狮子金融

AI行业又一次走到了十字路口。高昂的算力成本，利如纸薄的定制化商业模式，让AI公司团体深陷「负利润」的逆境。

企业往往寄希望于AI的能力，实现数字化跃迁，但作为新一代基础设施，AI行业自己也遭遇了新的难题：算法从研发到落地部署都需要巨额成本的投入，且大量的算法在应用落地上并不顺遂。

若是从源头来看，云盘算或许就是一剂良药，由于它能提供更低成本的算力和低门槛的开发服务，算法研发能力不足的企业还能直接在云上挪用云厂商提供的算法，无需重复造轮子。

作为着名的市场剖析机构，Gartner早早嗅到了这一趋势，他们从2020年就最先公布《云AI开发者服务要害能力讲述》，在Gartner看来，AI与云的连系将愈加亲热，AI云服务的能力也将成为AI产业的主要指标。

令人欣慰的是，中国企业已经压中了这一趋势，在今年的讲述里，阿里语言AI手艺高居全球第二，逾越亚马逊AWS、微软等企业，正式进入天下第一梯队。

也正因云云，AI行业的远景依旧被普遍看好。Gartner讲述提到，到2025年，70%的新应用程序将集成AI模子，而云AI服务能降低AI应用的开发门槛。这意味着云盘算将成为阵痛期AI的最大变量。

给AI兜底的，为什么会是云？

01、AI商业化眼前的两座大山：算力成本、项目成本

早在2017年，学术界和工业界在最具影响力的AI顶会CVPR上就对深度学习的问题睁开了猛烈的讨论。

讨论的焦点在于，深度学习的“大数据 大算力”范式需要伟大的成本支持，这一定成为AI商业化的最大阻力。

“深度学习确着实语音、图像识别等数据中，比传统的AI方式更精准，这也是它成为引领第三波AI浪潮的要害，只不外深度学习是把双刃剑，它对燃料（算力、数据、能耗）的消耗，尤其是对算力的需求，远超传统方式。好比以前只吃两个馒头就能活下去，现在为了活得更好，却又受到食材的限制，只能选择天天吃昂贵的和牛。虽然更有营养，但这显然不能延续。”多位AI专家告诉雷峰网。

由于AI的盘算成本和能耗成本一直居高不下，在不少注重效益的研究者眼里，AI深度学习一度成了野蛮和暴力的代名词。

2012年，谷歌行使16000块芯片，让AI旁观数百万段YouTube视频来识别出猫，即便云云仍错误百出，还不如人类眼睛的一瞥高效。

2016年，AlphaGo击败围棋冠军李世石的人机大战中，AlphaGo每局棋需消耗约100万瓦的电能。相比之下，人脑消耗的功率仅20瓦，只有AlphaGo的5万分之一。

2018年之后，Transformer以及Bert等催生了预训练大模子的降生，虽然让AI的性能变得更强，但所需的算力也大幅攀升。专门搭建一个这样的集群，对于大部门中小企业来说是难以蒙受的。

「算力」的求过于供，让其成为整个AI领域的稀缺资源。这也是不少学术界AI大牛纷纷涌入谷歌、微软、阿里等大型科技企业的主要缘故原由，这类企业拥有厚实的营业场景，且有近乎取之不尽的算力资源。

AI所面临的问题还不仅于此，在商业落地历程中：企业不得不为每一个场景定制专属解决方案，这无形中增添了企业的开发成本，利润也因此被压缩。

早期的创业公司都迷信于“研发SDK，先尺度化，再规模化，薄利多销，以量取胜”的商业设想。但现实很骨感，当AI公司们拿着SDK冲举行业里才发现，习惯了重型定制化贴身服务的B端客户们，需要的不是单个的开发包，也不具备集成SDK的能力，他们需要的是一套定制化的解决方案。一套SDK包打天下的梦想就此破灭。

SDK走天下梦碎后，AI公司们最先从轻变重，走高度定制化解决方案的路子。但充满个性化定制的项目制模式，极易让企业滑进亏损的漩涡——获客周期长、实行成本高、重人力交付……成本的高企导致利润微薄，甚至一不小心做得越多，幸亏越多。

尺度化美梦易碎，定制化困局难明，AI企业在商业落地上左右为难。

事实证实，由算力成本和项目成本制造的两条后腿，正在让AI步履蹒跚。

而要卸下这两条后腿，就要打破固有思绪，走上一条新的蹊径。专家们向雷峰网剖析道，顶尖高校和头部科技公司现在的探索偏向就是：从基础理论层面，用创新算法让AI自己变得更精益、更伶俐；在工程层面，则需要让AI研发的成本变得更低。

02、云盘算，为什么是解开“AI成本困局”的良药

毫无疑问，AI的成本问题，算力是最大的症结之一，也是破局的最大突破口。

通过算力集群的规模化，降低单元算力成本，是一条清晰的、具有一定可行性的蹊径。

在早期，AI所需算力并不高，CPU足以应对。但随着深度学习时代的到来，高质量的AI算法背后往往有惊人的数据量，此时训练所需的数据，规模已远超昔时，更“强悍”的GPU逐渐登上历史舞台，成为AI算力的主流。

而当深度学习逐渐加深，模子的规模越来越大，单个GPU已无法知足算力。这时刻，GPU并行的算力集群就显得尤为主要。大规模的算力集群，不仅能有用降低GPU采购成本，还能通过集群优势提升盘算性能。

但此时新的问题又浮现了：有资源≠自然就用得好资源。若是企业没有合理高效的资源治理，GPU并行的算力集群自身属性再强，也无法自动铸造出优质AI大模子，更无从承载一个体验尚佳的AI应用。企业现在所面临的AI算力逆境，包罗着众多噜苏痛点：

若是没有算力线性扩展能力，100台机械可能还比不上1台机械的性能，大量的时间就会消耗在非盘算开销里。

若是没有提升资源行使率的能力，昂贵的GPU集群很容易行使率不足10%。

营业生长速率难以展望，项目来了需要快速投入，等线下购置到资源，很容易错过时机窗口。

GPU卡故障率高，企业要腾脱手来处置IaaS运维等苦活、累活。

GPU险些半年更新一代，若是随时替换成最新型号，成本居高不下，旧卡又会被闲置。

此时，云上开发AI这一方案被摆上桌面，云盘算自己具有的弹性、共享性和互通性等特征正与这些痛点匹配。企业可以借助云盘算随时随地按需天真扩缩容，进而提升算力效率、降低AI研发成本，基础设施层的运维等问题也可以交由更专业的云厂商处置。

这让企业在AI领域模子越演进越庞大，算力需求越来越强的大靠山下，可以扬长避短，充实行使市场上已有的手艺盈利去自我赋能，提升自身营业迭代效率。

以阿里云为代表的海内互联网云厂商，早已提前结构，并将这一系列手艺对外服务。

值得一提的是，差异于AI独角兽们专注to B、to G，这批提供云AI服务的互联网云巨头，自身往往拥有海量的场景营业，可以使算力集群获得高饱和使用，分摊GPU的折旧成本，从而制止GPU集群算力闲置的问题。

这一做法，与谷歌的案例有异曲同工之妙。谷歌前CEO施密特曾谈到，谷歌搜索之以是能在竞争中占有优势，要害因素之一在于成本低。

“Google的运营成本只有微软和雅虎的几分之一，一次搜索服务的成本只有零点几美分。节约下来的钱，Google可以购置更多的服务器、提升运算性能，云云一来，在与竞争对手相同的单元价钱下，Google可用更多的硬件和算法，实现更好的搜索质量。”

真正一流的手艺和科技公司，最先应该做的事是行使手艺实现自身的降本增效，只有把生产要素的成本降下来，才气做到真正意义上的进入行业。

这种通过降低自身生产成本，提升盘算资源的行使效率，把边际效应最大化，用最低的成本，走向规模化应用，这是科技产业落地生长的最佳路径。

除了算力问题，云AI服务也可以有用降低AI应用的开发门槛。以阿里为例，其机械学习平台PAI、达摩院研发的基础算法模子以及种种训练的加速框架等，从低门槛、全链路角度出发，高效知足了AI算法的开发需求。

03、云厂商扛起AI产业化重担

跳脱手艺层面，在商业层面，云盘算也在辅助AI产业加速破局。

现在海内AI产业主要有三条演进路径，从项目制出发：一条是最难获取高利润的多行业拓展模式，为了快速铺大摊子、做大规模，或者追求营业突破而进入到金融、医疗、零售等数个领域，多线作战；一条是专注于一个垂直行业，把方案和服务做深做透，进而追求在某一领域里实现平台化；尚有一条是先聚焦于算法的打磨，做好算法的产物化，再依托云平台将算法对外服务，并用云平台的基础设施能力辅助企业研发算法。

海内AI产业演进的三条路径

而以阿里云为代表的头部互联网云厂商，在AI领域正朝着最良性的第三条蹊径迈进。

这种模式的利益在于，基于云平台的底座，不仅可以免去大部门内陆化部署的枷锁，还能提供低成本的自研算法研发，快速为算法研发能力弱的企业服务，例如达摩院研发的视觉、语音、NLP等算法就在阿里云上对外服务。同时，云上的盘算、存储、网络、机械学习平台等还能为具备算法研发能力的企业提供AI研发和落地的全链路支持。

这条将云与AI完善连系的路径，已经初有成效。以毫末智行为例，这家公司将算法训练义务放到阿里云上，行使后者的工具存储OSS和小文件存储CPFS，可实现海量数据冷热分层存储和高效的数据流通，基于弹性GPU实例在机械学习平台PAI上举行云上漫衍式模子训练，吞吐性能提升110%，模子成熟度在短时间内大幅提高。据先容，这样的训练效率最高可提升70%，整体成本降低约20%。

已往十几年里，云盘算依附在算力成本和商业上的双重优势，以DNA复制般的速率进入到各行各业，现在，其在通用盘算领域中已被验证过的价值正在被复制到AI领域，助力AI打破落地瓶颈，实现万千普惠。

Gartner也绝不掩饰对这一趋势的预判，其最新的AI云服务讲述指出，到2025年，人工智能软件市场规模将到达1348亿美元，而云AI服务是其中不能或缺的焦点推力之一。

事实上，回首半个多世纪里人工智能产业一起走来的潮起潮落，每一次低谷崛起都随同着某一新变量带来的突破。现在，云盘算正在成为眼下被寄予厚望的最大变量，这一次，将AI产业推向正轨的责任被使命般地交到了云厂商的肩上。