以数据处理为例。吴恩达在“二八定律”中对数据之于AI的重要性有非常直观的描述：80%的数据+20%的模型=更好的AI。
充足的数据是算法模型成功的前提，但数据处理环节极为庞杂，即使是最成熟的人脸识别，训练一个模型也大概需要千万的样本量，整个数据处理工作则要占项目总成本的近60%，占项目开发周期的80%。
如今，随着产业分工的加速和技术的提升，专业数据处理机构和AI算法辅助标注平台，可以通过预识别模型的方式，先将数据处理一遍，尽可能识别物体，再交由标注员操作，就可以将效率提升近一倍。
除了处理效率外，数据处理质量也在提升。在传统数据处理过程中，主要通过人工抽查的方式对数据标注质量进行查漏补缺，但通过AI辅助质检，不仅可以变“抽查”为“遍查”，还可以将平均数据准确率提升5%以上。
除了数据之外，走向成熟和标准化的还有算力产业。
根据方舟评估委员会的研究，虽然过去十年，人工智能计算的复杂度每年飙升10倍（每秒千万亿次运算），但与此同时成本却每年下降10倍。比如， 2017年在公共云上训练像 ResNet-50这样的图像分类器，成本约为1000美元，到了2019年只需大约10美元。
究其原因，一方面是AI架构的升级，另一方面则是专用芯片的出现及其性能的提升，比如 Nvidia于2017年发布的 V100显卡，比三年前发布的 K80 快1800% ，还有一方面则是智能算力建设取得的成就。
据工信部数据，截至2021年底，全国在用智算中心超过20个；算力产业规模近五年平均增速超过30%，排名全球第二。预计到2023年，智能算力在总算力中的比重将超过70%，发挥核心拉动作用。
风云万变一瞬息，在短短几年间，智能算力从新生事物成为新基础设施。这让AI训练和落地更有底气了。
最直观的表现是，2012年前罕见使用GPU进行计算，2015年以后，大规模使用上百个GPU进行训练成为常事。而作为AI落地最常见的载体，智能摄像头的价格单位也早已从万元降至千元甚至百元。
市场需求催生专业分工，专业分工促进技术升级，技术升级导致性能迭代，性能迭代孕育成本降低，成本降低成就广袤的市场需求。
数据端和算力端大致走完了这样的闭环，这在行业层面让算法研发的类型更多元、周期更短、成本更低。但这依旧不足以实现“智赋百景”背后的期望，整个产业对算法生产能力的期待呼之欲出。
3、AI 落地的新支点
如果说，变人力为机器，变复杂为标准，是数据和算力一日千里的秘诀。那么，算法有没有可能标准化？
2012 年，加拿大不列颠哥伦比亚大学的 Frank Hutter 教授等人提出自动选择模型与优化参数的 Auto-WEKA，是第一个 AutoML 点工具。之后，除了调参，也有针对网络结构、函数选择自动化的 AutoML 陆陆续续出现。
AutoML，即自动机器学习，是一种用AI训练AI的工具。
但单点上的突破，并不能真正改变产业模式。AI 算法的生产特性决定了，但凡还有一个环节需要算法工程师操作，包括算法在终边端的部署，就又回到了 AI 落地难的原点：离开算法工程师，算法开发就转不动了。
基于此，更多算法公司将AutoML当做专业算法工程师的提效工具。但只要AI的生产和应用还掌握在少数专业算法工程师手里，AI就像是一种奢侈品；其背后的巨大需求潜力，也就没法释放出来。
如果想让整个AI产业链的齿轮咬合紧密衔接丝滑，必须实现端到端的算法全链条自动化——这是新十年AI创业者的重要方向，「共达地」就是其中之一。
和单点自动化的AutoML不同，共达地要做的是AI算法生产全链路自动化的AutoML，是要将深度学习视觉算法开发的链条细细拆分，分成 13 个环节，从「数据分析」开始，一直到芯片适配，在算法开发的每个环节都设计不同的算法来代替 AI 工程师的工作。最终实现的效果是，数据上传后就能自动训练模型，训练好的模型可以像安装 APP 一样下载。
这个过程相当于把数据、算法与算力进行了拆分，分别自动化，每一个模块都用 AutoML 的算法来实现。例如，数据分析一环，AutoML 可以自动分析上传数据中的场景丰富度、物体类别、目标尺寸、有无遮挡、光照强弱等等。在芯片适配，用户自主选择模型想要适配的芯片，平台同样会通过算法来自动匹配和计算。
用户只需做两件事：一是定义好需求，二是数据迭代。而这两个环节可以由离业务场景最近的人来完成，如上述所说的产线工人、物业经理等等。
图注：共达地自动化训练开发平台流程
原本训练算法是个「黑盒子」，但这个过程被流水线化了。反复调参的前提不存在了，成本和周期自然也就消失了。想要什么样的算法，就喂什么样的数据。
这种能力对集成商来说，很有吸引力。
自建 AI 团队的成本太高，但产品经理与项目经理的人数永远是最多的。所以，如果他们仅仅需要上传数据，就能像安装 APP 一样得到解决自己问题的 AI 算法，那么 AI 的足迹就会迅速布满全国各地，真正促进数字化的转型。
不过，算法生产出的算法，精度能否与人类生产的算法相媲美；
没有专业算法团队的集成商，是否能熟练使用这项能力；
这两大前提，是验证 AutoML 平台是否行得通的试金石。
创立第二年，共达地得到了肯定的答案。一家视觉算法公司想用 AI 识别火焰烟雾。此前，该公司内部的算法团队花了半年左右的时间才做出一个算法。接触到共达地后，在试用他们的算法自动化生产平台时，他们将同一套数据上传到该平台，结果只用了 10 个小时就训练出一个模型，而且算法的精度更胜一筹。
这种震撼是难以名状的：回顾深度学习的历史，深度学习第一次引起人们的震撼，就是 2011 年 Hinton 与邓力在微软语音识别中应用深度神经网络，只用了几天时间就完成了整个团队花半年才做完的事情。而现在，AutoML 生产的算法也能实实在在地匹配人类工程师的工作——算法环节，终于也和数据、算力一样，走上了工业化道路。
4、生产力解放想象力
只有解决长尾匹配，才能完成技术的价值闭环。而在实际业务中，越来越多碎片化的场景证实了 AutoML 平台算法生产的意义。
今年年中，刘先生接到一个来自某地政府的智慧城市项目，需要用无人机+AI巡检的方式，对辖区内的车辆、人员、河道、商贩等进行管理，是刘先生从业以来遇到的覆盖面积最大、算法类型最复杂的项目。
项目试点初期，以河道漂浮物识别为切入点，对比多家供应商的技术实力。刘先生在某专业算法大厂的算法商城中购买了河道漂浮物识别算法，但测试时92%的精度，到应用到业务场景后竟然低于10%。主要原因在于：一是实际河网环境复杂，二是河面反光造成了极大的影响。
后来，刘先生在共达地的 AutoML 平台上通过采集到的视频流自主动手训练了河道漂浮物识别算法，应用到业务场景后，同样由于远距离、夜间识别的问题，精度只达到70%左右，但通过不断巡检，前端回传现场数据进行迭代，5 天迭代 3 个版本后，精度达到了95%。
速度带来质变。如果是之前靠人力迭代，相当于每次都要重新定制算法、重新走一遍上述十几个环节的流程，耗时往往以月计，成本也高。但 AutoML 平台自动生产、无需人力，机器 24 小时云运转，以天为单位迭代，效率更高，得到高精度的时间也更短，对实际落地带来了巨变。
AI 的生产力，解放了行业人士对「AI 能做什么」的想象力。
「过去不敢接的项目需求，现在敢接了；过去要倒腾半年的项目，现在一个月就可以交付妥当了。」这是刘先生最直观的感受。雷峰网(公众号：雷峰网)
这就好比汽车的发展：汽车最开始出现时，只有少数的富贵人家能拥有汽车，会开车的司机也很少；随着生产力的发展，越来越多中产阶级也能买上汽车；到乘车共享平台诞生时，普通老百姓即使没有汽车，也已经能通过平台享受到汽车出行的服务。
通过 AutoML 平台，AI不再是昂贵的产品，而是触手可及的服务。传统企业也能实现这样的梦想：没有 AI 团队，也能交付靠谱的 AI 产品。
但更具想象力的是，工具升级以后，产业链也有了重塑的可能性。
在AI产业链中，绕不开的无非“算法，算力，数据“三大要素。而项目落地，则又包括需求分析、系统集成、API对接联调、部署运维等细碎工作。
传统AI公司自己下场做总包项目，左手采数据，右手建算力，又用昂贵的人力和组织成本，去做系统集成商的工作。雷峰网
相关阅读 >>
传谷歌同意向openAI竞争对手anthropic至多投资2
毅能达pos机全国24h客服电话大全已更新2023/2/28(实时/更新)钟薛高发布sa'saa系列冰棍新品，称由AI打造，定
宝马金融客服电话大全已更新2023(实时/更新中)美媒：马斯克等人呼吁暂停AI训练是对的 为了安
苹果、amd、英伟达争抢台积电AI芯片订单，相关芯片将在4月后产出
更多相关阅读请进入《AI》频道 >>
