如今，人工智能已經(jīng)深入到社會的方方面面，滲透到每個人的日常生活，從自動駕駛到人臉識別，再到機器翻譯。
然而，大家似乎只知人工智能，卻少有人了解機器學習。其實，人工智能得到廣泛應用，其底層基石正是機器學習。
絕大多數(shù)涉足人工智能的公司，無論是提供解決方案的科技公司，還是應用人工智能的行業(yè)用戶，都會把機器學習作為其主要業(yè)務領(lǐng)域之一。
未來，隨著人工智能的社會普及和行業(yè)深入，機器學習在產(chǎn)業(yè)界的重要性會得到進一步加強。在新興的大模型領(lǐng)域，會有機會涌現(xiàn)出一批科技創(chuàng)新企業(yè)，成為人工智能賽道上真正的明珠。
機器學習是人工智能的基石
機器學習就是讓計算機來模擬人類的學習行為，是人工智能的核心，是使計算機具有智能的根本途徑。
機器學習具有兩個典型的過程，一是訓練，二是推理。這兩個過程，都需要大量的算力作為保障，尤其是“訓練”，不僅需要龐大的AI算力，往往還需要海量的數(shù)據(jù)。
機器學習的訓練和推理，相當于人類的學習和工作。其中訓練的過程尤其重要，就像人類要通過16-20年的漫長學習才能具備工作能力一樣。訓練的結(jié)果則是“模型”，類似于人類的知識。而推理的過程則是把模型(知識)，應用到實踐工作中。
以自動駕駛為例。自動駕駛汽車上都安裝了很多攝像頭和傳感器，用于探測路況。根據(jù)采集到的視頻等數(shù)據(jù)，做出判斷之后，決定下一步操作：轉(zhuǎn)彎、并線、加速、減速等。這個過程就是推理，推理依賴的不僅是實時采集到的數(shù)據(jù)，更需要使用訓練產(chǎn)生的模型。
訓練的工作是在推理之前完成的。自動駕駛公司要進行數(shù)十萬，甚至上百萬公里的實際道路學習。對于測試中獲得的圖片和影像數(shù)據(jù)，通過人工等標注方式，告訴計算機什么是路人、什么是車道、什么是限速牌等等。計算機需要通過各種算法對數(shù)據(jù)進行分析，最后形成了模型，被裝載到自動駕駛汽車上。
目前，機器學習被普遍采用的部署方式是：在云側(cè)進行訓練，因為需要大量的數(shù)據(jù)和算力;在邊側(cè)或者端側(cè)進行推理，因為需要低時延和貼近應用。
機器學習的不同實現(xiàn)方式
當前，人工智能的主要處理對象是自然語言、圖片、視頻等，從這些數(shù)據(jù)中提取信息，進行處理分析，并加以理解，最終落地實際應用。機器學習的對象，也正是這些數(shù)據(jù)。如何從數(shù)據(jù)中獲得知識，一直是科學界和產(chǎn)業(yè)界共同努力的方向。
在機器學習的訓練過程中，算法至關(guān)重要，有決策樹算法、樸素貝葉斯算法、隨機森林算法、神經(jīng)網(wǎng)絡算法等等。但這些是科學家們需要努力攻關(guān)的，對于產(chǎn)業(yè)界而言，更為關(guān)注的是機器學習的實現(xiàn)方法。
按照訓練(學習)方式的不同，機器學習通常可以分為監(jiān)督學習、非監(jiān)督學習和強化學習三大類。
監(jiān)督學習，也被稱為有導師的學習，如同老師教學生一樣。在監(jiān)督學習過程中，訓練的每個示例都是要有標注的，就像上面提到的自動駕駛實際道路學習一樣。監(jiān)督學習依賴于高質(zhì)量的數(shù)據(jù)，包括數(shù)據(jù)的質(zhì)和量。質(zhì)——必須準確，否則計算機就會學到錯誤的知識，導致推理出錯;量——要覆蓋到實際道路的所有情況，否則計算機就不知道該如何應對該情況。
非監(jiān)督學習，即沒有導師的學習，訓練的數(shù)據(jù)不需要做標記，減少了人工做數(shù)據(jù)標識的工作量，而且能夠覆蓋人想象不到的情況。比如在AI工業(yè)質(zhì)檢中，可能的產(chǎn)品缺陷種類太多，人工很難窮舉。非監(jiān)督學習的實現(xiàn)難度更大，是機器學習的未來發(fā)展方向。
強化學習也叫增強學習，其訓練過程不需要數(shù)據(jù)，而是通過特定環(huán)境中一系列行為的后果進行學習。強化學習輸入的是環(huán)境反饋，即獎懲信號，類似于馬戲團的動物訓練過程。
此外，深度學習和聯(lián)邦學習，也是機器學習正在快速興起的兩個分支。前者已經(jīng)在AlphaGo上得到成功實踐，后者則由于數(shù)據(jù)安全的要求而隨著隱私計算得到應用。
迅速壯大的行業(yè)應用市場
市場研究公司IDC的預測數(shù)據(jù)顯示，未來五年，全球人工智能IT投資規(guī)模的年復合增長率約為26.5%;到2026年，中國市場的規(guī)模有望達到266.9億美元，全球占比約為8.9%，位列全球第二。
在這個快速增長的市場中，機器學習算力、機器學習開發(fā)平臺、機器學習行業(yè)應用，將占據(jù)非常重要的組成部分。
在算力層面，除了專業(yè)的芯片公司，很多科技公司也在開發(fā)用于機器學習的芯片。比如，華為的昇騰芯片、AWS的訓練芯片Trainium和推理芯片Inferentia、阿里云的推理芯片含光800等。
人工智能應用要想落地，還必須要有機器學習開發(fā)平臺的支持，這是一個面向開發(fā)者、數(shù)據(jù)科學家、業(yè)務分析師的PaaS平臺。目前，機器學習開發(fā)平臺的提供商大致有兩類，一類是云服務商，比如AWS的SageMaker、華為云的ModelArts等;另外一類是專業(yè)的人工智能公司，比如第四范式的Sage Platform、九章云極的DataCanvas等。
在應用層面，隨著越來越多的企業(yè)開始數(shù)字化轉(zhuǎn)型以及智能化升級，機器學習在行業(yè)市場得到了廣泛應用，為人工智能賦能產(chǎn)業(yè)提供助力。除了人臉識別、自動駕駛、機器翻譯等消費級應用，工業(yè)質(zhì)檢、新藥開發(fā)、金融風險評估等企業(yè)級應用，也越來越多。
制造行業(yè)的AI視覺質(zhì)量檢測，是機器學習最成熟的應用場景之一。IDC預計，到2025年中國工業(yè)AI質(zhì)檢整體市場將達到62億元，年均復合增長率為28.5%。中科創(chuàng)達在Amazon SageMaker之上構(gòu)建了創(chuàng)達智慧視覺檢測系統(tǒng)，幫助某面板制造企業(yè)取代人工質(zhì)檢，檢測時間從3.5秒降低到0.1秒，準確率從85%提升到99%。
另外比如蛋白質(zhì)結(jié)構(gòu)研究，是生命科學領(lǐng)域的基礎(chǔ)問題。深勢科技與阿里云機器學習 PAI 團隊合作，通過全新的蛋白質(zhì)結(jié)構(gòu)預測推理加速方案FoldAcc，結(jié)合深勢Uni-Fold最新模型代碼和參數(shù)，將單次預測能支持的最大氨基酸序列長度提升至6.6k，覆蓋99.992%已知的蛋白序列。
無論是機器學習的行業(yè)應用還是通用應用，未來都會有更多的科技創(chuàng)新企業(yè)涉足其中。這也對其提出了更高的要求——既要懂前沿的AI科技，也要有深度的行業(yè)洞察，兩者缺一不可。
正在快速興起的大模型市場
從機器學習的實現(xiàn)方式可以看出，“模型”是機器學習的關(guān)鍵環(huán)節(jié)，它是“訓練”的結(jié)果，也是“推理”的基礎(chǔ)。要得到一個好的模型，需要海量的高品質(zhì)數(shù)據(jù)，也需要海量的算力支持，可謂成本高昂。
一方面是模型訓練的投資巨大，另一方面是每個行業(yè)應用都是差異化的，這就導致需要重復進行大量的模型訓練，使得機器學習的成本居高不下，阻礙了行業(yè)應用的普及。
大模型的概念，由此而快速興起。國內(nèi)一些頭部科技公司亦涉足其中，比如華為的盤古和百度的飛槳等。
大模型更準確的叫法應該是基礎(chǔ)模型，是大規(guī)模預訓練的結(jié)果，因為有著多達千億甚至上萬億的參數(shù)，而被稱為大模型或者超大模型。
大模型被稱為規(guī)模化生產(chǎn)高性能機器學習模型的生產(chǎn)線：通過提煉各大領(lǐng)域的共性來進行大規(guī)模預訓練，生產(chǎn)出標準化的基礎(chǔ)大模型;然后再根據(jù)各個行業(yè)不同的共性需求，訓練出行業(yè)預訓練大模型;最后根據(jù)具體應用場景的需求，通過少量定制開發(fā)形成推理模型，從而落地應用。
這樣的逐級訓練大模型的方式，可以最大程度降低全社會在機器學習成本上的投入，實現(xiàn)AI應用的規(guī)模化落地。仍以自動駕駛為例，如果每個整車廠都要從頭開始做模型訓練，無疑是很大的浪費，畢竟大家面臨的道路情況是一樣的。如果有專業(yè)第三方公司來訓練和提供標準化的大模型，就可以避免重復投入。這樣，既降低成本又能提升性能，使自動駕駛更快落地。
大模型市場才剛剛起步，未來發(fā)展空間很大，當然變數(shù)也很大。訓練好大模型和應用好大模型，同樣重要。在這兩個環(huán)節(jié)上，未來或許會涌現(xiàn)出一批創(chuàng)業(yè)企業(yè)，尤其是專注于生產(chǎn)行業(yè)大模型的科技創(chuàng)新企業(yè)。
免責聲明：市場有風險，選擇需謹慎！此文僅供參考，不作買賣依據(jù)。