作者 | 刘景丰
一家AI公司，宣告要把AI运用到杯子上。
11月10日，旷视在一间茶肆开了一场特殊的发布会——宣告把AI算法用在了建盏溯源上。详细是这样的：
过去，作为我国八大传统名瓷之一、宋代“皇家御用瓷器”的建盏，一贯存在被仿造、假造、以次充好等问题，行业“劣币驱逐良币”，发展受困。能否用科技的手段办理这个问题？有光阴接到这一“古怪”的需求后，2021年旷视通过算法量产，研发了一套建盏溯源平台。于是，AI被用到了这个很小众的领域。
只管这个事情确实有趣，但一个疑问还是绕不开的——根据干系数据测算，建盏行业目前的产值约为75亿元，品牌代价160亿元，就全体建盏行业而言也算不得一个大市场，为什么一家AI公司会看中这块“蚊子肉”？
1.AI做杯子检测，大材小用？
听过AI做工业检测、做包装检测、乃至做汽车外不雅观毛病检测，但是做杯子检测就很少见了。
实际上，不只AI行业外的小白听着这事儿就以为不可思议，就连AI行业内的人也会犯嘀咕。
旷视研究院算法量产卖力人周而进在发布会上称，他最开始打仗到这一需求的时候，也以为很有寻衅，“建盏上面的纹理非常细腻，当地每年烧制的建盏数量非常多，当地人都很难区分两个盏之间花色的不同，由于它的纹理是纯随机天生的；而且建盏表面还反光，这跟工业生产是完备不一样的观点。”
不过，他判断这在技能上是可行的，“随后采集了少量数据进行测试，创造真的可以。”
此后，项目团队来到福建南平市建阳区做调研。结果访谈了一圈下来，大家以为这个事儿不只是一个杯子检测这么大略，还有对非物质文化遗产进行规范和保护的现实意义。比较于一个纯挚的AI技能平台，建阳区更须要的实在是一个家当管理方案。
在这个目标之下，打破口便是为建盏做一套AI溯源平台，规范建盏的真伪检测。
周而进表示，在这样的需求下，一个六七十分的算法是完备不能办理问题的，因此团队在建盏系统里细分了非常多的子方向和算法，包括盏的定位、检测、质量判断，以及最主要的纹理识别等，“这些也借鉴了我们在生物认证识别上的履历”。
这才有了建盏家当首个基于盏纹识别的建盏 AI 溯源系统。
旷视研发的建盏AI溯源系统
实际上，真伪溯源检测只是建盏家当链中最下贱的一环，建盏上游的瓷矿管理、釉料金属含量检测等也面临数字化需求，未来这或许也将打开AI在这个细分领域的深度运用。
在互换中，旷视干系卖力人称，除了建盏，他们还收到过很多有趣的算法需求：古泉币分类、普洱茶茶饼识别、速冻水饺检测等等。
当越来越多小众领域开始对AI表现出需求后，原来的AI算法生产弊端就加倍显现了。
2.本日的AI仍旧很低级
在旷视事情了近10年的周而进，分享了他的一个感想熏染：
AI本日的生产模式仍旧非常低级，最范例特色是行业分工非常不明确。
在做AI产品落地和商业化过程当中，周而进创造，各行各业的不同需求都有不同的算法供应商来供应办理方案，“但算法的质量是参差不齐的，由于算法目前仍是一个高度非标准化的状态。”
比如，在接到需求后，首先要有一个能力很强的研究员，跟客户聊清楚需求是什么；然后制订数据采集方案，采完数据再演习模型，如果模型演习效果不好自己还要上手调参数，也可能是修正数据采集方案、补采数据；好不容易演习出来一个模型，他还要再做模型的量化、封装、SDK打包，末了做支配和调Bug。
“中间可能会有很多人参与，但自始至终须要一个又懂算法、又懂数据、还要对业务有深刻理解的人，他还得有很强的沟通能力，这切实其实是全能型的人才。”周而进说。但末了项目做完，所有的知识还是积累在个人的大脑里，并没有被积累成为工具、方法，乃至做下一个项目时，要考虑这个人还在不在公司，还记不记得上次的履历……
“你会创造，这实在实质上仍是一个作坊式的生产模式。”周而进说。
比拟一些成熟的行业，比如芯片制造行业，其家当链的分工非常明确：有公司专门做设计，有的专门做生产，有的做封装、测试，每个工种都有非常专业的事情职责范围和培训标准。
早期，AI公司接到算法需求后，会做定制化做事，本日有一个工厂希望做这样的检测，来日诰日有公司希望做其余一种动物行为剖析，“我们可以通过一直招聘更多的算法研究员，定点爆破，靠一个一个的项目办理。但是这样本钱很高，且很难招到那么多精良的研究员，这就导致项目终极的产出质量参差不齐，由于产出质量取决于研究员本身的水平，而研究员水平是一个高度非标的事情。”周而进说。
实际上，随着“AI做建盏溯源”“AI做古泉币分类”这种小众又细分需求的增多，正好倒逼了一种变革，AI须要算法量产了。
3.算法量产：AI的归AI，家当的归家当
“算法量产”并不是一款产品，而是“对付AI生产模式这个理念和生产办法的一个思考。”周而进称。
实际上，任何产品都会碰着Bug，如果这个产品是用代码实现的，碰着Bug打几个补丁、写几行代码就能修复了；但如果产品是用算法实现的，就繁芜得多。比如，在某个光照条件下面，一辆车的摄像头怎么样都检测不出来某个障碍物，这就不能通过加一两行代码来办理，它须要重新采集数据、演习模型，重新做模型的支配，末了再上线测试、发布。
用周而进的话说，这是“算法生产的繁芜性被引入到了软件迭代的过程中”。
大略理解，便是算法生产和软件迭代被耦合在一起了，两者“有福同享，有难同当”。
而算法量产，便是将其解耦。“旷视算法量产的背后，实在便是做标准化，把这里面的每一个环节都标准化，数据生产标准化、算法模型标准化、推理框架标准化。”周而进称。
这里所说的标准化，便是解构算法模型在迭代过程，须要经由哪些手段和操作。比如，明确参数有哪些，优化策略有哪些。
周而进称，本日哪怕只做一个建盏的检测，千篇一律的逻辑，在不同的硬件底层上须要用不一样算法，这是不可避免的。而标准化可以做硬件解耦的算法定义，使得研究员在实现业务逻辑的时候不须要关心底层的硬件构造是什么，“我只要按照我的业务逻辑，把它写出来就行了。而实现过程则交给机器自动化来做。”
以是做完标准化，才能有可能把全体繁芜的系统一块块切开，模块之间相互解耦，每个模块之间的研发，算法的收益彼此之间是乘的关系。
“本日旷视便是这么做的，在落地各行各业的时候，我们会引入没有AI技能背景的人，他们直接参与算法生产。算法研究员不再专注做一个个项目，而是把通用、普适型的技能，通过解耦的系统辐射到各行各业里面去。”周而进表示。
而拥有know-how的行业工程师拿到算法后，很快就能做出判断，什么样的识别缺点可能会造成很大的生产事件，什么样的识别缺点可能问题不大。面对后续的数据采集、模型演习、迭代优化等等技能问题，系统会给出提示建议：比如这里面数据很脏，该当做数据洗濯；或者提示数据不敷，该当做数据采集；又或者提示算力太低了，须要换一个更大的算力。
顺着这个思路，当产品研发过程中每一块都相对解耦，形成了各个独立工序，对应的人才构造、职员的配置实在也会有相应的变革。比如，旷视提出5:3:2的研发矩阵，即5个行业工程师基于AIS算法生产平台进行相应的业务交付，3个算法研究员聚焦于算法的创新与探索，2个工程师不断打磨相应的根本举动步伐并进行AI生产力工具的开拓。
目前，除建盏溯源外，通过算法量产旷视已经为能源、教诲、零售、运动健身等行业客户的日常生产、经营供应了相应的AI技能。
AI，仍有很多新故事。