21世紀經濟報道記者白楊 北京報道

2022年末，ChatGPT橫空出世，讓人工智慧產業再起漣漪。

人工智慧（Artificial Intelligence，簡稱“AI”）誕生於1956年，至今已六十餘年。在漫長的歲月中，一些新技術或新方法的出現，給AI產業帶來過樂觀浪潮，但隨之而出現的，則是數次AI寒冬。

如同任何新興事物一樣，人工智慧的發展沒有一蹴而就，而是歷經坎坷和挫折。直到近十年，得益於深度學習演算法的突破，以及算力提升和大資料的積累，人工智慧才真正迎來從實驗室研究走向產業實踐的黃金時代。

2016年，谷歌AlphaGo與人類圍棋冠軍李世石進行的人機大戰，讓AI走向社會舞臺中央，同時，也推動了AI商業浪潮的來臨。

過去五年，人工智慧與千行百業加速融合，其價值在很多場景得到釋放，並催生出一大批AI公司或團隊。然而，在產業實踐過程中，AI也面臨新的瓶頸：解決單一場景問題，AI的能力毋庸置疑，但如何複用解決更多場景的問題，成為很多AI公司盈利的掣肘。

而AI工程化，是解決這一問題的重要手段。此前，Gartner已連續兩年把AI工程列為年度戰略技術趨勢之一。在Gartner看來，AI工程化是AI大規模發展的必經之路。因為任何行業或企業，只要有場景、資料和算力，都可以落地AI應用，但落地效率、週期會遠超預期。

因此，AI要成為企業的生產力，就必須以工程化的技術來解決模型開發、訓練、預測等全鏈路生命週期的問題。所以在2022年，AI工程化成為AI行業的一個關鍵詞。

ChatGPT走入大眾

以ChatGPT為例，它其實也是AI工程化的產物。一位AI領域專家告訴21世紀經濟報道記者，AI工程化的過程包括需求分析、模型設計、模型訓練、模型部署等環節。

其中，在需求分析階段，需要明確人工智慧技術應用的目標和需求。比如OpenAI開發ChatGPT，其目的就是滿足人們對自然語言處理技術的需求，希望透過自然語言互動的方式給人們提供幫助。

而在模型設計階段，需要根據需求分析的結果，設計合適的模型來解決問題。就像ChatGPT其實是一種被稱Assistant的大型語言模型，為了讓它能夠理解和回答使用者的問題，並生成使用者可讀的回覆，OpenAI選擇用Transformer深度學習模型進行訓練。

在訓練過程中，則需要透過訓練大量的文字資料，讓模型學習如何對話。它需要先識別使用者輸入文字中的語法、語義和結構，更難的則是要學會如何生成更像是人類回覆的文字。

“ChatGPT能實現目前這樣自然的語言互動，與過去幾年AI產業在演算法、算力、資料等方面的不斷突破密切相關，但光有技術上的創新還不夠，人們能夠如此便捷的體驗到ChatGPT，則是AI工程化的功勞”，該AI領域專家表示。

其實早在2020年，OpenAI就推出過大型語言生成模型GPT-3（Generative Pre-training Transformer 3），其訓練引數量達到1750，在當時，這已是世界之最。

雖然都是使用深度學習技術開發的大型語言模型，但GPT-3比ChatGPT要更大，訓練資料也更多，所以GPT-3的能力要強於ChatGPT。然而，GPT-3的能力只能透過API的形式開放給外界，這也讓很多普通使用者無法體驗到GPT-3的強大。

而ChatGPT在定位上，就是一款To C產品，上線僅5天，便吸引了超過100萬用戶。而且它給社會帶來的震撼，要遠超AlphaGo，畢竟相比只能遠觀AlphaGo，現在人們可以直接與ChatGPT對話，感受AI的魔力。

對業界來說，ChatGPT的出現，更是讓人看到了AI工程能力的又一次進化。真格基金管理合夥人戴雨森當時便表示，“從ChatGPT中，我看到新一代的AI技術隨著不同元件走向成熟，已經進入樂高化模組化的趨勢。這意味著迭代速度會越來越快，原來需要單獨開發的部分變成了公用的、可複用、可呼叫的元件。”

規模與效率

在產業界，AI工程化則帶來了更直接的經濟效益。

近日，阿里巴巴集團副總裁、AI科學家賈揚清提出，工程化和開源是AI普惠最重要的兩大支撐。而實現AI工程化的關鍵，是要提升三個效率：透過雲原生的計算，提升計算效率；透過標準研發正規化，提升研發效率；透過大資料AI一體，提升資料應用效率”。

賈揚清以阿里達摩院上云為例稱，透過一個雲原生的AI平臺PAI，就支撐演算法團隊從規模、效率和易用性上面不斷突破。在規模上，可以支撐10萬億引數的預訓練大模型，在效率上，透過AI開放服務平臺OpenMind則可以服務日均1萬億次左右的呼叫。

藉助AI工程化體系，阿里雲服務了非常多雲上的客戶，而騰訊雲，也憑藉AI工程化解決了規模化的難題。

2021年初，騰訊雲幫助上海富馳高科技股份有限公司（簡稱“富馳高科”）解決了一個大問題。作為一家金屬粉末注射成型（MIM）產品專業製造商，如何提高質檢效率，一直困擾著富馳高科。

過去，富馳高科的質檢工作主要是由人工完成，這並非它不願意使用自動化手段，而是市面上幾乎沒有能夠滿足其質檢需求的方案。後來，騰訊雲研發團隊經過半年的艱苦攻堅，成功敲開了工業質檢的大門。

但是，讓騰訊雲副總裁、騰訊雲智慧研發負責人、優圖實驗室研發負責人吳永堅頭疼的是，做完富馳高科專案後，該如何把AI質檢能力複製到更多專案中。吳永堅告訴21世紀經濟報道，“如果每個專案都要像在富馳高科這樣投入，那成本方面，騰訊雲承擔不起”。

在又做了幾個專案之後，騰訊雲終於找到了可行辦法。“我們拆解演算法裡的每一個流程，精細到每一步明確要做什麼，然後將其沉澱到騰訊雲AI開發服務平臺——TI平臺上，最終形成了一個面向工業質檢場景的產品化平臺”，吳永堅說。

今年，生產3C產品金屬結構件的立鎧精密也成為騰訊雲的工業質檢客戶。相比富馳高科，立鎧精密的產品種類更多，涉及的工藝也更復雜，但在服務立鎧精密時，吳永堅覺得容易了很多。

“當初我們還需要派大量演算法工程師去富馳高科駐場辦公，但現在，只需在專案前期派少量演算法人員過去，其餘大部分工作都可以在TI平臺上完成，效率提高非常多”，吳永堅說。

這種轉變，就是AI工程化價值的體現。現在，面對不同的質檢場景，騰訊雲都可以透過工業質檢訓練平臺來提供解決方案，這背後，依靠的已不僅僅是演算法團隊，而是需要工程、產品、資料運營等團隊共同支撐，進行的是一種體系化建設。

奔向通用AI

中國信通院今年釋出的《人工智慧白皮書（2022）》（以下簡稱“白皮書”）指出，未來，人工智慧除了重視技術創新以外，還會更加關注工程實踐和可信安全，這也構成了新的“三維”發展座標，牽引人工智慧技術產業邁向新的階段。

其中，工程實踐能力正成為釋放人工智慧技術紅利的重要支撐。白皮書提到，AI行業在工程實踐方面的努力，最早可追溯至Caffe、TensorFlow、PaddlePaddle等開源框架的誕生，透過遮蔽底層硬體和作業系統細節，大幅降低模型開發和部署難度，有效推動了人工智慧技術的擴散。

而當前，人工智慧與雲計算、大資料等技術的融合不斷深入，圍繞著資料處理、模型訓練、部署運營和安全監測等各環節的工具鏈不斷豐富，也使得人工智慧研發管理體系日益完善。

白皮書認為，隨著工程實踐能力的不斷提升，“小作坊、專案制”的AI賦能方式正在成為歷史，未來將會更加便捷、高效地實現人工資高就能落地應用和產品交付。

具體而言，AI工程化主要聚焦於工具體系、開發流程、模型管理全生命流程的高效耦合。在工具體系層面，體系化與開放化成為研發平臺技術工具鏈的發展特點；開發流程方面，工程化關注AI模型開發的生命流程，追求高效且標準化的持續生產、持續交付和持續部署。

而模型管理方面，隨著企業智慧化應用的逐步加深，模型種類和數量大幅增長，企業需要建設對模型生命週期的管理機制，並對模型的版本歷程、效能表現、相關資料、衍生的模型檔案等進行標準化的管理運維。

所以接下來，AI企業能否快速賦能各行各業，響應多樣化需求，關鍵因素就在於企業的工程化能力。

另一方面，通用人工智慧（AGI，Artificial General Intelligence）作為AI領域的終極目標，實現的過程也需要依靠AI工程化能力。雖然目前距離實現真正的通用人工智慧還有很長一段距離，但是，在一些特定場景下的通用AI，已經出現。

比如ChatGPT，便是一種自然語言處理的通用AI模型，因為它可以回答覆蓋各種領域的問題，而不是專門針對某一個領域設計的模型。

目前，在很多領域人工智慧已經趕上甚至超過人類水平，比如語言理解、語音識別、視覺識別等。當人們能夠藉助AI工程化能力，把這些AI技術規模化應用到諸如工業質檢、機器人等產業當中時，將大幅提升人類的工作效率和質量，而這，也是人工智慧產業致力於實現的目標。

更多內容請下載21財經APP