今天凌晨，百度发布 2019 年第三季度财报，财报显示，百度实现营收 281 亿元人民币。业务层面，包括百度 App、小度助手、Apollo 在内的业务都取得不错的成绩，与此同时，以「云+AI」战略做支撑，百度智能云营收同比增长 70%，连续四个季度高速增长。

百度智能云持续的高速增长，进一步凸显了百度「云+AI」战略的正确性，特别是在 9 月百度全面升级「云+AI」战略后，进一步整合了百度智能云与 CTO 体系，智能云的地位在短短一年内两次提升，由内部资源整合带来的增长势头迅猛，根据 Canalys 发布的中国公有云服务市场报告，百度智能云在中国市场增速第一，持续缩小与 Top3 的差距。

8 月底的云智峰会上，百度披露了面向 AI 赋能行业的「AI 工业化」方法论，正如百度副总裁、智能云事业群组总经理尹世明所言，「第四次工业革命正在中国发生，这场智能革命正在从基础建设阶段跃升到工业化阶段」。

换句话说，站在 2019 年的时间节点往前看， AI 的下一站不再是算法如何提升、模型如何优化，而是应该如何实现工业化。

百度智能云在财报中所展现的高速增长，也向行业透露了一个信号：当 AI 进入到一个全新阶段，百度已经在基于云的 AI 工业化思考与实践中探索出一条新路。接下来，我们试着去复盘百度 AI 工业化的方法论，从理解 AI 工业化的本质开始，详细解读百度推动 AI 工业化的思路与实践。

为什么 AI 工业化是大势所趋

过去几年，AI 在基础研究领域的突破，已经让各行各业看到了 AI 各项技术的巨大潜力。企业对于 AI 的疑问，也从「是否应该采用」变成了「如何应用」。

对于任何一个行业的企业而言，部署 AI 都是一件颇具挑战性的工作。

首先，AI 对于算力的需求非常大，如果在本地通过 GPU 训练模型，且不说价格有多昂贵，只说当下机器学习模型算力的发展速度，早已超越了摩尔定律「18 个月翻一番」的行业规律。根据 2018 年 OpenAI 的调查数据，自 2012 年开始，机器学习训练所用的算力需求，平均每 3.43 个月便会翻倍，这也意味着，使用本地 GPU 训练机器学习模型是一个「无底洞」，成本高昂、训练效率低下。

其次，AI 部署是一套流程冗长的工作，以机器学习开发为例，在这个流程里，涉及到数据收集、数据标注、模型训练、算法调参优化、模型部署等多个阶段，不同阶段有着不同的计算需求，比如，由数据科学家和机器学习研究人员完成模型构建和训练，而部署则由软件工程师、机器学习工程师和数据工程师来完成，再比如，模型训练通常由多人在多台虚拟服务器上完成，而部署模型需要具备扩展能力，能够处理海量的 API 请求。

第三，学术领域的 AI 发展用「日新月异」来形容一点也不为过，只需翻看学术领域的期刊、论文就能感受到技术发展有多快，但这些学术领域的算法突破，即便已经开源开放，往往局限在实验室的环境里，企业还需要花大气做大量适配工作，才能应用到实际业务中。

上述三个方面构成了企业部署落地 AI 的三大痛点。过去几年里，从亚马逊、Google 到百度、阿里巴巴、华为，都在试图破解上述三大难题，为企业 AI 落地提供解决方案。

这其中，百度长久以来在 AI 领域的研发优势以及 AI 开放平台积累的企业和开发者资源优势，也随着这个季度「AI 工业化」方法论的出炉，逐步显现。

强大、多场景算力是 AI 工业化的首要命题

正如上文所言，算力始终是制约 AI 发展的难题。这里的算力难题包括两个方面，其一，面向 AI 的计算能力，传统 CPU、GPU 之外，还需要更多专属 AI 的基础设施；其二，在面向物联网以及 5G 的场景里，AI 计算的场景开始变得多元化，需要适配数据中心、终端设备以及边缘设备等多个场景。

这恰恰是百度 AI 工业化解决的首要难题。在此次财报覆盖的这个季度里，百度发布了自主研发的云端全功能 AI 芯片「昆仑」，其计算能力比最新基于 FPGA 的 AI 加速器的性能提升了近 30 倍，真正做到了「让中国最好的AI跑在自己的服务器上」。

搭载「昆仑」芯片的云服务器能获得如此大的性能提升，既离不开「昆仑」芯片的功劳，也得力于百度自研的深度学习平台飞桨。飞桨的价值同样体现在企业级 AI 开发平台BML4.0 的特性中。BML 4.0 涵盖从数据到模型再到服务的AI全流程，支撑端、边、云一体化。内置的飞桨，集成超过70个飞桨自研模型，超过60个高性能算子。

而在计算场景上，百度智能云目前可以覆盖云计算、边缘计算、设备-端计算、混合云计算等场景。以视频计算场景为例，百度智能云拥有智能多媒体平台「天像」，这是一个以视频处理和智能理解为核心的一站式智能视频平台，不仅提供视频多媒体的基础计算能力，还将 AI 的图像识别、视觉特效等纳入其中。

百度在 AI 计算和多场景计算需求的研发能力和产品能力，构成了 AI 工业化最底层的技术架构，也为「ABC+X」提供了无限想象空间。不同行业、规模的企业，可以充分利用这些基础技术和能力，快速构建企业的AI 基础设施。

更进一步，在基础的计算架构之上，AI 工业化的另一大现实命题也浮出水面：赋能行业。

让 AI 从实验室走入各行各业

今天财报发布后，百度创始人、董事长兼 CEO 李彦宏在内部公开信中透露了一组数字：「从7月初浦发数字人初次亮相，到9月底的数字人开放平台推出，百度智能云的产业智能化进展快速，已覆盖工业、农业、金融、电信、医疗、教育等各行各业。百度AI开放平台得到更广泛普及，9月，开发者数量超过150万。」

当计算机具备了超越人类视觉的视觉能力，当机器可以理解并转化人类语言，当海量数据被收集和计算，机器具备了可媲美人类的洞察能力，如何将这些技术应用到各行各业，成为 AI 工业化必须要解决的难题，百度又是如何做的呢？

首先，在计算机视觉领域，「天像」（面向多媒体）、「天智」（AI）、「天工」（面向物联网）三大产品线构成了工业级的视觉智能方案，从而将机器视觉的能力赋能到互联网视频生产、城市交通管理、智能制造质检和工厂巡检等场景之中。

以被誉为业界第一的视频 AI 生产系统 VideoMind 为例，这个产品可以提供给视频从业者从数据标注开始，到模型训练、模型评估、模型自动部署的全流程工具平台。换句话说，一个没有机器学习博士的创业团队甚至个人开发者，都可以将 AI 能力集成到自己的视频产品里。

其次，百度在人机对话领域拥有丰富的技术积累，这些技术也体现在一系列智能对话产品里。在过去的这个季度，采用 Easy Talk 的「ABC Robot」继续升级，不仅有人形机器人、智能大屏和智能自助机 3 种形态，还具备了垂直服务的理解能力，目前覆盖交通、零售、医疗、银行、教育、政务 6 大行业场景。

全新升级的 ABC 智能客服也颇具看点。过往的客服中心人力成本高、服务效率低下，百度在对话技术领域的研发突破以及应用为客服中心的改变提供了巨大想象空间。具体在智能客服的场景中，新的对话引擎增加了一系列预置对话的新能力，像打断、沉默、语义去噪等能力，可以大幅降低通话中的异常处理成本。

第三，在面向企业的 AI 开发中，百度提供了「天智」平台，它提供了全面的基础 AI 开发平台矩阵与工业级模型库，可以帮助企业快速构建 AI 开发平台，而无需关注太多底层环境，极大节约了 AI 开发成本。

上述三点，构成百度 AI 工业化方法论的另一面，通过 AI 的核心技术能力与行业特性相结合，不仅为企业提供「开箱即用」的行业应用，还帮助企业搭建开发平台与模型库，从而满足不同行业、不同规模的企业对于 AI 应用的需求，推进企业自身业务发展与行业的智能化转型。

与之遥相呼应的是，这些已经在各行各业落地生根的行业应用，也是观察百度智能云未来发展的重要视角。基于 AI 工业化的方法论以及「云+战略」，百度智能云的行业应用落地还会加速，从点状到网状，从单点突破到规模化落地，也将为百度智能云接下来持续高速增长提供「燃料」。

写在最后：AI 工业化大生产时代即将到来

百度 CTO 王海峰曾有一个论断：AI 已经进入到工业大生产的新阶段。就像过往三次工业（技术）革命所展现的那样，AI 的各项技术正在成为如蒸汽、电一般的基础技术设施，在这样一个强大而多场景的计算架构之上，各行各业可以构建自己的 AI 产品与服务。

这是百度智能云所努力的方向，同时也是 AI 工业化方法论的落脚点。

过去的这个季度，在算力、开发平台与行业应用的研发之外，百度也在开源社区与产业生态中不断推进。2019 开源网络峰会上，百度智能边缘计算框架 BAETYL 捐赠给社区，成为中国首个 LF Edge 捐赠项目；14.43亿元战略投资东软控股，通过百度智能云的核心能力，双方将在医疗、教育等领域加速推进产业智能化。更进一步，透过这一季财报里的营收数字，也进一步证明了市场与客户对于百度 AI 工业化的认可。

从强大多场景的计算到瞄准行业痛点的应用以及开源、产业生态的搭建，共同构成了百度面向 AI 工业化大生产的方法论，而支撑这一切的，既有百度在基础设施领域的技术积累，也离不开百度过去几年不断打造的 AI 技术护城河，最终，这些技术与能力将通过「(智能计算*智能应用)^智能生态」的 AI 工业化公式赋能各行各业。（完）