我們都知道，一個年份一旦被稱作“XX元年”，那么一定不是某一個單方面的力量作用的結果，而是一個大勢所趨的必然方向。
就像是2018年對于人工智能來說，從技術井噴、認知傾斜、政策和產業扶持等方面，都展現出了具有強烈象征意味的風口，你可以說這是“眾人拾柴火焰高”的結果，但無論如何，AI的確是這個時代，即將全面點燃每一個行業的烈火。
我之前曾經寫文章聊過對AI的理解。
我始終認為，AI不是一個行業，而是一個工具，一種全新的理解世界的方法。
是向每一個行業進行賦能的放大器。
2018年在國內和國外發生了很多事情，有些初看起來和人工智能沒什么關系，但本質上的驅動力的確來自于AI的入局。
比如亞馬遜跨越市值萬億美元的門檻，成為繼蘋果公司后美國第二家市值破萬億的上市公司。萬億成就的達成，得益于AWS云服務和圍繞Alexa打造智能生態圈。而背后繚繞的，全部都是人工智能的影子。
而在中國，2018年3月國家就明確提出了“要加強新一代人工智能的研發應用。大力發展智能產業，拓展智能生活，并且大力改造提升傳統的產業”的方向，教育部還發布了《高等學校人工智能創新行動計劃》，在這樣的驅動力下，包括華為、阿里等在內的很多國內云計算廠商都陸續開啟和高校在人工智能領域的戰略投放合作。
即便不聊這些大事件，就算是在我們的生活的瑣碎細節中，我們也很容易察覺到AI的“全面入侵”。
房間里的音箱可以和你對話；
掃地機器人出現在更多人們的家里；
手機里的AI拍照越來越智能；
越來越多朋友聊起的自動駕駛。
但是。
雖然說今年作為AI的元年，似乎整個世界都準備好了投身到一個全新的時代，但除了行業內的開發者們，又有多少人除了張口AI閉口人工智能之外，能夠真正了解它多一點呢？
這種感覺有點像是去區塊鏈。
去年我寫了一篇關于人工智能的文章，在其中為了深入淺出解釋AI究竟是什么，以及AI將會從哪種層面上改變人類的文明，我講了著名的“嚇尿理論”。
想象一下坐時間機器回到1750年，那個時代沒有電，暢通通訊基本靠吼，交通主要靠動物拉著跑。你在那個時代邀請了一個叫老王的人到2018年來玩，順便看看他對“未來”有什么感受。我們可能沒有辦法了解1750年的老王內心的感受——金屬鐵殼在寬敞的公路上飛馳，和太平洋另一頭的人聊天，看幾千公里外正在發生進行的體育比賽，觀看一場發生于半個世紀前的演唱會，從口袋里掏出一個黑色長方形工具把眼前發生的事情記錄下來，生成一個地圖然后地圖上有個藍點告訴你現在的位置，一邊看著地球另一邊的人的臉一邊聊天，以及其它各種各樣的黑科技。
這時候的老王會是什么體驗？驚訝、震驚、腦洞大開這些詞都太溫順了，我覺得老王很可能直接被嚇尿了。
以及這幅極具沖擊力的圖片。
后面的十月，我被邀請去上海世博參加了華為的全連接大會，目睹了包括ModelArts在內的三塊AI開發平臺的發布。
更早一些時候，曾經流出過關于微軟的中國區數據中心即將使用華為的AI芯片的消息，所以那幾天在世博中心，我有一種強烈的直覺是：
未來在AI芯片領域，將會是華為和英偉達的“神仙打架”。
再接下來就是上周，在斯坦福大學發布了DAWNBenchmark的最新成績中，華為云ModelArts排名世界第一，僅需10分28秒，比第二名提升近44%。
對于這個結果我要解釋一下，為什么說在DAWNBenchmark的深度學習測試中，訓練時間變得這么重要。
近期BigGAN、NASNet、BERT等模型的出現，預示著訓練更好精度的模型需要更強大的計算資源。未來隨著模型的增大、數據量的增加，深度學習訓練的加速性能則成為了重中之重。
在衡量深度學習的加速性能時，主要通過兩個指標來衡量，一個是吞吐量，即單位時間內處理的數據量；另一個是收斂時間，即達到一定的收斂精度所需的時間。
你們可以這么理解，吞吐量就像是你一口氣能往嘴里塞多少干面包，而收斂時間則是你最終要花多久才能咽下去。
所以說，普通用戶在使用AI開發平臺時，最終關注的一定是收斂時間。
畢竟，吃到肚子里的面包，才算是真正的營養。
所以，出于對ModelArts在保證收斂精度前提下實操性的深切的好奇心，我去了在國際會議中心的華為ModelArts線下workshop。
我在9月份寫過的文章里，曾經聊過我對普惠AI在“普惠性”上的看法，我認為，普惠并不是指單一的便宜，更多指的是在面對基礎不同的用戶群的時候，都可以彈性自如的滿足各方的實際需求。
我記得我當時舉了一個行業中的例子說，2017年的AI人才招聘缺口將達到500萬，所以一個可以適配各類初級開發者的AI云平臺，將會是承載著AI未來的“飛天魔毯”。
但即便如此，我也全然沒有想到，當ModelArts實操上手后，它的“普惠性”竟然可以達到人人可以上手的程度。
是的，你沒有聽錯，是人人可以上手。
接下來，我將以一個“零基礎”使用者的視角，來做一個粗略的ModelArts體驗。
進入ModelArts開發平臺界面后，會有彈窗提示，你可以查看其簡易的操作流程。
剛才我說過，在這個時代真正可以面向每一個人的AI開發平臺，應該做到收放自如的彈性，無論是面對高階開發者，還是入門級開發者，甚至是完全和行業無關的門外漢，都可以滿足其不同層級的需求。
比如這個自動學習的板塊，雖然我已經離開通信行業5年了，早已經忘記了代碼世界里的所有關隘，但即便你和我一樣，也可以通過上傳數據，并且進行指向性的標注，來完成定制化的模型訓練。
當然，如果你是一個高階開發者，ModelArts也將提供給你更全套的生產力，同時ModelArts繼承了很多華為的優秀基因，極強的實用性體現在數據準備、訓練、部署、上線的全流程里，實現了“上手快、訓練快和上線快”的極致體驗。
但由于我今天采用的是“零基礎”和“無門檻”視角，所以我只展示“即便一個小學生都可以操作訓練的模型”。
在自動學習版塊，有圖像分類、物體監測和預測分析三種訓練模型。由于我今天寫文章使用的是MacBook，瀏覽器暫時不能支持某些頁面功能，所以我先簡單聊一下實操的體驗感受。
以“圖像分類”舉例，比如說你想做一個花卉識別的訓練模型，那么你需要上傳一些花卉的數據樣本，也就是你想要識別出的花卉的圖片，比如向日葵、水仙、玫瑰等等。
接下來你要針對上傳的數據樣本進行標注，為你即將訓練的模型建立規則，也就是告訴機器“這些圖片中哪些是水仙，而哪些是玫瑰”。
完成這些步驟之后，ModelArts將為你建立的模型進行訓練，理論上你上傳的數據樣本越多，訓練后的精度也就越高，目標識別也就越準確。
這種實操環節的易上手性，是絕大部分對AI并不了解的朋友想象不到的。
我時常和身邊的人講這樣一個道理。
在每一個擁有標志性技術的時代里，技術真正向人們賦能的標志，不在于享有技術紅利，而在于普通人對技術的駕馭。
比如說煤炭被開掘出來之后，人們不光要享受它帶來的能源革命，同時每一個人都學會對煤炭的使用，才是技術真正接入時代的標志性意義。
而在AI全面降臨的時代里，并不是說它無處不在就已經是足夠極致的體現了，而是當每一個普通人都可以根據自己的需求，來完成AI的定制化需求的時候，這才是這個工具真正井噴的時刻。
我身邊的很多創業者，本身并不是開發者，他們不懂代碼，不懂神經網絡，也不懂深度學習，但他們對人工智能有可能帶來的提效降本有根本性的需求。像華為云的ModelArts這樣的AI發開平臺，才能滿足他們在專業技能有限的前提，依然可以定制化自我需求的可能性。
最后。
讀書的時候學習寫作，語文老師總會和我們講白居易的故事，說他寫好一首詩都要讀給村口的老太太聽，她能聽得懂才算是一首好詩。
這其實講的是文學上的雅俗共賞。
換回技術的語境中，我想說：
技術究竟是否需要“雅俗共賞”呢？
如果一項大眾技術，人們對它的認知永遠停留在望而生畏和云山霧罩，雖然看起來逼格滿滿，那么它一定不能為我們帶來足夠多的紅利。
拿AI來說，對于我身邊的絕大部分朋友來說，這都是一樣“知其然而不知其所以然”的東西。
AI行業之外的人們，通常對AI沒有一個清晰的認知。如果你和他們講AI開發平臺，他們會先入為主的認為這是一個異常艱難精深的領域。
而當我把試用ModelArts的過程講給他們聽，他們的反應幾乎全都是“還能有這樣的操作”？
是的，的確可以有這樣的操作。
最后的最后，我想說兩句話。
AI作為一項時代技術，的確可以“雅俗共賞”。
AI作為一個全面到來的“全民工具”，一定是為我們賦能的，而不是耗能的。
京公網安備 11010502049343號