江苏龙网

  1. 首页 > 人文 > >

当AI成为基础能源，华为怎么做？

两个月前 ， 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 。
当AI成为基础能源，华为怎么做？
文章图片
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 ， 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 ， 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 。
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&AIBG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 。
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 。 ”
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 。
【当AI成为基础能源，华为怎么做？】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toB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、toBIT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 。
当AI成为基础能源，华为怎么做？
文章图片
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 。
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Atlas200AI加速模块、部署在云端的Atlas300/800AI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310AI处理器的Atlas200AI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Atlas300/800则能进一步训练和优化AI模型 ， 实现设备的远程升级 。
截至2019年6月 ， 深圳已有1800个 ， 也就是23%的杆塔上安装了Atlas200AI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Atlas200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Atlas800服务器和Atlas300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toC、toB ， 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 。
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AIAPI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 。
当AI成为基础能源，华为怎么做？
文章图片
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Atlas200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 ， Atlas900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% 。
三是用得放心 ， 极致安全 。
服务B端客户多年的华为深知“安全性”对企业的意义 ， 反映到AI能力上 ， 就是要从芯片到系统 ， 层层可信 。 Atlas通过芯片模型加密和授权、系统双机热备份和建立心跳连接 ， 双重保障信息安全 。
用得好、用得起、用得放心 ， 只有这三点的不断演进 ， 才能让AI更靠近工业4.0时代的“基础能源” 。
这三点还有一个共同的前提：从客户出发、从行业需求出发 。
因为与上一代基础能源电力不同 ， 当前的弱AI还不能直接解决各行业的问题 ， “懂行”就变得尤为重要 ， 在AI+行业的当前实践中 ， 不仅要有AI技术 ， 还要知道客户所在行业的流程、商业模式和安全性要求……
这也许是华为做AI+行业的最重要底牌 ， 从1987年成立以来 ， 华为最大的价值观就是那句土土的“以客户为中心” 。
昇腾计算业务CTO周斌博士在此次大会上演讲的结语是：“AI要应用在各个行业里 ， 在我们触手可及的地方 ， 无所不及 。 ”——也表明了华为对于AI的态度 ， 是要以行业、大众的需求为主 ， 让他们感受到AI带来的“实惠” 。
而真当AI开始变得像水、电一样平凡时 ， 也是它返璞归真的时刻 。 这可能也是新技术最酷的一点：事了拂衣去 ， 深藏身与名 。
来源：甲子光年 ， 侵权烦请联系删文 。


    推荐阅读


    上一篇：雄鹿队|LPL赛后采访-FPX Doinb：其实我觉得Khan跟GimGoon上没什么区别

    下一篇：强强组合：二驴散打宣布成立新公司斥资五亿！洋洋洋敢作敢当承认炒作。