作者｜韋世瑋

**

(資料圖片)

“茶興于唐而盛于宋”。據(jù)說始于神農(nóng)時(shí)代的中國茶文化，至今已流淌了4700多年歷史，隨后在唐朝走向發(fā)展的黃金時(shí)代，在宋朝進(jìn)入了茶文化繁榮的鼎盛時(shí)期。

與唐朝煎茶、元朝泡茶不同的是，宋朝流行的點(diǎn)茶不僅催生出了“斗茶之風(fēng)”，還讓建盞風(fēng)靡了千年，在茶案上獨(dú)領(lǐng)風(fēng)騷。

何為建盞？顧名思義，就是建窯燒制的黑釉茶盞，發(fā)源于今福建省南平市建陽區(qū)，憑借獨(dú)一無二又絢麗神奇的斑紋，享有“入窯一色，出窯萬彩”的美譽(yù)，上至皇族、下至平民無不喜愛?！巴煤吝B盞烹云液，能解紅顏入醉鄉(xiāng)?！边@正是宋徽宗在《宮詞其七四》中對(duì)建盞的贊美。

2011年，建窯建盞燒制技藝成功列入國家級(jí)非物質(zhì)文化遺產(chǎn)名錄，并走進(jìn)國際視野，引起世界收藏愛好者們的關(guān)注和熱情。近年來，建盞相關(guān)企業(yè)從原來的12家猛增到7200多家，產(chǎn)值也從原來的100多萬元發(fā)展到預(yù)計(jì)75億元，品牌價(jià)值超160億元。

建窯建盞

建盞巨大的商業(yè)價(jià)值和投資潛力背后，產(chǎn)業(yè)的隱秘角落也滋生了假冒仿制、以次充好等行業(yè)亂象，嚴(yán)重破壞了市場(chǎng)秩序和良性發(fā)展，也影響著建盞產(chǎn)值的發(fā)展和品牌價(jià)值。然而過去的建盞鑒定主要依賴傳承人的親筆簽名、拍照，或是提供產(chǎn)品防偽碼等，這些方式不僅效率低，人力成本也高，難以解決行業(yè)亂象。

直到2021年6月，建盞生態(tài)公司找到了曠視科技，提出了建盞識(shí)別和溯源的需求。通過借助“算法量產(chǎn)”，曠視科技推出了首個(gè)基于AI圖像識(shí)別技術(shù)打造的建盞溯源系統(tǒng)，為每一只建盞賦予專屬“電子身份證”，實(shí)現(xiàn)了“一盞一圖、一盞一碼、圖碼結(jié)合”，有效地解決仿造、偽造、以次充好等問題。

實(shí)際上，曠視科技AI建盞溯源系統(tǒng)的研發(fā)之路并不輕松。從去年6月至今，曠視科技在開發(fā)這套系統(tǒng)過程中，主要面臨了哪些意想不到的挑戰(zhàn)？研發(fā)背后蘊(yùn)含的“算法量產(chǎn)”理念又是什么？如何加速AI落地，與實(shí)體經(jīng)濟(jì)進(jìn)一步深度融合？

為此，近日36氪等媒體與曠視科技展開了一場(chǎng)深度對(duì)話，在探究以上答案的同時(shí)，我們也看到了作為“AI四小龍”的曠視科技，是如何逐漸摸索出一條屬于自己特有的，具有差異化競(jìng)爭(zhēng)力的落地路徑。

01、識(shí)別準(zhǔn)確率超95%，千年建盞溯源的挑戰(zhàn)

最初接觸到AI建盞溯源項(xiàng)目的曠視研究院團(tuán)隊(duì)并沒有信心，“因?yàn)槲覀冋J(rèn)為，當(dāng)人本身就難以判斷盞之間的區(qū)別時(shí)，那AI大概率很難做到，并且行業(yè)也沒有可借鑒的案例。”曠視研究院算法研究員申遠(yuǎn)談道。更重要的是，與其他瓷器相比，建盞釉面具備的金屬光澤會(huì)有很強(qiáng)的反光，這對(duì)AI識(shí)別來說是一個(gè)巨大的挑戰(zhàn)。

如何在這一堆“不可能”中找尋到一絲可能性，申遠(yuǎn)和同事們進(jìn)行了許多探索性嘗試。在這個(gè)過程中，曠視團(tuán)隊(duì)親自采集了8500個(gè)建盞樣本數(shù)據(jù)，并進(jìn)行了初步驗(yàn)證，發(fā)現(xiàn)效果比預(yù)想的還要好一些。至此，曠視團(tuán)隊(duì)才第一次真正對(duì)AI建盞項(xiàng)目產(chǎn)生信心。

但新的問題也隨之而來。

“過去我們接到類似的項(xiàng)目，往往需要研究員花費(fèi)大量時(shí)間做實(shí)驗(yàn)設(shè)計(jì)，在過程中進(jìn)行大量算法模型參數(shù)的調(diào)優(yōu)?！睍缫曆芯吭核惴慨a(chǎn)負(fù)責(zé)人周而進(jìn)說。

為了改善這一問題，曠視對(duì)AI生產(chǎn)模式進(jìn)行了思考，希望能夠?qū)⒄麄€(gè)AI算法生產(chǎn)的過程進(jìn)行標(biāo)準(zhǔn)化，從而降低算法生產(chǎn)的門檻。于是，曠視提出了“算法量產(chǎn)”理念，基于曠視Brain++和曠視天元訓(xùn)練框架，打造了一個(gè)能夠適配算法量產(chǎn)的AI基礎(chǔ)設(shè)施——算法生產(chǎn)平臺(tái)AIS（AI Service）。

基于“算法量產(chǎn)”理念和AIS算法生產(chǎn)平臺(tái)，并通過借鑒許多在其他生物認(rèn)證識(shí)別上的經(jīng)驗(yàn)，曠視團(tuán)隊(duì)迅速完成了建盞溯源算法的原型開發(fā)，并驗(yàn)證了可行性。

簡(jiǎn)單來看，這套AI建盞溯源系統(tǒng)細(xì)分了大量的子方向和算法，包括建盞的定位、檢測(cè)、質(zhì)量判斷，以及最重要的紋理識(shí)別。另外針對(duì)釉面材質(zhì)的反光，曠視研發(fā)了一個(gè)專門的硬件設(shè)備，形狀像一個(gè)封閉的盒子，并內(nèi)置可控制的光源，只要將剛出窯的建盞放進(jìn)盒子里打光拍攝，就能夠從物理層面大大解決常規(guī)拍攝的嚴(yán)重反光，導(dǎo)致信息丟失的問題。

曠視AI建盞溯源系統(tǒng)

與此同時(shí)，通過2D圖像的檢測(cè)和細(xì)分特征識(shí)別，曠視只需要對(duì)建盞進(jìn)行多個(gè)角度的拍攝和提取特征，就能捕捉到整只建盞的3D結(jié)構(gòu)信息。

曠視AI建盞溯源系統(tǒng)的誕生，不僅實(shí)現(xiàn)了“一盞一圖、一盞一碼、圖碼結(jié)合”，對(duì)兔毫、鷓鴣斑、曜變等類型建盞達(dá)到95%以上的識(shí)別準(zhǔn)確率，還可支持移動(dòng)端快速鑒別建盞的真?zhèn)?。這對(duì)推動(dòng)建盞產(chǎn)業(yè)的規(guī)范化和數(shù)字化升級(jí)，提供了一套行之有效的解決方案。

曠視AI建盞溯源系統(tǒng)支持移動(dòng)端快速鑒別建盞

周而進(jìn)告訴36氪，如今這套系統(tǒng)已基本能做到在正常光照環(huán)境下完成拍攝任務(wù)，但也存在不少迭代改進(jìn)空間，主要集中在算法演進(jìn)和識(shí)別準(zhǔn)確性上。一是將繼續(xù)提高系統(tǒng)對(duì)更多光照環(huán)境的適應(yīng)性，讓用戶的拍照角度更隨意；二是逐步優(yōu)化系統(tǒng)對(duì)特征不易觀測(cè)的建盞（如單色黑釉）的識(shí)別準(zhǔn)確性。

對(duì)曠視團(tuán)隊(duì)來說，這是他們將AI算法落地到非物質(zhì)文化遺產(chǎn)保護(hù)的第一步。

“從技術(shù)角度看，建盞背后的整個(gè)算法生產(chǎn)模式和技術(shù)，可以被復(fù)制到許多類似非遺保護(hù)的產(chǎn)品上。更廣一點(diǎn)說，做物品的鑒定、身份確認(rèn)等工作，背后的技術(shù)原理是相通的?！敝芏M(jìn)說。

02、基于“算法量產(chǎn)”解決大規(guī)模算法落地問題

實(shí)際上，AI建盞溯源系統(tǒng)只是曠視“算法量產(chǎn)”理念在落地過程中的一個(gè)側(cè)影。至今，曠視已幫助能源、教育、零售、運(yùn)動(dòng)健身等領(lǐng)域的客戶實(shí)現(xiàn)了技術(shù)在日常生產(chǎn)和經(jīng)營(yíng)中的應(yīng)用，達(dá)到降本增效的效果。

例如，曠視開發(fā)的明廚亮灶算法已在10余座城市的學(xué)校落地，保障學(xué)生用餐安全；基于MegEngine框架，并通過“算法量產(chǎn)”和AIS生產(chǎn)平臺(tái)，曠視為某油田提供了煙霧檢測(cè)、火焰檢測(cè)、油品泄漏、配電室未佩戴絕緣手套等多項(xiàng)AI算法，通過“危險(xiǎn)化學(xué)品視頻分析智能預(yù)警系統(tǒng)”，提升其日常安全監(jiān)管工作效率。

透過“算法量產(chǎn)”理念，我們不難看到曠視對(duì)當(dāng)下AI行業(yè)落地產(chǎn)生的新思考。

“大規(guī)模算法落地本身是一個(gè)系統(tǒng)問題，真正難點(diǎn)在于這個(gè)系統(tǒng)的復(fù)雜性?！敝芏M(jìn)談道，目前各行各業(yè)都有算法在不斷融入，但真正能解決問題的算法仍供不應(yīng)求，整個(gè)AIoT市場(chǎng)的算法供給面臨行業(yè)數(shù)據(jù)匱乏、算法通用性低、IoT設(shè)備繁雜、Software2.0的挑戰(zhàn)、算法供給質(zhì)量參差不齊等五大挑戰(zhàn)。

AIoT市場(chǎng)算法供給面臨5大挑戰(zhàn)

為了解決這些問題，目前玩家通常采用定制化開發(fā)、預(yù)訓(xùn)練大模型、云端AI開發(fā)平臺(tái)等不同方式進(jìn)行算法生產(chǎn)。除此之外，一直以來的算法生產(chǎn)模式為“需求-數(shù)據(jù)-模型-部署”，該模式要求研究員具備非常高的綜合能力，整體生產(chǎn)流程存在分工難以明確、全能型人才稀缺、培訓(xùn)和人才儲(chǔ)備成本高昂、經(jīng)驗(yàn)無法沉淀成方法的難點(diǎn)。

在周而進(jìn)看來，這些算法生產(chǎn)方式大部分是針對(duì)某個(gè)單一算法，關(guān)注算法的“瞬時(shí)指標(biāo)”，但在應(yīng)對(duì)一個(gè)復(fù)雜問題時(shí)，光靠單點(diǎn)是不夠的。如果要有效解決整個(gè)系統(tǒng)問題，就要從算法生產(chǎn)到算法模型，再到推理框架進(jìn)行標(biāo)準(zhǔn)化，去構(gòu)建算法生產(chǎn)體系和基礎(chǔ)設(shè)施，去關(guān)注算法的可用標(biāo)準(zhǔn)和持續(xù)迭代能力?！皹?biāo)準(zhǔn)化才有可能讓算法生產(chǎn)的所有環(huán)節(jié)實(shí)現(xiàn)自動(dòng)化?！彼f。

基于10多年的算法研發(fā)和多行業(yè)項(xiàng)目實(shí)踐經(jīng)驗(yàn)，曠視提出了“算法量產(chǎn)”理念，希望通過算法量產(chǎn)，將AI生產(chǎn)過程標(biāo)準(zhǔn)化，降低算法生產(chǎn)門檻，從而讓更多人能夠加入到算法生產(chǎn)工作中，提升算法生產(chǎn)效率。

“算法量產(chǎn)不是單一的產(chǎn)品，而是對(duì)AI生產(chǎn)模式的理念革新和生產(chǎn)力進(jìn)化?！敝芏M(jìn)提到。

為了更好地實(shí)現(xiàn)算法量產(chǎn)，曠視一方面提出了適配算法量產(chǎn)的5:3:2研發(fā)體系，包括5個(gè)行業(yè)工程師，基于AIS算法生產(chǎn)平臺(tái)進(jìn)行相應(yīng)的業(yè)務(wù)交付；3個(gè)算法研究員，聚焦算法的創(chuàng)新與探索；2個(gè)工程師，不斷打磨相應(yīng)的基礎(chǔ)設(shè)施并進(jìn)行AI生產(chǎn)力工具的開發(fā)。

另一方面，曠視提出了適配算法量產(chǎn)的AI基礎(chǔ)設(shè)施——算法生產(chǎn)平臺(tái)AIS（AI Service），主要基于曠視Brain++體系，構(gòu)建了一套覆蓋數(shù)據(jù)處理、模型訓(xùn)練、性能分析調(diào)優(yōu)、推理部署測(cè)試等算法生產(chǎn)全鏈路的零代碼、自動(dòng)化的生產(chǎn)力工具平臺(tái)。

曠視算法生產(chǎn)平臺(tái)AIS

目前，曠視AIS平臺(tái)已經(jīng)支持100多種業(yè)務(wù)模型訓(xùn)練，最快2小時(shí)即可完成訓(xùn)練，同時(shí)其嵌入式管理平臺(tái)已支持30種設(shè)備的管理，能有效節(jié)省IoT設(shè)備的日常開發(fā)與維護(hù)成本?！敖刂两衲甑谌径?，城市物聯(lián)網(wǎng)板塊75%的模型發(fā)版都是通過算法量產(chǎn)的模式來完成?！敝芏M(jìn)說。

但需要注意的是，解決大規(guī)模AI算法落地的問題并不等同于解決AI落地。

主要原因在于，AI落地還涉及很多其他因素，比如產(chǎn)品、解決方案、整體價(jià)格、客戶的信息化水平等，不單是大規(guī)模AI算法落地這個(gè)單一性問題。周而進(jìn)告訴36氪，這需要AI技術(shù)know-how和行業(yè)know-how的深度融合，需要有核心技術(shù)體系，有軟硬協(xié)同一體的產(chǎn)品能力，以及產(chǎn)品落地行業(yè)的實(shí)踐經(jīng)驗(yàn)，才能真正加速AI算法在各行業(yè)的落地。

03、曠視如何面向AIoT產(chǎn)業(yè)發(fā)展的黃金十年？

如果說“算法量產(chǎn)”是曠視針對(duì)大規(guī)模算法生產(chǎn)落地而提出，那么“算法定義硬件”則是其針對(duì)AIoT海量應(yīng)用場(chǎng)景需求下提出的另一個(gè)產(chǎn)品理念。

實(shí)際上，面對(duì)當(dāng)前豐富靈活多變的AI場(chǎng)景需求，以及不斷蓬勃發(fā)展的應(yīng)用生態(tài)，大部分傳統(tǒng)硬件的產(chǎn)品思路是在AI技術(shù)和產(chǎn)品之間、軟硬件之間、技術(shù)平臺(tái)之間找到一種平衡，但這種平衡往往“魚和熊掌不可兼得”，要么犧牲AI算法能力，要么犧牲硬件功能。

在曠視看來，如果要實(shí)現(xiàn)真正的協(xié)同，需要將算法需求前置考慮，從算法和用戶場(chǎng)景需求出發(fā)，反推所有技術(shù)架構(gòu)和平臺(tái)之間的協(xié)同設(shè)計(jì)，從而得到一個(gè)更優(yōu)的產(chǎn)品方案。

基于此，“算法定義硬件”應(yīng)運(yùn)而生。

與“算法量產(chǎn)”的底層邏輯相通，在“算法定義硬件”中，算法是產(chǎn)品的核心要素，硬件將圍繞算力的優(yōu)化和算法支撐來重新設(shè)計(jì)，逐步走向標(biāo)準(zhǔn)化。同時(shí)，標(biāo)準(zhǔn)化硬件能夠通過加載不同算法，靈活演變成不同的智能化硬件，從而滿足海量場(chǎng)景的應(yīng)用需求。

從技術(shù)角度看，“算法定義硬件”的底層依賴是曠視以“基礎(chǔ)算法科研”和“規(guī)模算法量產(chǎn)”為核心的“2+1”AIoT核心技術(shù)科研體系，還有以“計(jì)算攝影學(xué)”為核心的“算法定義硬件”IoT技術(shù)體系（包括AI傳感器和AI機(jī)器人）。整套科研體系涵蓋從基礎(chǔ)研究、算法生產(chǎn)到軟硬一體化產(chǎn)品的AI落地全鏈路，這也是曠視的技術(shù)護(hù)城河，以及公司未來走向AIoT商業(yè)化成功的重要基石。

不可否認(rèn)，AIoT產(chǎn)業(yè)正逐漸迎來發(fā)展的黃金十年，AI技術(shù)也將進(jìn)入這萬億級(jí)的海量AIoT場(chǎng)景中。

面向這個(gè)未來，曠視將AIoT產(chǎn)業(yè)的發(fā)展劃分為三個(gè)階段：第一階段是單品短閉環(huán)階段，核心AI硬件涌現(xiàn)；第二階段是產(chǎn)品大閉環(huán)階段，“云邊端”產(chǎn)品體系重構(gòu)；第三階段是產(chǎn)業(yè)全面開放階段，AIoT生態(tài)繁榮發(fā)展。

對(duì)曠視來說，貫穿這三大階段的產(chǎn)品理念，正是“算法定義硬件”。

結(jié)語

回看整個(gè)AIoT產(chǎn)業(yè)的發(fā)展，曠視針對(duì)建盞溯源需求提出的解決方案，不過是AI技術(shù)落地過程中的冰山一角。在這條細(xì)流之外，還有更多企業(yè)沿著不同技術(shù)路徑而努力，目標(biāo)都是為了推動(dòng)AIoT市場(chǎng)未來的百花齊放和生態(tài)繁榮。

在這個(gè)過程中，如何找準(zhǔn)適合自己的途徑和方法，提高自我造血能力，這是曠視乃至每一個(gè)玩家正不斷思考和努力解決的重要命題。如今曠視給出的解決方案是：算法要與硬件和應(yīng)用結(jié)合，打造出匹配場(chǎng)景需求的硬件產(chǎn)品，這才能形成真正閉環(huán)的價(jià)值，從而激發(fā)整個(gè)AIoT生態(tài)的創(chuàng)新。

關(guān)鍵詞： 解決方案 基礎(chǔ)設(shè)施