數(shù)據(jù)哪存比較好？AI把用戶“逼上”公有云

paney129 發(fā)布于2019-04-30 17:34 / 1014人閱讀

摘要：此外，就像微軟不惜重金收購谷歌開源一樣，核心的開發(fā)者群體或社區(qū)貢獻(xiàn)著數(shù)以萬計的應(yīng)用資源，而背后的這些數(shù)據(jù)資源如果悉數(shù)運(yùn)行在或谷歌云平臺上，對于微軟和谷歌的云業(yè)務(wù)發(fā)展勢必是不錯的助力。

越來越多的AI應(yīng)用發(fā)生在云端，尤其是對于智能技術(shù)需求高的行業(yè)而言，他們甚至可以說是被AI逼上公有云，而那些原本使用私有云的企業(yè)用戶，也由私有云躍遷到了混合云。

數(shù)據(jù)和算力是維持AI的兩大要素，而傳統(tǒng)的計算環(huán)境是難以滿足二者的指數(shù)級增長的。舉個例子，數(shù)據(jù)的類型大體可分為結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)。一個數(shù)據(jù)從產(chǎn)生到落地要經(jīng)過收集、傳輸、分析、檢索、挖掘等階段。如果要讓機(jī)器像人一樣去“看”數(shù)據(jù)，恐怕窮盡一生也無法分析完。

如果在云端借助Hadoop集群和Spark這樣的通用計算引擎，或者是Storm等計算框架，就可以將數(shù)據(jù)分解為多個部分，對每一部分的數(shù)據(jù)進(jìn)行分析，之后將效果匯總經(jīng)過多輪計算篩選出結(jié)果。對于機(jī)器學(xué)習(xí)來說，它們或許會找到一些新的特征，并對這些特征進(jìn)行歸納來識別出一把新的椅子。這一過程中，需要有海量、不同的椅子照片供給計算機(jī)去學(xué)習(xí)。而這一切，沒有數(shù)據(jù)中心的龐大算力支持是無法實現(xiàn)的。

當(dāng)人工智能走向云端，開發(fā)者既是第一批受益者，又成為了云服務(wù)商手中的核心資源。微軟將在AI領(lǐng)域20多年的研究成果匯聚成Azure云端的認(rèn)知服務(wù)，以API的形式開放給開發(fā)者，開發(fā)者只需要幾行代碼，即可調(diào)用認(rèn)知服務(wù)API獲得對應(yīng)的能力，并將這樣的能力跨設(shè)備、跨平臺應(yīng)用到Windows、iOS、Android上。這些API包括人臉識別API、情緒識別API和計算機(jī)視覺API等等。拿情感識別來說，開發(fā)者可以通過人臉API針對圖像中的每張人臉返回情感集的檢測置信度以及人臉的范圍框，檢測到的情感可以是快樂、悲傷、意外、憤怒、恐懼、蔑視、厭惡或中性。

此外，就像微軟不惜重金收購GitHub、谷歌開源TensorFlow一樣，核心的開發(fā)者群體或社區(qū)貢獻(xiàn)著數(shù)以萬計的應(yīng)用資源，而背后的這些數(shù)據(jù)資源如果悉數(shù)運(yùn)行在Azure或谷歌云平臺上，對于微軟和谷歌的云業(yè)務(wù)發(fā)展勢必是不錯的助力。

就像當(dāng)下比較火熱的AI芯片TPU方案，作為谷歌自主研發(fā)的針對深度學(xué)習(xí)加速的專用人工智能芯片，專為TensorFlow設(shè)計，AlphaGo使用的就是TPU 2．0芯片。在TPU 3．0中，其計算能力最高可達(dá)到100PFlops，是TPU 2．0的八倍多。為了更快地訓(xùn)練和運(yùn)行機(jī)器學(xué)習(xí)模型，谷歌還推出了Cloud TPU，單個Cloud TPU的計算能力達(dá)到180萬億次浮點運(yùn)算，具備64 GB高帶寬內(nèi)存，為云端超算打下了基礎(chǔ)。

落地到行業(yè)，對云上智能先知先覺的傳統(tǒng)企業(yè)深有感觸。以物流為例，物流企業(yè)比拼的已不止是車隊數(shù)量和倉儲空間，而是學(xué)會借助大數(shù)據(jù)、物聯(lián)網(wǎng)和AI技術(shù)，深入到每一個環(huán)節(jié)打造智慧的物流平臺。這一過程中，云計算扮演著至關(guān)重要的角色。過去，寫一套完整的物流系統(tǒng)需要調(diào)動研發(fā)、運(yùn)維、安全、網(wǎng)絡(luò)等多個部門的人。如今一個顯著的現(xiàn)象是，管理數(shù)千輛車規(guī)模車隊的運(yùn)營負(fù)責(zé)人已經(jīng)可以是學(xué)算法專業(yè)的年輕人。為什么會有這種變化？原因是這些人會利用算法處理大數(shù)據(jù)，通過優(yōu)化運(yùn)輸環(huán)節(jié)從而提升物流運(yùn)轉(zhuǎn)的效率。

對于物流企業(yè)來說，每天會產(chǎn)生數(shù)億條數(shù)據(jù)，對海量信息進(jìn)行處理離不開云計算。具體到實際場景中，車載設(shè)備從位置定位、油耗傳感器、溫度、速度搜集的數(shù)據(jù)會交由云端處理，例如IoT組件可以通過規(guī)則引擎組件中編寫類SQL語句無縫對接大數(shù)據(jù)套件，進(jìn)行車輛路徑、車輛規(guī)劃、司機(jī)排班等的優(yōu)化，而兼容MySQL協(xié)議和語法的騰訊云分布式云數(shù)據(jù)庫DCDB還支持自動水平拆分的高性能分布式數(shù)據(jù)庫，即業(yè)務(wù)顯示為完整的邏輯表，數(shù)據(jù)被均勻拆分到多個分片中，每個分片默認(rèn)采用主備架構(gòu)，可以提供涵蓋災(zāi)備、恢復(fù)、監(jiān)控、不停機(jī)擴(kuò)容的全套方案。

當(dāng)然，并不是任何一家傳統(tǒng)企業(yè)都會先嘗試公有云，但他們也會為獲得全棧的AI能力去嘗試部分上云。工業(yè)互聯(lián)網(wǎng)時代產(chǎn)生的數(shù)據(jù)量比傳統(tǒng)信息化要多數(shù)千倍甚至數(shù)萬倍，并且是實時采集、高頻度、高密度的，動態(tài)數(shù)據(jù)模型隨時可變，甚至良品率的細(xì)微變化都會帶來數(shù)據(jù)模型重建。這樣一來，如果做不到工業(yè)數(shù)據(jù)實時更新，智能制造就無從談起。

以福耀玻璃為例，其借助IBM云平臺重構(gòu)了端到端的競價流程，通過開放API讓客戶實時看到訂單的執(zhí)行狀況將原來分散在ERP、CRM、采購、物料等數(shù)十個系統(tǒng)中的成本因素進(jìn)行智能分析，并在云端建造了1：1尺寸的3D可視化虛擬工廠，將研發(fā)、工藝、生產(chǎn)、制造、優(yōu)化、仿真、服務(wù)等環(huán)節(jié)的狀態(tài)以三維建模的形式實時模擬出來，未來更有望在虛擬端解決80％的質(zhì)量、效率、成本問題。將敏感數(shù)據(jù)放在本地，把重資產(chǎn)業(yè)務(wù)放在云端快速處理，利用混合云環(huán)境的微服務(wù)、容器、API來獲取商業(yè)智能的能力，這也是源于AI的推動。

各行各業(yè)的數(shù)據(jù)指數(shù)級增長，使得人們對于信息的處理方式有了重新思考，將其智能化當(dāng)前是重要途徑之一，而背后的基礎(chǔ)支撐離不開云計算。也可以說，企業(yè)對智慧化轉(zhuǎn)型的迫切需求推動了云計算的發(fā)展。