基礎設施從2.0到3.0：人工智能革命亟需底層平臺 —— 文章正文2017-12-01

 　　機器學習和人工智能的時代已經到來。大數據、大容量存儲、彈性計算和各類算法的發(fā)展，尤其是在深度學習領域的發(fā)展，帶來了各類腦洞大開的創(chuàng)新應用。
　　在圍棋這樣的復雜策略游戲中，機器已經勝過人類。圖像識別、語音識別等應用更是不在話下。語音智能助手開始普及，全自動駕駛汽車上路測試。然而對于近期機器學習/人工智能的這些發(fā)展，許多討論圍繞的都是算法和應用，很少有討論涉及底層基礎設施。
　　在計算技術的發(fā)展早期，只有匯編語言專家、編譯器專家和操作系統(tǒng)專家才能開發(fā)簡單的應用。目前的情況也很類似，只有獲得統(tǒng)計學或分布式系統(tǒng)專業(yè)的博士學位，你才能知道如何開發(fā)人工智能系統(tǒng)并大規(guī)模部署。缺失的環(huán)節(jié)在于加速人工智能開發(fā)的抽象化工具。因此，只有最精英的工程團隊才有完整的能力去做這方面工作。
　　另一方面，相對于機器學習技術的創(chuàng)新，基礎設施的發(fā)展也很落后。簡單來說，作為當前機器學習應用基礎的系統(tǒng)和工具實際上并不適合未來智能應用的演進。面向未來，業(yè)內需要新工具去釋放人工智能的潛力，讓人工智能更加平易近人、更加實用。所以在基礎設施創(chuàng)業(yè)領域，提供智能系統(tǒng)開發(fā)所需的模塊，這將是未來的一座大金礦。
　　從基礎設施1.0到基礎設施2.0
　　應用和基礎設施之間的關系很微妙，相互限制、相互推動。
　　硬件和系統(tǒng)軟件的發(fā)展帶來了新一類應用。這些應用不斷完善和成熟，從而對底層資源提出更高的要求，倒逼底層基礎設施去創(chuàng)新。反過來，基礎設施的優(yōu)化、創(chuàng)新、性價比提升也會帶來顛覆式應用，給用戶提供前所未有的體驗。一個典型的例子就是從幻燈片到PPT，再到各種在線圖片社交平臺，例如Pinterest。
　　本世紀初，商業(yè)互聯(lián)網的發(fā)展基于來自英特爾的x86指令集，來自微軟的標準化操作系統(tǒng)，來自甲骨文的關系數據庫，來自思科的以太網設備，以及來自EMC的網絡存儲工具。亞馬遜、eBay、雅虎，甚至最初版本的谷歌和Facebook都基于這些基礎設施。這就是科技行業(yè)的“基礎設施1.0”。
　　然而隨著網絡的逐漸成熟，網民總數從1995年的1600萬增長至2015年底的30多億，應用對規(guī)模和性能的要求也大幅提升?！翱蛻舳?服務器”時代的技術不再適合互聯(lián)網巨頭的需要，無論是從可行性上來看還是從性價比上來看。
　　因此，互聯(lián)網公司開始自力更生。憑借自身的技術專業(yè)能力以及學術界進展，谷歌、Facebook和亞馬遜定義了全新一類基礎設施。這樣的基礎設施具備如下特點：規(guī)模可擴展、可編程、通常是開源的、成本低。相關技術，包括Linux、KVM、Xen、Docker、Kubernetes、Mesos、MySQL、MongoDB、Kafka、Hadoop和Spark，定義了云計算的時代。這也被稱作科技行業(yè)的“基礎設施2.0”。
　　最核心的，這代技術的設計目標在于，讓互聯(lián)網可以覆蓋數十億終端用戶，并以高效的方式去獲取并儲存來自這么多用戶的信息。因此，“基礎設施2.0”的創(chuàng)新導致了數據量的大幅增長。配合并行計算技術和算法的發(fā)展，我們就看到了當前機器學習的發(fā)展。
　　基礎設施3.0：走向智能系統(tǒng)
　　“基礎設施2.0”時代的終極問題是：“我們如何連接世界？”而當前的問題更多的是：“我們如何理解世界？”
　　這其中的差別，即“連接”和“認知”，可以解釋人工智能與上代軟件的關鍵不同。代碼自身的“認知能力”顛覆了傳統(tǒng)編程模式。在傳統(tǒng)應用中，程序邏輯是寫死的，而在人工智能應用中，算法通過對大數據的分析自己得出邏輯。隨后，這些邏輯被用于決策和預測。
　　這樣做的結果就是“智能”應用。但實際上，這類應用的誕生需要大量數據，并且耗費巨大的計算資源。這些限制因素導致人工智能很難被通用化，從而符合70年前馮?諾依曼提出的計算范式。所以，人工智能代表了一種基礎性的新架構，要求我們重新思考基礎設施、工具和開發(fā)實踐。

　　到目前為止，人工智能領域的研究和創(chuàng)新仍集中于新算法、模型訓練技術和優(yōu)化方法。此外，人工智能系統(tǒng)中只有很少一部分的代碼用于學習和預測，而最麻煩的部分在于準備數據、開發(fā)功能，讓分布式的基礎設施能夠運行，從而規(guī)?；貓?zhí)行任務。
　　如果想要成功開發(fā)并部署人工智能應用，那么就需要協(xié)調多個離散的系統(tǒng)，設計精密的流程。首先，你需要消化數據，去蕪存菁，給數據打上標簽。隨后，為了實現(xiàn)預測，你必須確定適當的特性。最后，開發(fā)者必須訓練模型并驗證、部署、持續(xù)優(yōu)化。整個過程可能需要幾個月時間，即使是技術最專業(yè)的組織也是如此。