隨著技術逐漸成熟，人工智能已經進入商業化落地各場景的階段。由于深度學習需要大量的數據與樣本，在進入新場景時，AI公司需要至少得到一套最小價值數據源進行訓練，找到滿足基本場景的算法組合，然后再收集盡可能多的極端案例進行持續迭代。但這也面臨著數據獲取成本將隨著算法升級而越來越高、數據過時需重新標注或剔除等問題，從而引發各類成本的增加。人工智能企業該如何解決AI變為成本中心的問題？人工智能企業曠視通過自研的人工智能算法平臺Brain++和人工智能數據管理平臺Data++，為行業提供了新的思路。

圖：曠視以Brain++和Data++避免AI變成本中心在人工智能真正落地前期，AI公司需要獲得某一場景龐大且高質量的數據量和樣本量，并利用深度學習技術進行海量的算法訓練和模型的持續更新。在此過程中，調參并優化是一個非常緩慢的過程，且會造成成本高、落地難的問題。因此，如何規模化生產算法，同時盡可能降低數據源成本和算力消耗，避免AI成為成本中心成為了企業技術能否長期有效落地的關鍵。對此，人工智能企業曠視自主研發了人工智能算法平臺Brain++和人工智能數據管理平臺Data++，以效率高、成本低、自動化的算法生產能力，推動技術落地。

其中，曠視Brain++具備大規模算法研發能力，其核心的深度學習框架具備獨特的訓練和推理一體化技術架構，同時集成了行業領先的自動機器學習（AutoML）技術，可實現算法訓練和模型部署的高效流程化，和深度神經網絡模型設計自動化，在減少人員參與而不犧牲訓練質量的條件下，大幅提高算法生產效率。

不過，人工智能算法從研發到部署是一套龐大的系統工程，目前業界普遍把深度學習框架作為算法開發工具，但是學習和使用成本高，難以規模化。究其原因，只有深度學習框架并不本質，需要拉通從數據到算力再到框架的端到端解決方案，人工智能時代亟需一個滿足產業需求的操作系統。

為此，針對框架、算力和數據三個核心要素，曠視Brain++在總體架構上分為三部分，包括深度學習框架MegEngine、深度學習云計算平臺MegCompute、以及數據管理平臺MegData。涵蓋了從數據的獲取、清洗、預處理、標注和存儲開始，到研究人員設計算法架構、設計實驗環節、搭建訓練環境、訓練、加速、調參、模型效果評估和產生模型，再到模型分發和部署應用的深度學習算法開發的所有環節。

通過Brain++，曠視研發人員能夠獲得從數據到算法產業化的一攬子技術能力，不用重復造輪子也可以推進AI快速落地。同時，曠視Data++通過數據輔助算法，算法提升數據，亦能夠降低部分成本。

目前，曠視已經基于Brain++開發出了大量部署于云端、移動端、邊緣端全計算平臺的先進深度神經網絡，并打造了以人工智能驅動的物聯網解決方案，實現在個人物聯網、城市物聯網、供應鏈物聯網三大垂直領域的廣泛落地。值得一提的是，曠視還最快預計將于3月底對Brain++進行開源，開放深度學習與低成本高效的算法開發能力，以技術的普惠助推人工智能產業的進一步發展，實現人工智能與各行業的深入融合，實現價值創造。

據艾媒咨詢發布的《2019年中國人工智能年度專題研究報告》顯示，作為全球最大人工智能應用市場，中國人工智能技術落地迅速，預計2030年中國人工智能核心產業規模將突破10000億元。在此背景下，曠視依托Brain++有效避免AI成為成本中心，構建了技術壁壘與產品化能力，實現了人工智能的商業化，幫助創造更多價值，并將通過Brain++的開源，共同推動人工智能落地各行各業，助力社會的智慧化變革。

責任編輯：Ct