阿里负责建好平台，AI开发者负责拿来即用

大家好，我是为人造的智能操碎了心的智能禅师。

全文大约1500字。读完可能需要下面这首歌的时间

👇

告别那个混乱之治时代，迎来冰封王座时代

吴恩达曾经告诫中小企业别跟大公司拼通用 AI 技术，拼垂直。

为什么？因为数据、Platform、框架、基础设施建设等资源，都牢牢掌握在大公司手里，从底层的基建到上层的 API，全部封装集成为一整套的解决方案。

人工智能天生需要不断的有数据吞吐、不断的有底部框架的更新。既要多，又要快，还得实时。同时需要不断的根据新的状况，不断调整数据、算法和模型。

数据是需要历史积累的，需要大量的用户样本，需要大量的用户互动。如果是小公司从头开始做，显然非常吃力不讨好，尤其是在获客成本如此高昂的今天。

其实不光人工智能行业，整个社会，都是在从原来多个部落野蛮生长，往集团军规模化流程化靠拢。

最早的操作系统不过才几 M，加上图形界面也不超过100 M，直接装 U 盘里随时带走。甚至一个 hacker 拿着源码改吧改吧也能 fork 出一个操作系统出来。

而现在，手机的操作系统都需要几个 G，并且和硬件高度集成，往死里压榨硬件性能。已经没有人会考虑再开发一套操作系统了，都是在苹果和谷歌的手机生态里，不断地往细分领域深挖。

人工智能只不过在这方面，表现的更赤裸、更着急而已。

我给你一个生态系统，你来我这里生根发芽

所以像谷歌、阿里这样的平台更适合、也更愿意在自身拥有的资源上，去构建生态系统的框架；然后把开发者、小团队吸引过来，去填充整个生态系统的内容。

阿里在云栖大会上介绍了由 Dataworks、MaxCompute，以及 PAI 组成的新一代计算引擎，完全就是一个生态圈。它满足了以下5点需求：

1. 海量数据规模下高性价比的离线及实时计算力

2. 实时+离线任务一体化研发能力

3. 实时+离线异构数据湖交互式查询能力

4. 超大规模机器学习、深度学习异构计算力

5. 一站式端到端的云上大数据智能研发能力

这三个产品能够互相提供助力，形成一个可以随意组合、随意打散的动态聚合体。针对不同的应用场景，开发者只需要合理的选择需要用的资源和工具即可。

举个不太恰当的例子，开发者不用为了想喝到肥宅快乐水，亲自去制造配料和机器，这些东西阿里已经准备好了，开发者只需要考虑使用不同种类和比例配料，利用合适的工具制作更细分的：肥宅快乐水、肥宅幻乐水、肥宅神仙水等…

为了更多的了解阿里新一代计算引擎，以及在人工智能方面的动向，禅师采访了副总裁周靖人和阿里巴巴研究员、PAI 平台负责人林伟。以下是采访内容。

特别感谢人工智能头条读者群的小伙伴向禅师提供问题

关于 Dataworks、Maxcompute 和 PAI 之间的关系

周靖人称，这几个平台实际上是相辅相成。阿里的目标是：提供丰富的引擎。通过各种引擎的组合，解决所有业界的问题。

如今已经不可能只用一个平台解决全部问题。有的业务需要处理大量的数据；有的业务数据量需求不多，但对实时数据有很强的要求；有的业务需要涉及到更多的智能应用，例如语音、自然语言处理等方面的深层次应用。

因此新一代计算引擎提供了各种功能，能够快速根据用户的需求组合各种模块，完成各种业务的特殊需求。

我们通过 Dataworks 能够把 MaxCompute 和 PAI 串起来，利用鲜明特点的计算引擎组装成各式各样的业务，去解决不同业务的需求。

阿里只负责构建开发者拿来即用的平台

因为 PPT 中有 DOTA 的视频，刚好人工智能头条的粉丝也有问到了之前阿里开源的 GymStarcraft 。

林伟表示：我们其实只负责搭建平台，对内服务阿里巴巴集团，对外服务阿里云的客户及合作伙伴。

GymStarCraft 其实只一个尝试，为开发者提供一个应用的范例。提示开发者可以使用阿里的平台，做出类似的应用而已。

这套框架对内的应用场景有很多。拿购物来说，消费者在购物的时候不是一次购物，而是一系列购物。在购物过程中，会不停和消费者进行互动。

这个时候就可以利用这套框架，通过机器学习的方法捕获消费者的真实想法。游戏只是为了鼓励技术，看看技术是如何突破大家想象力，让大家意识到，这样的方式、这样的机制其实是可以解决一些很有趣的问题。

阿里同时也在研究如何做好人工智能项目落地

有开发者表示，目前人工智能项目的落地还处于一个比较艰难的阶段，主要的问题是场景和技术资料比较缺乏。

林伟，也希望能够通过阿里现有的资源，来帮助开发者创造更多的应用场景，让项目更好的落地。

目前能够较好落地的场景可能还是跟图像、语音、自然语言的处理相关，因为有一些模型的创新已经出来了，大家可以基于基础模型做更深的细分场景。

而阿里也和谷歌一样，在努力降低人工智能的开发门槛。只要有数据，有一些标的、中间的模型，阿里会尽量尝试帮助开发者做一些更好的模型。

同时建模的技术也在变化。阿里拥有的海量数据、大量的真实场景，特别是跟人相关的兴趣等数据。通过模型的创新，能够推动人工智能，进一步挖掘背后的场景。

Maxgraph 具体的应用场景

Maxgraph 能够把“人、货、场”的知识图谱做的很好。这个图不是一个静态图，每天变化有很多。

阿里主要是在探索如何构建一个存储系统，或者一个开发者可见的查询的编译系统，可以和后面的机器学习、各种数据和普通的计算做高效的结合。

Maxgraph 的初衷，是希望能够把阿里内部非常大的图做好，能够支持各种各样的计算引擎，并且能够高效使用这些数据。

深度学习网络参数越多，数据量越大，效果就越好？

林伟表示：No！并不是数据量越大效果越好。

模型越大参数越多，反而可能会造成更多的问题。做机器学习的都知道数据最关键。如果数据不准，是无法训练出一个靠谱的模型。

有可能你在测试集看到效果很好，因为参数表达能力空间更大，但是在真实场景下反而不好，这就是为什么我们在训练的时候要控制一些参数规模。

因为机器学习是捕获背后的逻辑关系，但是它的逻辑关系从真实和自然来说不会有那么多。如果一个很大的参数，理论上其实是在违背它的自然规律。

在做平台这件事情上，阿里是专业的。虽然可能不同用户有不同的看法，但毫无疑问的，未来平台、数据、API 的整合度会越来越高，在平台上进行开发的门槛会越来越低，开发成本也会相应降低。

期待中国的人工智能，不再是吴恩达口中的高速路上的巨婴，而是高速路上的布加迪！