近年来，无论是生活还是生产，AI的身影无处不在，人工智能所带来的世界新一轮科技革命和产业变革曙光已现，正在引发全球经济结构的重塑，并与我国发展方式的转变形成了历史性交汇。
与此同时，AI技术背后的争夺战也成为了各方关注的中心，其中 学习框架作为AI时代的“操作系统”已经暗潮汹涌。然而透过现象看本质，这场属于技术流的战争却值得我们深入思考。
全球权威咨询IDC在《中国 学习平台市场份额调研》中，对国内的 学习平台给出了详细的市场解析：在AI技术使用方面，接受调研的企业和开发者中，86.2%选择使用开源 学习框架。
不难看出， 学习平台已经开始备受信赖。然而信赖背后的“依赖”也开始成为隐患。
IDC还指出，在国内 学习框架的使用上，谷歌、Facebook、百度虽然占据了国内绝大部分市场份额，但是来自国外的 学习平台仍处于较大的领先优势。
也就意味着，在现阶段的 学习框架市场，我们处于和移动互联网时代相同尴尬的境地——过度依赖他国技术。
倘若 学习框架被“断奶”，会产生什么样的影响？
可以打这样一个比方： 学习就像是一道菜谱，数据是肉和蔬菜， 学习框架就是炒菜的锅和铲子，如果被人拿走了锅和铲子，再高明的厨师也无法炒出一道像样的菜。
芯片已经让不少中国企业和开发者有了覆舟之戒， 学习框架却刚刚引起关注。
为什么要关注 学习平台？
自然而然的， 学习框架也就成了“兵家必争之地”。
目前已经出现了Caffe、TensorFlow、飞桨（PaddlePaddle）、PyTorch等几十种开源框架。尤其是谷歌2015年底在GitHub上正式开源的TensorFlow，几乎是当下使用最广的 学习框架。
谷歌对于TensorFlow的推广不无成功，选择使用TensorFlow的企业中，不乏网易、京东、360、联想、美团等中国的科技企业。
但业界也出现了警惕TensorFlow的声音。
比如亚马逊、Facebook等对TensorFlow的封闭深恶痛绝，分别推出了MxNet、PyTorch等 学习框架，希望以兼容性和开放优势，打破谷歌一骑绝尘的格局；
苹果也为自家开发者引入了BNNS 和 MPSCNN两个 学习框架，并在GitHub上发布了一个名为Turi Create的机器学习框架，降低AI开发的门槛，也为避免在人工智能的赛道上被谷歌扼住喉咙。
原因似乎不难理解，虽然TensorFlow是开源的，TensorFlow已经与谷歌生态 绑定，不排除会出现类似Android的局面。同时在商业层面上，谷歌为了卖自家的TPU，会不会逐渐放弃对其他GPU的支持？如果哪家公司在智能驾驶等核心技术上有赶超谷歌的趋势，是否存在在TensorFlow层面被谷歌打压的可能。
借鉴谷歌在Android问题上对华为的态度，那些 依赖TensorFlow的开发者，无疑也处于一种高度不确定之中。
来自中国的“全尺寸轮胎”
与其信任他人“不作恶”的承诺，不如技术自立。
经济学家何帆曾给出了这样的预言：现在的“备胎”还只是出现在男女关系中，未来将是科技界使用最多的一个名词。
学习框架有些例外，中国的企业早在未雨绸缪。早在2016年的时候，百度就将飞桨开源，以免将命运假于他人之手。国家也对此非常重视，国家发改委在2017年批复，国内唯一的 学习技术及应用国家工程实验室由百度牵头筹建。
目前，飞桨不仅是中国首个，也是目前唯一开源开放、功能完备的端到端 学习平台。
这个集核心框架、工具组件和服务平台为一体的端到端开源 学习平台，囊括支持面向真实场景应用、达到工业级应用效果的模型，针对大规模数据场景的分布式训练能力、支持多种异构硬件的高速推理引擎等，并在不久前一次性发布11项新特性及服务，包含PaddleNLP、视频识别工具集、Paddle Serving、PaddleSlim、AutoDL Design等多种 学习开发、训练、预测环节的“硬通货”，满足不同层次开发者的研发和创新需求。
相比于其他开源的 学习框架，飞桨最大的特点在于easy to use，对很多算法进行了完整封装，开发者只需要略微了解下源码原理，导入自己的数据就可以执行运行的命令。
有了飞桨这样的“全尺寸轮胎”，中国AI不缺少飞速前行的可能。
百度也积极通过产学研联动推动飞桨的大范围落地，通过师资培训班，AI赛事等举措，帮助近百所高校成功开设人工智能课程，直接惠及近万名学生，为未来的AI话语权争夺战打下了良好的基础。而飞桨在产研联动的过程中，不仅仅作为教学工具助推教育，也在进一步减少开发者对外国 学习框架的依赖。
经历几年的积累后，飞桨的一系列落地应用正在改变着各行各业：
在农业领域， 精确的地块识别和分割在农业有非常重要的意义，有利于根据遥感数据对作物长势、作物分类、成熟期预测、灾害监测、估产等工作进行高效辅助，目前为止的绝大部分地块分割都是靠人力进行的。比如中科赛诺应用飞桨对农业遥感数据进行图像分割，对耕地面积进行提取，从而进行有效的估产并辅助相关其它农事活动。
在工业领域，合金熔炼的过程中，合金元素会根据炉内温度、熔炼时间等因素发生无法用机理进行判断和解释的变化，传统合金熔炼环节大多由有经验的师傅进行补料，需要多次实验和调整。精诺数据基于飞桨平台研发了IAPBOA算法，利用历史配料数据建模，通过机器学习优化企业个性化配料方案，最终达到生产质量和生产成本的最优平衡点，从而指导熔炼生产，减少对经验的依赖，达到提升熔炼效率、节省原材料的效果。
这样的案例还有很多很多，也正因为如此， 学习平台几乎决定了AI未来应用的走向。
某种意义上说，中美的人工智能竞赛很可能会演化成一场“框架之争”。假如中国不在 学习平台市场占据一席之地，完全依赖国外，系统的透明性将逐渐消失，国外企业将成为全世界数据、硬件、编译器的标准制定者。特别是人工智能的应用涉及到安防、识别、城市交通、公共服务等国家事务，把这些应用放在国外平台上开发，安全风险不言而喻。
除了产业链风险，中美在人工智能的应用需求上也存在很大的差异，像TensorFlow在语音交互、神经网络翻译等核心技术上，很少有中文数据集以及中文领域的技术探索。换而言之，只有深谙中国开发者需求和中国AI市场生态的 学习框架，才是适合中国智能时代的“操作系统”。
写在最后
在贸易冲突愈演愈烈的大背景下，全球商业环境已经存在很大的不确定性，尤其是走在世界前沿的中国科技产业，“拿来主义”的做法早已不再适用。
PC系统，我们已经有了同方科技与清华大学共同研发的开源桌面操作系统OPENTHOS；移动系统，华为传说中的“鸿蒙”历经十年打磨，即将显出锋芒；而AI系统，也就是 学习框架，也需要独立自主，百度飞桨可能就是这道难题目前的最优解。
欣慰的是，华为和百度企业走到了一起，飞桨和麒麟芯片，两个“国货之光“正在进行强强联合。
或许在芯片和底层技术上，中国还有很长一段路要走，但在人工智能、5G、IoT等未来场景的争夺上，中国企业还需要在基础和关键技术上下苦工，避免在沙滩上起高楼，被别人牵着鼻子走。
我们需要的是属于自己的“国货之光”。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
