“中國有多少數學家投入到人工智能的基礎算法研究中？”

今年4月底，中國工程院院士徐匡迪等多位院士的發聲，直擊我國在算法這一核心技術上的缺失，引發業界共鳴，被稱為“徐匡迪之問”。

由此，“依靠開源代碼和算法是否足夠支撐人工智能產業發展？”、“為什么要有自己的底層框架和核心算法？”等一系列問題，成為行業熱議的話題。

事實上，除了核心算法之外，對底層框架的忽視，也成為影響我國人工智能發展的重要因素，甚至比“缺芯少魂”、“卡脖子”問題更危險！

然而，想要理清其中的緣由，就需要從讀懂機器學習開始。

什么是機器學習？

眾所周知，AI的根本目的就是讓計算機模擬人類的行為和思維，以實現解放人力，提升效率，降低成本。其中，機器學習（Machine Learning）則是AI的智慧源泉。

從學術上來說，機器學習涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多領域交叉的課題和技術。

從廣義上來說，機器學習就是賦予計算機學習能力，并實現模仿人類的一種方法。

從技術應用上來說，機器學習是利用大量數據，訓練出專用的算法模型，然后通過該模型實現類似人的預測、推理，從而獲取決策的方法。

從層級上來說，機器學習位于AI的技術層，與其他技術的相融合，構成了計算機視覺、智能語音、模式識別、數據挖掘、統計學習等AI核心技術，并在應用層得以體現。

從AI發展來看，幾乎所有核心技術和應用場景的背后，都離不開機器學習所賦予的學習能力，也就是智能。

總之，機器學習既是人工智能的核心，也是計算機獲得學習能力和智力的方法或途徑。

而機器學習的核心則是算法。

深度學習算法與底層框架

作為AI大三元素（數據、算力、算法），目前主流的算法主要面向機器學習領域。因此，機器學習也可以理解為用于訓練和推理的算法合集。

目前，機器學習算法可以分為傳統算法和深度學習（Deep Learning）算法兩大類。

深度學習是機器學習中一個新興的研究方向，也是一個復雜的機器學習算法。深度學習的概念源于人工神經網絡的研究，建立模擬人腦進行分析學習的神經網絡，以模仿人腦的機制來解釋數據，強調模型結構的深度和明確特征學習的重要性。

因此，深度學習使計算機實現模仿視聽和思考等人類的活動，解決了大量復雜的模式識別難題，從而推動計算機視覺、智能語音等復雜AI基礎技術的落地。

可以說，深度學習算法決定了未來AI的發展趨勢，乃是兵家必爭之地。

現在，全球AI領域，深度學習已經超越傳統機器學習，成為主流算法。但是，機器學習仍未被取代，兩者呈現互補的態勢。隨著深度學習與神經網絡算法的結合，不僅降低了算法訓練的門檻，更衍生出大量熱門算法以及相應的底層構架。

與依賴于芯片的算力不同，算法由于開源代碼、自動化工具等助力，門檻相對降低不少，因而成為初創公司不錯的切入點。現在，大多AI企業基本都是圍繞算法及相應的應用場景做文章，在國內尤為普遍。

然而，這些基于開源代碼和自動化工具的算法往往過于通用和初級，僅僅依托國內海量數據儲備和豐富的應用場景的優勢，實現最基本的功能而已。真正核心和關鍵算法仍然掌握在國外大廠手中，核心競爭力明顯不足。

而且，不僅是核心算法，深度學習的底層框架也同樣來自于國外廠商。

底層框架，一般被稱作為開源框架或算法訓練平臺。通俗來說，就是AI工具包，其作用就是用以訓練算法模型的平臺。

如果將算法比作“子彈”的話，底層框架就是“軍工廠”，重要性不言而喻。

僅僅是算法的缺失，可以通過企業、開發者及整個行業的共同努力來彌補，但連工具都被“卡脖子”的話，顯然將大大制約我國深度學習，乃至整個AI產業的發展。

外來的和尚好念經

目前，主流的深度學習底層框架雖然大多已經開源，但基本都來自于美國科技巨頭及大學相關實驗室，例如TensorFlow（谷歌）、PyTorch（Facebook）、MXNet（亞馬遜）、CNTK（微軟）、Deeplearning4j（美國AI初創公司Skymind）、Theano（蒙特利爾理工學院）、Caffe（加州大學伯克利/賈揚清開發）、Keras（谷歌工程師Fran?oisChollet開發）等等。

其中， TensorFlow和PyTorch應用最為廣泛，全球AI企業都將其視為重要的工具包。據TensorFlow網站顯示，京東、中國移動、美團、搜狗等中國企業都在使用該框架，用于深度學習的應用和開發。

任何企業和開發者都可以將數據饋入其中，并開始訓練自己的算法模型，無需重頭開始自行開發底層框架和開發平臺，所謂 “站在巨人的肩膀”。

谷歌、Facebook、亞馬遜、微軟也在不遺余力地投入，對這些底層框架進行維護、升級和推廣，以確保其受到全球開發者的歡迎。根本目的就是建立統一的標準和規范，進而形成完整的生態。最簡單的例子就是谷歌的安卓操作系統，雖為開源，但也形成了技術壁壘，讓其他廠商難以逾越。

同時，大量企業和開發者也在為這些開源構架默默地做著貢獻，從而推動其不斷壯大。從另一個層面來說，盡管底層框架均為開源、免費，但獲得全球開發者助力的同時，也省去了建立國際性開發團隊的巨額成本。

其實，國內巨頭已經意識到了這個問題。BAT、華為、商湯、曠視、360以及浪潮等廠商都已經推出了各自的機器學習底層框架。

尤其是百度飛槳（Paddle Paddle）自2016年開源起，一直在不斷升級和推廣，以吸引更多的企業和開發者的關注。2017年，騰訊Angel、360 Xlearning先后宣布開源。2018年年底，阿里x-deeplearning也正式開源。今年8月，華為推出了MindSpore深度學習框架，并將在2020年第一季度開源。此外，包括商湯、曠視、浪潮等廠商雖然已經擁有自己的底層構架，但遺憾的是并沒有開源。

最近，小米宣布語音識別開源工具Kaldi 之父DanielPovey將出任語音首席科學家，很可能會加大相關底層構架的研發。

盡管中國廠商已經擁有了自研底層框架的實力，但在先入為主的國外開源構架面前，不僅用戶量不足，而且缺乏貢獻者，更有過于封閉的問題，因此底層構架的國產化可謂路漫漫。

如何突圍？

隨著國內自研AI芯片成為全新的風潮，讓人看到了突破芯片“卡脖子”，實現“彎道超車”的可能。

即便如此，現在中國AI基礎研究和基礎設施仍然相當薄弱，包括硬件在內的大量核心技術掌控在美國手中，更隨時面臨“技術封鎖”和“斷供”的風險。

同樣的情況也發生在深度學習領域，核心算法和底層構架的缺失，一旦風險爆發，將對中國AI發展帶來致命影響。

從國外廠商在AI領域的布局來看，無論是云計算、芯片，還是算法和底層框架，均以構建自己的生態為根本目的，從而建立起牢不可破的“護城河”。

好在，阿里、百度、華為等國內巨頭已經從各個角度開展布局，阿里平頭哥“含光800”、華為麒麟系列芯片、鴻蒙操作系統以及百度飛槳等都是典型的代表。其中，今年7月，百度宣布飛槳與華為麒麟展開合作，芯片與底層構架的聯手，無疑將共同推動中國深度學習和AI產業的落地和發展。相信這也是建立中國力量生態圈最好范例。

此外，建立和推動開源文化，也是擺在中國企業面前的老生常談的問題。唯有擁抱開放、共享，才能真正推動中國核心技術，尤其是AI技術的快速進步和發展，從而突破“卡脖子”封鎖。

目前，國內深度學習廠商主要分為云計算平臺、AI初創企業、傳統計算廠商以及大數據企業多個陣營。其中，云計算平臺主要是BAT、華為、京東等互聯網巨頭為首；AI初創企業主要有第四范式、商湯、曠視、寒武紀等；浪潮、中科曙光等則發揮自身計算優勢，占有一席之地；星環科技、美林數據、九章云極等大數據企業擁有數據挖掘的優勢，也成為生態中不可獲取的力量。

由此可知，除了AI本身之外，深度學習、機器學習與云、計算、數據等關鍵技術密不可分，這也恰恰證實了國內海量數據儲備和互聯網基礎設施建設對AI行業起到的推動作用。然而，正如上文所述，唯有掌控核心算法和底層框架，擁有基礎設施和核心技術的自研能力，才能真正主導深度學習及機器學習行業。

總之，就連機器學習、深度學習這樣的AI工具包都一直掌控在美國手中，無疑比芯片、操作系統等核心技術的“卡脖子”問題更危險！