近日，共達(dá)地聯(lián)合英特爾發(fā)布《AutoML平臺應(yīng)用白皮書》（以下簡稱“白皮書”），對超大規(guī)模應(yīng)用及算法精細(xì)化趨勢下，人工智能如何與硬件端有機(jī)結(jié)合，實現(xiàn)更高效的交付與更流暢的部署進(jìn)行了系統(tǒng)闡述。這是硬件產(chǎn)業(yè)AI化升級的一次前瞻性嘗試，為AIoT的全面落地及AI賦能產(chǎn)業(yè)智能化轉(zhuǎn)型的加速實現(xiàn)進(jìn)行了重要探索。

對于本次合作，英特爾認(rèn)為，AI的廣泛應(yīng)用是近年來最具顛覆性的趨勢之一，推動 AI算法在實際業(yè)務(wù)中的應(yīng)用，已經(jīng)成為企業(yè)實現(xiàn)智慧化轉(zhuǎn)型、挖掘數(shù)據(jù)價值的重要方式。得益于英特爾與共達(dá)地的合作，用戶不再需要關(guān)心算法流程，只需定義場景和需要部署的算法，便可使用共達(dá)地 AI 自動化訓(xùn)練平臺和自動化算法商城訓(xùn)練的算法快速在英特爾® 平臺上進(jìn)行部署，從而降低部署門檻與成本。

共達(dá)地創(chuàng)始人兼CEO趙叢博士認(rèn)為，共達(dá)地此次與英特爾的合作，通過共達(dá)地 AutoML 平臺與英特爾® 視頻AI計算盒的整合應(yīng)用，實現(xiàn)了算法從數(shù)據(jù)分析、模型設(shè)計、超參調(diào)節(jié)、模型訓(xùn)練到模型部署、迭代優(yōu)化的全流程自動化，真正讓企業(yè)不用成立AI團(tuán)隊，也能順暢使用AI技術(shù)。

共達(dá)地x英特爾，算法精細(xì)化趨勢下的強(qiáng)強(qiáng)聯(lián)合

近年來，得益于云計算、大數(shù)據(jù)等領(lǐng)域的快速發(fā)展，AI開始充分與硬件結(jié)合，實現(xiàn)超大規(guī)模應(yīng)用。IDC 調(diào)研數(shù)據(jù)顯示，包括軟件、硬件和服務(wù)在內(nèi)的 2022 年全球人工智能收入預(yù)計同比增長 19．6％，達(dá)到 4，328 億美元，預(yù)計 2023 年可突破 5，000 億美元大關(guān)。

但是AI模型的構(gòu)建、訓(xùn)練、優(yōu)化與部署通常伴隨著高門檻、高成本、長周期等特點，這使得當(dāng)下的人工智能技術(shù)主要應(yīng)用于安防監(jiān)控、金融風(fēng)控、智能手機(jī)等需求統(tǒng)一、場景單一的業(yè)務(wù)領(lǐng)域，形成頭部玩家集中、中小企業(yè)競爭激烈的格局。

與此同時，隨著數(shù)字經(jīng)濟(jì)建設(shè)與產(chǎn)業(yè)智能化轉(zhuǎn)型加速，真實業(yè)務(wù)場景中出現(xiàn)越來越多碎片化、長尾化的需求。例如，在智慧城市建設(shè)中，除通用的安防監(jiān)控外，也需要通過AI技術(shù)識別高空拋物、煙火、占道經(jīng)營等風(fēng)險以實現(xiàn)智能化管理；在工業(yè)領(lǐng)域，除人臉識別打卡外，針對成百上千種不同類型零部件的多種缺陷進(jìn)行自動化檢測，對提高生產(chǎn)質(zhì)量和生產(chǎn)效率至關(guān)重要。然而，因場景碎片化、需求個性化、數(shù)據(jù)難采集等特點，市面上已有的算法適配度低，定制化開發(fā)新算法成本高、復(fù)用性低，導(dǎo)致需求長期無法得到滿足。但這類需求約占據(jù)人工智能應(yīng)用市場的96％，并呈井噴式發(fā)展趨勢，是“隱形的主流需求”。

在此背景下，AutoML的概念進(jìn)入舞臺中央。AutoML是指通過AI開發(fā)流程自動化，在無需專業(yè)算法工程師介入的前提下，實現(xiàn)快速、高效地AI開發(fā)與部署，以適配碎片化場景下的個性化算法定制需求。共達(dá)地就是一家立足于為行業(yè)提供自動化、平臺化人工智能開發(fā)服務(wù)的公司，通過共達(dá)地的AI全自動化訓(xùn)練平臺，企業(yè)無需搭建專業(yè)算法工程團(tuán)隊，就能即刻擁有小時級的 AI模型生產(chǎn)能力，大幅降低 AI 開發(fā)成本、部署周期和使用門檻，工業(yè)化實現(xiàn)精細(xì)場景中AI算法的高效定制及端到端的重構(gòu)、訓(xùn)練、優(yōu)化與部署。

本次共達(dá)地與英特爾的廣泛合作，將充分利用英特爾® 至強(qiáng)® 可擴(kuò)展處理器、英特爾® 視頻 AI 計算盒、以及英特爾® OpenVINO™ 工具套件分發(fā)版（OpenVINO™ 工具套件）等軟件工具，實現(xiàn)硬件與AI技術(shù)的彈性結(jié)合，為企業(yè)與開發(fā)者在多元場景下適配更易用、更流暢、更靈活的智能硬件提供了成熟答案。

AutoML深入產(chǎn)業(yè)，提升產(chǎn)業(yè)轉(zhuǎn)型效率

白皮書顯示，共達(dá)地的AI全自動化訓(xùn)練平臺目前已在智慧城市、智慧園區(qū)、智慧社區(qū)、智慧交通、智慧金融網(wǎng)點、明廚亮灶、智慧工地、智慧工廠、智慧油站等多個領(lǐng)域應(yīng)用落地，為客戶帶來低門檻、高效率的轉(zhuǎn)型體驗。

例如，在某智慧城市建設(shè)項目中，共達(dá)地與平安智慧城市達(dá)成合作，針對城市治理中的碎片化需求，構(gòu)建了“自動發(fā)現(xiàn)、自動預(yù)警、即時處理”的一站式AI解決方案。面對層出不窮的新場景、新需求，傳統(tǒng)解決方案從需求評估到到測試迭代通常需要數(shù)月時間，但共達(dá)地AI自動化訓(xùn)練平臺可在數(shù)小時內(nèi)完成違規(guī)停車、井蓋丟失、損壞檢測、煙火檢測、占道經(jīng)營等多個碎片化場景的算法模型訓(xùn)練。目前這些模型已經(jīng)率先在平安智慧城市的多種機(jī)器人中搭載上線，在實際應(yīng)用中準(zhǔn)確率遠(yuǎn)超行業(yè)平均水平。

在與某大型牧場的合作中，客戶想要加強(qiáng)對奶牛的精細(xì)化管理，但這類需求很難在既有算法市場得到滿足，同時囿于數(shù)據(jù)采集困難、復(fù)用率低等特點，定制難度較大，給牧場轉(zhuǎn)型帶來了極大的障礙。共達(dá)地通過接通牧場的監(jiān)控錄像進(jìn)行數(shù)據(jù)提取，完成了基礎(chǔ)數(shù)據(jù)采集和標(biāo)注工作，并在數(shù)小時內(nèi)完成了AI能力的建構(gòu)，一周后便進(jìn)行了有效交付。AI 算法對奶牛的站臥狀態(tài)檢測、進(jìn)食自動噴淋檢測和草垛狀態(tài)檢測均取得了良好效果，還能以天為單位采集現(xiàn)場的數(shù)據(jù)，回傳給自動化訓(xùn)練平臺，進(jìn)行算法的自主學(xué)習(xí)、快速迭代，幫助牧場實現(xiàn)更科學(xué)、更精細(xì)的飼養(yǎng)。

除了針對通用場景中碎片化需求的快速定制和針對特殊場景的算法強(qiáng)化，共達(dá)地還基于對行業(yè)上90％常見任務(wù)的理解，推出“算法商城”以滿足中小企業(yè)在碎片場景的迫切需求。目前算法商城包含近百個場景中適配百余款芯片的5000多種高精度算法，供客戶以0代碼、即插即用的方式，快速將AI算法應(yīng)用于業(yè)務(wù)鏈條中，實現(xiàn)智能化升級。

實驗數(shù)據(jù)顯示，相比于傳統(tǒng)方式，共達(dá)地 AutoML 技術(shù)在模型調(diào)參上可節(jié)省約80％的時間，在模型搭建上可以節(jié)省超90％的時間。也就是說，對于客戶而言，產(chǎn)業(yè)智能化轉(zhuǎn)型將不再是一場耗時數(shù)月甚至數(shù)年的復(fù)雜工程，共達(dá)地AutoML自動化AI訓(xùn)練平臺通過高效率、高適配、高精準(zhǔn)，重新劃定了產(chǎn)業(yè)智能化轉(zhuǎn)型的起跑線，通過技術(shù)變革讓轉(zhuǎn)型進(jìn)入快車道。

共達(dá)地針對不同用戶需求的支持方案

軟硬一體＋生態(tài)聚合，讓AI為產(chǎn)業(yè)發(fā)電

人工智能和機(jī)器學(xué)習(xí)領(lǐng)域的國際權(quán)威學(xué)者吳恩達(dá)曾樂觀地宣稱：“人工智能是新‘電能’……正如100年前電能幾乎改變了所有行業(yè)一樣，今天我真的很難想到有哪個行業(yè)在未來幾年內(nèi)是不會被人工智能改變的�！比欢�研究表明，AI領(lǐng)域的人才缺口在2022－2024年將達(dá)到150萬。此外，高門檻帶來的高薪資，也給這項技術(shù)的廣泛商業(yè)化帶來現(xiàn)實障礙。

從這個角度講，作為推動產(chǎn)業(yè)變革的人工智能產(chǎn)業(yè)本身就需要一場內(nèi)部革命，即變革算法的生產(chǎn)模式，以更輕量、更靈活的方式適配業(yè)務(wù)需求，產(chǎn)生真實可見的產(chǎn)業(yè)價值，并在這個過程中推動業(yè)務(wù)數(shù)據(jù)沉淀，反哺算法迭代，形成“技術(shù)－產(chǎn)業(yè)”間的正向循環(huán)。

“軟硬一體化”是人工智能落地的重要前提。本次共達(dá)地與英特爾的合作，就是讓算法賦能硬件，讓“大腦”指揮“四肢”的一次重要嘗試，為實現(xiàn)個性化場景下的標(biāo)準(zhǔn)化交付提供了技術(shù)基礎(chǔ)與生態(tài)基礎(chǔ)。

在技術(shù)方面，交付周期的縮短和準(zhǔn)確率的保障，為產(chǎn)業(yè)質(zhì)變提供了效率基礎(chǔ)。傳統(tǒng) AI 算法大多使用公開數(shù)據(jù)集進(jìn)行模型訓(xùn)練，在部署到實際落地場景時，還需要工程師采集現(xiàn)場數(shù)據(jù)并進(jìn)行針對性的迭代優(yōu)化，耗費時間可能長達(dá) 1～2 年。共達(dá)地可快速部署算法，并使用 AutoML 訓(xùn)練平臺自動收集現(xiàn)場數(shù)據(jù)，以天為單位進(jìn)行自動迭代優(yōu)化，從而能夠高效滿足用戶需求。

更重要的是，實驗數(shù)據(jù)顯示，在同等數(shù)據(jù)條件下，由共達(dá)地 AutoML 方案自動化訓(xùn)練實現(xiàn)的模型精度優(yōu)于中高級算法工程師所實現(xiàn)的模型精度。以 “鳥類識別”算法為例，算法工程師訓(xùn)練 RetinaNet 網(wǎng)絡(luò)實現(xiàn)的檢測準(zhǔn)確率（MAP）為 4．8％，傳統(tǒng)算法使用網(wǎng)絡(luò)結(jié)構(gòu)搜索（NAS）與超參數(shù)優(yōu)化（HPO）實現(xiàn)的準(zhǔn)確率為 15．2％，而共達(dá)地使用數(shù)據(jù)分析 ＋ 自動方案設(shè)計實現(xiàn)的準(zhǔn)確率可達(dá) 78％。再以銷釘缺陷檢測為例，算法工程師訓(xùn)練 CNN 檢測銷釘實現(xiàn)的檢測準(zhǔn)確率（MAP）為 88％。而共達(dá)地使用自動方案設(shè)計與工作流編排實現(xiàn)的檢測準(zhǔn)確率可達(dá) 98．9％。

共達(dá)地的算法訓(xùn)練平臺與其他方案的精度比較

在生態(tài)方面，共達(dá)地基于AutoML搭建的自動化AI訓(xùn)練平臺即是對生產(chǎn)關(guān)系的全新探索。通過讓AI生產(chǎn)AI，一方面將寶貴的專業(yè)AI算法工程師解放出來，去拓寬人工智能的邊界；另一方面以領(lǐng)先技術(shù)為基礎(chǔ)，共達(dá)地堅定地站在人工智能應(yīng)用生態(tài)的中間層，不僅為行業(yè)提供成熟的算法商城，還針對有算法定制需求的企業(yè)，提供了定制服務(wù)和訓(xùn)練平臺，以適配不同場景對AI的不同期待。此外，通過廣泛適配百余款芯片，共達(dá)地將可用算法快速部署至各類硬件終端，以解決軟硬件適配難題。

通過這種方式，共達(dá)地以一個平臺為基礎(chǔ)，構(gòu)建了一個聯(lián)合上下游算法公司、硬件廠商及解決方案公司的良性生態(tài)，聚成合力共同為產(chǎn)業(yè)轉(zhuǎn)型賦能。在這個基礎(chǔ)上，超大規(guī)模應(yīng)用趨勢下的場景碎片化現(xiàn)狀與算法高精度、快交付需求之間的矛盾將得到極大的緩解，硬件適配性差、利用率低等方面的固有困擾也將不再成為轉(zhuǎn)型卡點。最終形成以業(yè)務(wù)場景為驅(qū)動，技術(shù)賦能產(chǎn)業(yè)，產(chǎn)業(yè)反哺技術(shù)的良性互動。

技術(shù)革命的歷史證實，技術(shù)推動效率，效率引發(fā)規(guī)模，規(guī)模孕育質(zhì)變。在人類歷史上，洗衣工、人力車夫、電梯操作員、計算員曾是重要的工種，但如今技術(shù)的發(fā)展不僅替代了這些重復(fù)、低價值的工作，還為創(chuàng)造新的產(chǎn)業(yè)提供了土壤。同樣，共達(dá)地與英特爾及更多生態(tài)上下游的企業(yè)正致力于通過領(lǐng)先技術(shù)，提供更充足、更穩(wěn)定的AI能力供應(yīng)和更低門檻、更高效率的AI服務(wù)，讓AI這項“新電能”真正普惠百業(yè)。