为什么说 AI 标准化和规模化应用来临？

袁进辉

一流科技 CEO & 创始人，兼任之江实验室天枢开源开放人工智能平台架构师、北京智源研究院大模型技术委员会委员。

近日，OSCHINA 和 Gitee 联合发布了《2022 中国开源开发者报告》。一流科技 CEO & 创始人袁进辉在报告中对开源 AI 领域进行了解读，以下为原文。

开源吞噬软件 1.0，“开源 AI ”运动也正在席卷以数据驱动编程为特点的软件 2.0 时代。

从框架开源，数据集、算法开源，再到模型开源，开源极大推动了 AI 在技术、应用等方面的发展。比如，基于开源社区的孵化，2022 年最火热的 Stable Diffusion 模型在不到两个月的时间便流行开来，国内企业和研究机构也迅速跟进，比如 OneFlow 将 Stable Diffusion 的图片生成速度加速到 1 秒以内，IDEA 和智源研究院分别发布了中文版的 Stable Diffusion 和支持多种不同语言的 AltDiffusion。

更重要的是，开源模式使得 AI 标准化和规模化趋势开始成型，从算法的标准化开始，带来了软件标准化的机会，而硬件、技术平台、最佳实践也在标准化。

在 AI 算法模型方面，数据驱动人工智能的算法统一为神经网络，完成了算法的标准化。其中，Transformer 的发展呈现了统一深度学习算法的苗头，而依靠 Transformers 库起家的 HuggingFace 平台已发布超 10 万个开源预训练模型，大大降低了用户使用门槛，而当 AI 模型足够多时会进一步标准化，进而推动 AI 产业化进程。

在开源深度学习框架层面，API 接口正在标准化。其他框架的 API 设计都在学习 PyTorch。而在分布式编程方面，PyTorch 等其他框架的分布式编程接口也参考了 OneFlow 的 Global Tensor、SBP 的设计思路，这也彰显了国产框架的创新性和影响力。

硬件层面，虽然芯片市场打得如火如荼，但 API 设计层面也越来越类似。多数硬件厂商 API 的设计会参考英伟达的软件接口。图编译器层面也有一些通用组件出现，比如 MLIR，越来越多项目开始基于 MLIR 来构建深度学习编译器。

随着深度学习框架和硬件在内的基础设施的标准化，基础平台方面已经出现了 K8S、Docker 这些越来越标准化的解法，有的企业需要弹性扩容，有的需要私有云部署，有的需要扩容到公有云等，这需要多云的支持。通过提炼最佳实践提炼，形成了 MLOps 产品，而这正是工作流程标准化和平台标准化的体现，这也是今年 AI 领域最热门的趋势之一。

开源打破了很多技术壁垒，从框架开源到模型开源，必将进一步推动软件 2.0 时代 AI 技术的普惠化。未来，任何一家传统企业即使没有专业的 AI 科学家，借助这些开源工具和模型也能获得 AI 的能力。