AI行業(yè)又一次走到了十字路口。高昂的算力成本，利如紙薄的定制化商業(yè)模式，讓AI公司集體深陷「負利潤」的窘境。

企業(yè)往往寄希望于AI的能力，實現(xiàn)數(shù)字化躍遷，但作為新一代基礎設施，AI行業(yè)本身也遭遇了新的難題：算法從研發(fā)到落地部署都需要巨額成本的投入，且大量的算法在應用落地上并不順利。

如果從源頭來看，云計算或許就是一劑良藥，因為它能提供更低成本的算力和低門檻的開發(fā)服務，算法研發(fā)能力不足的企業(yè)還能直接在云上調用云廠商提供的算法，無需重復造輪子。

作為知名的市場分析機構，Gartner早早嗅到了這一趨勢，他們從2020年就開始發(fā)布《云AI開發(fā)者服務關鍵能力報告》，在Gartner看來，AI與云的結合將愈加密切，AI云服務的能力也將成為AI產(chǎn)業(yè)的重要指標。

令人欣慰的是，中國企業(yè)已經(jīng)壓中了這一趨勢，在今年的報告里，阿里語言AI技術高居全球第二，超越亞馬遜AWS、微軟等企業(yè)，正式進入世界第一梯隊。

也正因如此，AI行業(yè)的前景依舊被廣泛看好。Gartner報告提到，到2025年，70%的新應用程序將集成AI模型，而云AI服務能降低AI應用的開發(fā)門檻。這意味著云計算將成為陣痛期AI的最大變量。

給AI兜底的，為什么會是云？

AI商業(yè)化面前的兩座大山：算力成本、項目成本

早在2017年，學術界和工業(yè)界在最具影響力的AI頂會CVPR上就對深度學習的問題展開了激烈的討論。

討論的焦點在于，深度學習的“大數(shù)據(jù)+大算力”范式需要巨大的成本支撐，這必然成為AI商業(yè)化的最大阻力。

“深度學習確實在語音、圖像識別等數(shù)據(jù)中，比傳統(tǒng)的AI方法更精準，這也是它成為引領第三波AI浪潮的關鍵，只不過深度學習是把雙刃劍，它對燃料（算力、數(shù)據(jù)、能耗）的消耗，尤其是對算力的需求，遠超傳統(tǒng)方法。好比以前只吃兩個饅頭就能活下去，現(xiàn)在為了活得更好，卻又受到食材的限制，只能選擇天天吃昂貴的和牛。雖然更有營養(yǎng)，但這顯然不可持續(xù)。”多位AI專家告訴雷峰網(wǎng)。

由于AI的計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深度學習一度成了野蠻和暴力的代名詞。

2012年，谷歌利用16000塊芯片，讓AI觀看數(shù)百萬段YouTube視頻來識別出貓，即便如此仍錯誤百出，還不如人類眼睛的一瞥高效。

2016年，AlphaGo擊敗圍棋冠軍李世石的人機大戰(zhàn)中，AlphaGo每局棋需消耗約100萬瓦的電能。相比之下，人腦消耗的功率僅20瓦，只有AlphaGo的5萬分之一。

2018年之后，Transformer以及Bert等催生了預訓練大模型的誕生，雖然讓AI的性能變得更強，但所需的算力也大幅攀升。專門搭建一個這樣的集群，對于大部分中小企業(yè)來說是難以承受的。

「算力」的供不應求，讓其成為整個AI領域的稀缺資源。這也是不少學術界AI大牛紛紛涌入谷歌、微軟、阿里等大型科技企業(yè)的主要原因，這類企業(yè)擁有豐富的業(yè)務場景，且有近乎取之不盡的算力資源。

AI所面臨的問題還不僅于此，在商業(yè)落地過程中：企業(yè)不得不為每一個場景定制專屬解決方案，這無形中增加了企業(yè)的開發(fā)成本，利潤也因此被壓縮。

早期的創(chuàng)業(yè)公司都迷信于“研發(fā)SDK，先標準化，再規(guī)?；±噤N，以量取勝”的商業(yè)設想。但現(xiàn)實很骨感，當AI公司們拿著SDK沖進行業(yè)里才發(fā)現(xiàn)，習慣了重型定制化貼身服務的B端客戶們，需要的不是單個的開發(fā)包，也不具備集成SDK的能力，他們需要的是一套定制化的解決方案。一套SDK包打天下的夢想就此破滅。

SDK走天下夢碎后，AI公司們開始從輕變重，走高度定制化解決方案的路子。但充滿個性化定制的項目制模式，極易讓企業(yè)滑進虧損的漩渦——獲客周期長、實施成本高、重人力交付……成本的高企導致利潤微薄，甚至一不小心做得越多，虧得越多。

標準化美夢易碎，定制化困局難解，AI企業(yè)在商業(yè)落地上左右為難。

事實證明，由算力成本和項目成本制造的兩條后腿，正在讓AI步履蹣跚。

而要卸下這兩條后腿，就要打破固有思路，走上一條新的道路。專家們向雷峰網(wǎng)分析道，頂尖高校和頭部科技公司現(xiàn)在的探索方向就是：從基礎理論層面，用創(chuàng)新算法讓AI本身變得更精益、更聰明；在工程層面，則需要讓AI研發(fā)的成本變得更低。

云計算，為什么是解開“AI成本困局”的良藥

毫無疑問，AI的成本問題，算力是最大的癥結之一，也是破局的最大突破口。

通過算力集群的規(guī)?；?，降低單位算力成本，是一條清晰的、具有一定可行性的道路。

在早期，AI所需算力并不高，CPU足以應對。但隨著深度學習時代的到來，高質量的AI算法背后往往有驚人的數(shù)據(jù)量，此時訓練所需的數(shù)據(jù)，規(guī)模已遠超當年，更“強悍”的GPU逐漸登上歷史舞臺，成為AI算力的主流。

而當深度學習逐漸加深，模型的規(guī)模越來越大，單個GPU已無法滿足算力。這時候，GPU并行的算力集群就顯得尤為重要。大規(guī)模的算力集群，不僅能有效降低GPU采購成本，還能通過集群優(yōu)勢提升計算性能。

但此時新的問題又浮現(xiàn)了：有資源≠天然就用得好資源。如果企業(yè)沒有合理高效的資源管理，GPU并行的算力集群自身屬性再強，也無法自動鍛造出優(yōu)質AI大模型，更無從承載一個體驗尚佳的AI應用。企業(yè)如今所面對的AI算力困境，包含著眾多瑣碎痛點：

如果沒有算力線性擴展能力，100臺機器可能還比不上1臺機器的性能，大量的時間就會消耗在非計算開銷里。

如果沒有提升資源利用率的能力，昂貴的GPU集群很容易利用率不足10%。

業(yè)務發(fā)展速度難以預測，項目來了需要快速投入，等線下購買到資源，很容易錯過機會窗口。

GPU卡故障率高，企業(yè)要騰出手來處理IaaS運維等苦活、累活。

GPU幾乎半年更新一代，如果隨時更換成最新型號，成本居高不下，舊卡又會被閑置。

此時，云上開發(fā)AI這一方案被擺上桌面，云計算本身具有的彈性、共享性和互通性等特性正與這些痛點匹配。企業(yè)可以借助云計算隨時隨地按需靈活擴縮容，進而提升算力效率、降低AI研發(fā)成本，基礎設施層的運維等問題也可以交由更專業(yè)的云廠商處理。

這讓企業(yè)在AI領域模型越演進越復雜，算力需求越來越強的大背景下，可以揚長避短，充分利用市場上已有的技術紅利去自我賦能，提升自身業(yè)務迭代效率。

以阿里云為代表的國內互聯(lián)網(wǎng)云廠商，早已提前布局，并將這一系列技術對外服務。


阿里云張北數(shù)據(jù)中心，可容納百萬臺服務器

值得一提的是，不同于AI獨角獸們專注to B、to G，這批提供云AI服務的互聯(lián)網(wǎng)云巨頭，自身往往擁有海量的場景業(yè)務，可以使算力集群得到高飽和使用，分攤GPU的折舊成本，從而避免GPU集群算力閑置的問題。

這一做法，與谷歌的案例有異曲同工之妙。谷歌前CEO施密特曾談到，谷歌搜索之所以能在競爭中占有優(yōu)勢，關鍵因素之一在于成本低。

“Google的運營成本只有微軟和雅虎的幾分之一，一次搜索服務的成本只有零點幾美分。節(jié)省下來的錢，Google可以購買更多的服務器、提升運算性能，如此一來，在與競爭對手相同的單位價格下，Google可用更多的硬件和算法，實現(xiàn)更好的搜索質量。”

真正一流的技術和科技公司，最先應該做的事是利用技術實現(xiàn)自身的降本增效，只有把生產(chǎn)要素的成本降下來，才能做到真正意義上的進入行業(yè)。

這種通過降低自身生產(chǎn)成本，提升計算資源的利用效率，把邊際效應最大化，用最低的成本，走向規(guī)?；瘧?，這是科技產(chǎn)業(yè)落地發(fā)展的最佳路徑。

除了算力問題，云AI服務也可以有效降低AI應用的開發(fā)門檻。以阿里為例，其機器學習平臺PAI、達摩院研發(fā)的基礎算法模型以及各種訓練的加速框架等，從低門檻、全鏈路角度出發(fā)，高效滿足了AI算法的開發(fā)需求。

云廠商扛起AI產(chǎn)業(yè)化重擔

跳出技術層面，在商業(yè)層面，云計算也在幫助AI產(chǎn)業(yè)加速破局。

目前國內AI產(chǎn)業(yè)主要有三條演進路徑，從項目制出發(fā)：一條是最難獲取高利潤的多行業(yè)拓展模式，為了快速鋪大攤子、做大規(guī)模，或者尋求業(yè)務突破而進入到金融、醫(yī)療、零售等數(shù)個領域，多線作戰(zhàn)；一條是專注于一個垂直行業(yè)，把方案和服務做深做透，進而尋求在某一領域里實現(xiàn)平臺化；還有一條是先聚焦于算法的打磨，做好算法的產(chǎn)品化，再依托云平臺將算法對外服務，并用云平臺的基礎設施能力幫助企業(yè)研發(fā)算法。

國內AI產(chǎn)業(yè)演進的三條路徑

而以阿里云為代表的頭部互聯(lián)網(wǎng)云廠商，在AI領域正朝著最良性的第三條道路邁進。

這種模式的好處在于，基于云平臺的底座，不僅可以免去大部分本地化部署的枷鎖，還能提供低成本的自研算法研發(fā)，快速為算法研發(fā)能力弱的企業(yè)服務，例如達摩院研發(fā)的視覺、語音、NLP等算法就在阿里云上對外服務。同時，云上的計算、存儲、網(wǎng)絡、機器學習平臺等還能為具備算法研發(fā)能力的企業(yè)提供AI研發(fā)和落地的全鏈路支持。

這條將云與AI完美結合的路徑，已經(jīng)初有成效。以毫末智行為例，這家公司將算法訓練任務放到阿里云上，利用后者的對象存儲OSS和小文件存儲CPFS，可實現(xiàn)海量數(shù)據(jù)冷熱分層存儲和高效的數(shù)據(jù)流通，基于彈性GPU實例在機器學習平臺PAI上進行云上分布式模型訓練，吞吐性能提升110%，模型成熟度在短時間內大幅提高。據(jù)介紹，這樣的訓練效率最高可提升70%，整體成本降低約20%。

過去十幾年里，云計算憑借在算力成本和商業(yè)上的雙重優(yōu)勢，以DNA復制般的速度進入到各行各業(yè)，如今，其在通用計算領域中已被驗證過的價值正在被復制到AI領域，助力AI沖破落地瓶頸，實現(xiàn)萬千普惠。

Gartner也毫不掩飾對這一趨勢的預判，其最新的AI云服務報告指出，到2025年，人工智能軟件市場規(guī)模將達到1348億美元，而云AI服務是其中不可或缺的核心推力之一。

事實上，回顧半個多世紀里人工智能產(chǎn)業(yè)一路走來的潮起潮落，每一次低谷崛起都伴隨著某一新變量帶來的突破。如今，云計算正在成為眼下被寄予厚望的最大變量，這一次，將AI產(chǎn)業(yè)推向正軌的責任被使命般地交到了云廠商的肩上。