押注人工智能: 三大巨頭穀歌、微軟和亞馬遜的戰略分析

Google剛剛宣布了對其機器學習服務（MLaaS）進行重大改進，以縮小過去一年中和微軟之間的競爭差距。不僅如此， Amazon的AWS去年11月份在AWS Re:Invent上宣布了自己新的MLaaS工具和服務，試圖讓AI應用開發人員在AWS雲上構建自己的智能應用。 如今MLaaS還處於起步階段，但對於那些更傾向於將所有雜亂細節留給其他人的企業來說，MLaaS可能會成為一個占主導的人工智能平台，這些企業點擊一下就可以租賃到人工智能服務。本文總結了每個公司的戰略和策略，並試圖確定誰是贏家和輸家。

MLaaS：承諾和問題

機器學習是很難的，特別是深度學習這個複雜領域。深度神經網絡是以數以百萬計的數據樣本進行訓練的，通過使用大量NVIDIA GPU進行分析，以提取和識別各種功能和類別。這是“人工智能時代”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什麼來避免錯過“下一個大事件”。為了到達目的地（無論在哪裏），他們必須決定投資哪些項目，聘請稀缺人才，購買大量的服務器和GPU，為監督學習任務提供數據，然後建立和優化自己的深度神經網絡（DNN）。聽起來很難？那麼，MLaaS提供了一個更簡單的選擇：選擇一個捷徑，並使用預先訓練的神經網絡來處理由主要雲服務提供商提供的圖像、視頻、語音和自然語言處理。為什麼要花時間和金錢自己來訓練一個神經網絡，尤其是當你可以寫一個基於雲的應用、通過一個簡單的API來訪問一個預先訓練好的網絡？

Google、微軟和AWS：不同的優勢和方法

Google MLaaS

戰略：Google利用自己在人工智能和深度學習方麵的領先專長（Google內部擁有超過7000個人工智能項目，全球超過100萬人工智能用戶），為人工智能開發提供最先進的開發工具和最高性能的硬件平台。這完全是關於開發人員的，因為Google不擁有像微軟這樣的用戶。

策略：

- 讓TensorFlow成為人工智能硬件和軟件之王。

- 將人工智能應用於人工智能的開發。Google聲稱其最近宣布的Google Cloud AutoML可以極大地簡化DNN開發的複雜任務。Cloud AutoML不是使用額外的自定義數據（如微軟那樣）來增強預先訓練的API，而是從客戶自己的數據開始，構建一個自定義深度學習模型。AutoML有非常酷的儀表板，你可以在開發和調整模型時輕鬆查看模型的效率。Google甚至將內部數據標記作為服務提供——這是一些人們認為最終將由人工智能實現自動化的手動過程。

- 將Google在數據中心之外的應用範圍擴展到邊緣消費者設備和自動駕駛汽車，獲取Google雲平台上的所有人工智能開發項目。

微軟MLaaS

戰略：使用微軟龐大的企業和政府安裝基礎，以及其廣泛的生產力和業務流程工具組合，成為企業中機器學習技術的默認提供商。

策略：

- 提供豐富的機器學習API來處理每種數據類型，因為每個公司或機構的數據都與其業務不同。使用戶能夠利用包含組織的產品、人員、詞彙等的數據樣本來擴展訓練的神經網絡（微軟是第一個走上這條道路的公司，現在提供29個API，其中許多API支持DNN的定製訓練數據）。

- 為那些需要構建自己的深度神經網絡的客戶提供最高性能的機器學習框架，尤其是針對自然語言處理的客戶。

- 利用人工智能增強每個微軟產品——為Office 365、Dynamics、Windows以及Redmond Vault中的每個產品提供智能功能。

亞馬遜AWS MLaaS

戰略：使用AWS的超大規模和豐富的工具集，為人工智能應用提供最具成本效益的開發和部署平台。

策略：

- 首先，將為亞馬遜的大型在線業務開發的工具和平台提供為AWS服務。為Alexa和Amazon eComerce開發的工具，現在可以幫助你輕鬆構建聊天機器人或語音激活產品或服務。

- 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。這些工具都具有很高的粘性，確保AWS在開發過程完成後成為部署平台。 尤其是SageMaker很有趣，為整個機器學習開發生命周期提供了一個全方位管理的平台。

- 為每個開發人員提供最具成本效益的雲基礎架構，無論開發人員選擇哪種CPU、GPU或AI Framework。

結論

首先，必須提醒的是：無論這些人工智能服務如何好，企業都需要認識到MLaaS的局限性。問題當然在於細節。如果預先訓練好的網絡作為一種服務不能充分地包含你想要識別的各種麵孔、詞彙和對象呢？如果你想在自己的基礎設施上運行人工智能應用，將所有有價值的數據保存在內部（那麼至少看起來數據是安全的）呢？在任何一種情況下，MLaaS都可能不是企業正在尋找的入口匝道。微軟和穀歌正試圖解決MLaaS的這些功能局限性，但我認為Google的方法可以產生更準確的結果——AutoML實際上是建立一個自定義的人工智能模型，而不是簡單地提供一個可定製的預處理層。

順便提一下，我很驚訝地發現AutoML是在NVIDIA GPU上運行的，而不是被稱為GTP的Google TPU。我預計這種情況可能很快就會改變，但這確實表明，去年春天Google預先發布了Cloud TPU是為了顛覆NVIDIA GTC爭取更多事件，而不是與即將到來的發布上市保持一致。

盡管如此，我相信Google在人工智能方麵的實力將有助於Google達到並有可能超越微軟目前在MLaaS技術上的領先地位，而微軟在企業軟件市場的實力將幫助其通過其應用組合實現其人工智能投資的變現。