学习师资培训班，有效地弥补了国内高校 AI 教师缺口。
在一年半的时间里，飞桨已成功举办 8 期培训，培养了 1000 多个 AI 专业高校教师，从教育环节开始，让计算机学生从接触飞桨，将来散落到产业界才能遍地开花。
产业界还有“黄埔学院”，学术界与高校组建联合实验室，飞桨已经和西交、中科大、南大、浙大、大连理工合作，人才联合培养。
另一手给福利。
在今日大会发布最后，飞桨也发布了最新生态激励计划：
- 免费开放 10 多个 AI 课程；
- 支持 100 多所重点高校教学培训；
- 为 1000 多个企业转型提供助力计划；
- 还有百万级的 AI 竞赛奖金和亿元级 GPU 算力资源支持。
- 不过，这两手效果如何、究竟够不够硬，还得经受时间和实践检验。
当然还得经受激烈竞争检验。如今机器学习的框架之争，全球范围内已经沦为 TensorFlow 和 PyTorch 两家的较量，要从这两家手中分一杯羹，仅仅有产业界的支持是远远不够的。
但飞桨现在也算在国内拥有民心和祝愿。
在活动现场上，一则这样的留言格外醒目，或许也是 2019 年潮水方向里的小小注脚：
还是得支持国产深度学习框架啊，免得国外框架垄断，又要跟电脑操作系统和芯片一个结局。
所以，好风凭借力，飞桨要加油。
毕竟天时地利都有，最关键的人心也兼具，唯有拿出更好成绩，才能实现更大雄心了。
你说呢？
来自:
量子位（ID:QbitAI）
