AI行业又一次走到了十字路口。高昂的算力成本，利如纸薄的定制化商业模式，让AI公司集体深陷「负利润」的窘境。
企业往往寄希望于AI的能力，实现数字化跃迁，但作为新一代基础设施，AI行业本身也遭遇了新的难题：算法从研发到落地部署都需要巨额成本的投入，且大量的算法在应用落地上并不顺利。
如果从源头来看，云计算或许就是一剂良药，因为它能提供更低成本的算力和低门槛的开发服务，算法研发能力不足的企业还能直接在云上调用云厂商提供的算法，无需重复造轮子。
作为知名的市场分析机构，Gartner早早嗅到了这一趋势，他们从2020年就开始发布《云AI开发者服务关键能力报告》，在Gartner看来，AI与云的结合将愈加密切，AI云服务的能力也将成为AI产业的重要指标。
令人欣慰的是，中国企业已经压中了这一趋势，在今年的报告里，阿里语言AI技术高居全球第二，超越亚马逊AWS、微软等企业，正式进入世界*梯队。
也正因如此，AI行业的前景依旧被广泛看好。Gartner报告提到，到2025年，70%的新应用程序将集成AI模型，而云AI服务能降低AI应用的开发门槛。这意味着云计算将成为阵痛期AI的*变量。
给AI兜底的，为什么会是云？
01、AI商业化面前的两座大山：算力成本、项目成本
早在2017年，学术界和工业界在*影响力的AI顶会CVPR上就对深度学习的问题展开了激烈的讨论。
讨论的焦点在于，深度学习的“大数据+大算力”范式需要巨大的成本支撑，这必然成为AI商业化的*阻力。
“深度学习确实在语音、图像识别等数据中，比传统的AI方法更精准，这也是它成为引领第三波AI浪潮的关键，只不过深度学习是把双刃剑，它对燃料（算力、数据、能耗）的消耗，尤其是对算力的需求，远超传统方法。好比以前只吃两个馒头就能活下去，现在为了活得更好，却又受到食材的限制，只能选择天天吃昂贵的和牛。虽然更有营养，但这显然不可持续。”多位AI专家告诉雷峰网。
由于AI的计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深度学习一度成了野蛮和暴力的代名词。
2012年，谷歌利用16000块芯片，让AI观看数百万段YouTube视频来识别出猫，即便如此仍错误百出，还不如人类眼睛的一瞥高效。
2016年，AlphaGo击败围棋冠军李世石的人机大战中，AlphaGo每局棋需消耗约100万瓦的电能。相比之下，人脑消耗的功率仅20瓦，只有AlphaGo的5万分之一。
2018年之后，Transformer以及Bert等催生了预训练大模型的诞生，虽然让AI的性能变得更强，但所需的算力也大幅攀升。专门搭建一个这样的集群，对于大部分中小企业来说是难以承受的。
「算力」的供不应求，让其成为整个AI领域的稀缺资源。这也是不少学术界AI大牛纷纷涌入谷歌、微软、阿里等大型科技企业的主要原因，这类企业拥有丰富的业务场景，且有近乎取之不尽的算力资源。
AI所面临的问题还不仅于此，在商业落地过程中：企业不得不为每一个场景定制专属解决方案，这无形中增加了企业的开发成本，利润也因此被压缩。
早期的创业公司都迷信于“研发SDK，先标准化，再规模化，薄利多销，以量取胜”的商业设想。但现实很骨感，当AI公司们拿着SDK冲进行业里才发现，习惯了重型定制化贴身服务的B端客户们，需要的不是单个的开发包，也不具备集成SDK的能力，他们需要的是一套定制化的解决方案。一套SDK包打天下的梦想就此破灭。
SDK走天下梦碎后，AI公司们开始从轻变重，走高度定制化解决方案的路子。但充满个性化定制的项目制模式，极易让企业滑进亏损的漩涡——获客周期长、实施成本高、重人力交付……成本的高企导致利润微薄，甚至一不小心做得越多，亏得越多。
标准化美梦易碎，定制化困局难解，AI企业在商业落地上左右为难。
事实证明，由算力成本和项目成本制造的两条后腿，正在让AI步履蹒跚。
而要卸下这两条后腿，就要打破固有思路，走上一条新的道路。专家们向雷峰网分析道，*高校和头部科技公司现在的探索方向就是：从基础理论层面，用创新算法让AI本身变得更精益、更聪明；在工程层面，则需要让AI研发的成本变得更低。
02、云计算，为什么是解开“AI成本困局”的良药
毫无疑问，AI的成本问题，算力是*的症结之一，也是破局的*突破口。
通过算力集群的规模化，降低单位算力成本，是一条清晰的、具有一定可行性的道路。
在早期，AI所需算力并不高，CPU足以应对。但随着深度学习时代的到来，高质量的AI算法背后往往有惊人的数据量，此时训练所需的数据，规模已远超当年，更“强悍”的GPU逐渐登上历史舞台，成为AI算力的主流。
而当深度学习逐渐加深，模型的规模越来越大，单个GPU已无法满足算力。这时候，GPU并行的算力集群就显得尤为重要。大规模的算力集群，不仅能有效降低GPU采购成本，还能通过集群优势提升计算性能。
但此时新的问题又浮现了：有资源≠天然就用得好资源。如果企业没有合理高效的资源管理，GPU并行的算力集群自身属性再强，也无法自动锻造出优质AI大模型，更无从承载一个体验尚佳的AI应用。企业如今所面对的AI算力困境，包含着众多琐碎痛点：
如果没有算力线性扩展能力，100台机器可能还比不上1台机器的性能，大量的时间就会消耗在非计算开销里。
如果没有提升资源利用率的能力，昂贵的GPU集群很容易利用率不足10%。
业务发展速度难以预测，项目来了需要快速投入，等线下购买到资源，很容易错过机会窗口。
GPU卡故障率高，企业要腾出手来处理IaaS运维等苦活、累活。
GPU几乎半年更新一代，如果随时更换成最新型号，成本居高不下，旧卡又会被闲置。
此时，云上开发AI这一方案被摆上桌面，云计算本身具有的弹性、共享性和互通性等特性正与这些痛点匹配。企业可以借助云计算随时随地按需灵活扩缩容，进而提升算力效率、降低AI研发成本，基础设施层的运维等问题也可以交由更专业的云厂商处理。
这让企业在AI领域模型越演进越复杂，算力需求越来越强的大背景下，可以扬长避短，充分利用市场上已有的技术红利去自我赋能，提升自身业务迭代效率。
以阿里云为代表的国内互联网云厂商，早已提前布局，并将这一系列技术对外服务。
值得一提的是，不同于AI独角兽们专注to B、to G，这批提供云AI服务的互联网云巨头，自身往往拥有海量的场景业务，可以使算力集群得到高饱和使用，分摊GPU的折旧成本，从而避免GPU集群算力闲置的问题。
这一做法，与谷歌的案例有异曲同工之妙。谷歌前CEO施密特曾谈到，谷歌搜索之所以能在竞争中占有优势，关键因素之一在于成本低。
“Google的运营成本只有微软和雅虎的几分之一，一次搜索服务的成本只有零点几美分。节省下来的钱，Google可以购买更多的服务器、提升运算性能，如此一来，在与竞争对手相同的单位价格下，Google可用更多的硬件和算法，实现更好的搜索质量。”
真正一流的技术和科技公司，*应该做的事是利用技术实现自身的降本增效，只有把生产要素的成本降下来，才能做到真正意义上的进入行业。
这种通过降低自身生产成本，提升计算资源的利用效率，把边际效应*化，用*的成本，走向规模化应用，这是科技产业落地发展的*路径。
除了算力问题，云AI服务也可以有效降低AI应用的开发门槛。以阿里为例，其机器学习平台PAI、达摩院研发的基础算法模型以及各种训练的加速框架等，从低门槛、全链路角度出发，高效满足了AI算法的开发需求。
03、云厂商扛起AI产业化重担
跳出技术层面，在商业层面，云计算也在帮助AI产业加速破局。
目前国内AI产业主要有三条演进路径，从项目制出发：一条是最难获取高利润的多行业拓展模式，为了快速铺大摊子、做大规模，或者寻求业务突破而进入到金融、医疗、零售等数个领域，多线作战；一条是专注于一个垂直行业，把方案和服务做深做透，进而寻求在某一领域里实现平台化；还有一条是先聚焦于算法的打磨，做好算法的产品化，再依托云平台将算法对外服务，并用云平台的基础设施能力帮助企业研发算法。
国内AI产业演进的三条路径
而以阿里云为代表的头部互联网云厂商，在AI领域正朝着最良性的第三条道路迈进。
这种模式的好处在于，基于云平台的底座，不仅可以免去大部分本地化部署的枷锁，还能提供低成本的自研算法研发，快速为算法研发能力弱的企业服务，例如达摩院研发的视觉、语音、NLP等算法就在阿里云上对外服务。同时，云上的计算、存储、网络、机器学习平台等还能为具备算法研发能力的企业提供AI研发和落地的全链路支持。
这条将云与AI*结合的路径，已经初有成效。以毫末智行为例，这家公司将算法训练任务放到阿里云上，利用后者的对象存储OSS和小文件存储CPFS，可实现海量数据冷热分层存储和高效的数据流通，基于弹性GPU实例在机器学习平台PAI上进行云上分布式模型训练，吞吐性能提升110%，模型成熟度在短时间内大幅提高。据介绍，这样的训练效率最高可提升70%，整体成本降低约20%。
过去十几年里，云计算凭借在算力成本和商业上的双重优势，以DNA复制般的速度进入到各行各业，如今，其在通用计算领域中已被验证过的价值正在被复制到AI领域，助力AI冲破落地瓶颈，实现万千普惠。
Gartner也毫不掩饰对这一趋势的预判，其最新的AI云服务报告指出，到2025年，人工智能软件市场规模将达到1348亿美元，而云AI服务是其中不可或缺的核心推力之一。
事实上，回顾半个多世纪里人工智能产业一路走来的潮起潮落，每一次低谷崛起都伴随着某一新变量带来的突破。如今，云计算正在成为眼下被寄予厚望的*变量，这一次，将AI产业推向正轨的责任被使命般地交到了云厂商的肩上。
