穀歌，微軟，亞馬遜紛紛押注機器學習，誰會更勝一籌？

昨天，李飛飛和Jeff Dean在推特上預告說穀歌將有重要的裏程碑事件發布。想必今天大家就被穀歌發布Cloud AutoML的消息刷屏了吧。簡單來說，Cloud AutoML是個無需寫代碼，全自動訓練的AI工具。有了它，即使是不懂機器學習的人，也可以訓練出一個定製化的機器學習模型。

我們可以把這項重大改進歸類於機器學習服務（MLaaS）領域。小智君認為，穀歌的這一舉動是為了縮小過去一年裏與其它科技巨頭之間越來越明顯的競爭差距，畢竟，除了它以外，微軟和亞馬遜也紛紛押注於MLaaS，期望能在人工智能領域擁有屬於自己的主導權。從現在的情況來看，MLaaS還處於起步階段，但它可能會成為一個主導的人工智能平台，讓企業更傾向於通過AI服務來處理雜亂的細節問題。

既然穀歌，微軟，亞馬遜紛紛投入MLaaS研究，那麼誰更勝一籌呢？接下來小智君就為大家分別介紹一下每個公司的策略和戰術，聊一聊誰會是最終的贏家。

機器學習是很難的，特別是複雜的深度學習領域。一個深度神經網絡需要接受數以百萬計的數據樣本訓練，才能進行特征提取和識別，最終完成分類。這是“AI時代”的曙光，所以企業和政府機構當然在爭先恐後地弄清楚他們需要做些什麼，才能避免錯過“下一件大事”。

為了達成這一目標，他們必須決定要投資哪些項目，雇傭專業人才，購買大量的服務器和GPU，為監督學習任務提供數據，之後再建立和優化自己的深度神經網絡（DNN）。聽起來很難，是嗎？沒關係，這就是MLaaS出現的原因。

MLaaS提供了一個更簡單的選擇：在由主要的雲服務提供商提供的圖像，視頻，語音和自然語言處理上，采取捷徑，即使用預先訓練的神經網絡進行處理。當你可以編寫一個基於雲的應用程序並可以通過簡單地API訪問預選訓練過的網絡時，為什麼還要花費許多時間和金錢來訓練一個神經網絡呢？

我們先來看一看穀歌，微軟和亞馬遜不同的優勢和方法。

策略

利用穀歌在人工智能和深度學習方麵的領導能力（該公司有超過7000個AI項目在內部進行，其全球AI用戶超過100萬人），為人工智能的開發提供最先進的開發工具和最高性能的硬件平台。這些主要是針對開發人員而言，因為穀歌沒有像微軟一樣龐大的用戶群體。

戰術

使TensorFlow成為人工智能硬件和軟件的王者。

把AI用於AI的開發。穀歌表示，其Cloud AutoML可以大大簡化DNN開發的複雜性，它可以從客戶的數據中建立一個定製的深度學習模型，無需額外的自定義數據來增加一個預先訓練的API。

穀歌還將內部數據標簽化作為了一項服務。一些人認為這一手動過程最終會由AI自動完成。

將穀歌的搜索範圍擴大到數據中心，比如消費設備和自動駕駛汽車，並在穀歌的雲平台上獲取人工智能開大的整個頻譜。

策略

通過在大型企業和政府機構中安裝器基礎設施和業務流程工具，成為了企業中默認的ML技術提供商。

戰術

提供大量的機器學習API來處理不同類型的數據。允許用戶使用包括企業產品、人員等在內的數據樣本擴展神經網絡。

為需要建立深層神經網絡的客戶提供最高的機器學習框架，特別是自然語言處理。

它的每款產品都可以通過Office 365、Dynamics、Windows等提高性能。

策略

使用AWS大規模的、豐富的工具集，為AI應用程序提供最具成本效益的開發和部署平台。

戰術

AWS服務為亞馬遜龐大的在線業務提供工具和平台。為Alexa和電子商務業務開發的工具可以輕鬆完成一個聊天機器人或語音激活產品或其他同類服務。

提供世界級的開發工具，如MXNet框架、Lex、Rekognition和SageMaker，以減輕開發負擔。

為每個開發人員提供最具成本效益的雲基礎設施，而不考慮開發人員選擇哪種CPU、GPU或人工智能框架。

首先，小智君要先做一個提醒：不管這些AI服務有多麼先進，企業都需要認識到它的局限性所在。如果預先訓練的網絡服務不能充分涵蓋用戶想要的人臉識別、或針對對象的範圍，那該怎麼辦呢？如果用戶想在自己的基礎設施上運行AI應用程序，將有價值的數據保存在內部，這是安全的嗎？

無論是哪種情況，這都不是追求AI發展的企業想要的，微軟和穀歌正在試圖解決這些功能的局限性，小智君認為：穀歌未來可以產生更準確的結果——AutoML的實質是構建一個AI模型，而不是簡單地提供一個可定製的預處理層。

總的來說，小智君認為，在傳統的企業級市場，微軟會有很大的勝算，而穀歌和亞馬遜將繼續爭奪新興雲計算領域AI應用開發的領導地位，穀歌雲平台將托管使用TensorFlow構建的應用程序，而AWS可能會為硬核AI開發人員和應用程序托管市場提供服務。

【本文係人工智能觀察作者AI小智君原創，轉載請聯係作者並注明出處，