免费久久国产&夜夜毛片&亚洲最大无码中文字幕&国产成人无码免费视频之奶水&吴家丽查理三级做爰&国产日本亚欧在线观看

除了“技術炫”，人工智能的另一大特征是“開會多”，然而，專門針對“深度學習”的開發者大會卻少之又少。

究其原因，搞“技術”的AI企業，在深度學習這件事上反而被“技術門檻”所鉗制。不過，這對于一直深耕技術的AI企業來說，也就成了優勢，例如擁有國內唯一開源深度學習平臺PaddlePaddle的百度。

4月23日，百度就與深度學習技術及應用國家工程實驗室在北京聯合主辦了首屆（2019）WAVE SUMMIT深度學習開發者峰會。

不開則已，開則“有料”。

百度高級副總裁、深度學習技術及應用國家工程實驗室主任王海峰面對大批深度學習開發者，拋出“深度學習推動人工智能進入工業大生產階段，深度學習框架是智能時代的操作系統”的言論。

這句話有兩個關鍵詞：AI的發展要進入一個新的階段—“工業大生產”，而這個新的階段深度學習框架將起到關鍵作用—“操作系統”。

深度學習在AI體系內的關鍵價值，使得它已經成為AI深入發展的技術堡壘，也成為各平臺轉型AI企業角逐AI時代的核心內容。WAVE SUMMIT 2019百度試圖率先舉起深度學習的旗幟，通過站位“智能時代的操作系統”擴大AI競爭優勢的意圖，而王海峰敢這么說，百度已有充足的自信。

AI“工業大生產”臨門一腳，深度學習成為“躍遷”力量

AI深入發展的表現之一，是提出“為什么AI”的企業正逐漸減少，而提出“為什么不AI”的企業群體逐漸龐大。

當最傳統的制造業等產業也開始把“智能＋”掛在嘴邊時，多樣化場景反過來需要平臺型AI企業在各種層次上進行開放：

有些開發者只需要借助外部技術完善自家產品，例如智慧客廳場景中，OTT TV的智能互動（語音、圖像等）需求，或互金平臺、游戲平臺等的智能客服需求，這些是目前多數AI企業在技術上所能達到的層次；

有些開發者則因為業務的特殊性，需要借助外部更基礎的深度學習框架能力，如構建農業病蟲害治理應用，這種AI技術呈現出“高門檻”的特征，能夠提供開發者生態的少之又少。

很明顯，越是高通用性的領域，AI技術越是只需要到達“表層”；越是低通用性的領域，AI技術的介入越需要切入“深層”。

問題來了，語音、人臉可以依靠通用性快速普及，那些需求越來越旺盛的AI個案應用怎么辦？——AI全面發展必然要解決“個性化”與“規模化”的矛盾問題。

王海峰提到的深度學習的通用性特點，以及深度學習框架及平臺的發展，正在推動人工智能標準化、自動化和模塊化，進入工業大生產階段，就是在針對這個問題。其解決方式本質是通過深度學習框架，讓AI在“深層”也實現“框架能力”的通用性（對應地，AI已經在“表層”實現“應用能力”的通用性），如此，專屬領域的AI應用也可以被“批量生產”。

由此，也不難理解PaddlePaddle同時在峰會上發布的中文名字“飛槳”——AI發展到了這個階段，深度學習已經急速劃動AI潮流、幫助AI躍遷進入“工業大生產”時代。

這里通過百度PaddlePaddle平臺案例來理解。

在林業管理中，紅脂大小蠹是非常嚴重的害蟲災害，過去，林業管理系統需要通過人力監測來預報和治理蟲情，現在，北京林業大學在百度PaddlePaddle支撐下研發的智能蟲情監測系統，30分鐘可完成原本研究院一周的觀察工作量，大大提升了災害防治的效率；

此外，百度曾基于PaddlePaddle深度學習能力完成了一個“AI控煙”監測項目，數萬張吸煙動作圖片進行了43次深度學習模型訓練，能夠以較高的準確率完成吸煙人群的識別。

這些案例與人臉識別不同，都具備極強的“個案”色彩，其需求是獨特而少有的，傳統AI平臺在應用層并不能提供對應的解決方案，開發者必須借助深度學習平臺自主開發、訓練和部署應用。

反過來，這些“個案”的生產實際上建立在框架能力的通用性基礎之上，圖像識別的深度學習還能以同樣的姿勢生產出更多有關“識別”的個性化AI應用。

如果類比人類歷史上的工業發展變革，深度學習框架實際上也提供了“標準化、自動化、模塊化”的生產平臺，只不過生產的東西變成了“AI應用”。