從手機中常被調戲的語音助手，到家里自動播報天氣的智能音箱，到倉庫內高效搬運貨物的機器人，人工智能事實上已經“活躍”在生活和工作的方方面面。

　　在大眾語境中，人工智能是“靈丹妙藥”，原本笨拙的計算機軟件程序加上它，似乎就變得智能起來。但事實上，“人工智能”只是一個籠統的概念，真正起作用的，其實是人工智能領域的一個具體技術方法——深度學習。

　　站在如今的時間節點回溯這場生產力變革，深度學習以及深度學習框架的重要性，再怎么強調也不為過。

　　深度學習是什么？深度學習框架又有什么用？

　　回顧人工智能的發展，每一次方法論的迭代都是為解決先前方法的問題。

　　20 世紀 80、90 年代，人工智能的實現方法是“模式識別”。這種方法需要專家為每一個問題編寫出一個專門的程序，效率并不高。

（模式識別中，一個字符 “3” 的圖像被劃分為 16 個子塊）

　　90 年代初，科學家們開始意識到一種更有效地構建模式識別算法的方法，那就是用數據去替換專家。收集大量的數據，然后人工提取數據特征，接著“喂”給計算機，計算機學習數據中的規律，形成一個算法——這種人工智能方法叫做“機器學習”。

　　在解決簡單任務時，機器學習簡單有效，但如果涉及數據量大的復雜任務，主要依靠人工提取特征的機器學習就難以勝任了。

　　為了彌補機器學習的短板，科學家們參考人類大腦的神經網絡，在機器學習的基礎上，打造了深度學習方法。

　　深度學習的特征提取并不依靠人工，而是交給了機器，相比機器學習極大提升了效率，人工智能行業這才有了蓬勃發展。

　　如果以從屬關系來看，機器學習是人工智能的一種具體實現方法，而深度學習則是機器學習的一個技術分支。

　　雖然人工神經網絡和生物神經網絡只是在結構上相似，在工作機制上沒有太多相同之處，但深度學習很多算法中依然包含“神經網絡”這個詞，比如經典的卷積神經網絡（CNN）和循環神經網絡（RNN）。

　　卷積神經網絡被普遍應用在圖片識別領域，如你手機相冊里的人臉分類。循環神經網絡則是機器翻譯準確率大大提升的功臣。

　　從深奧的神經網絡，到手機相冊人臉分類這樣實際生產應用，深度學習技術的落地過程涉及到多個不同的步驟和工具。

　　如果從頭開始設計一個神經網絡模型，需要開發人員對底層技術非常了解。這相當于把很多對深度學習感興趣的開發者和公司拒之門外。

　　即使開發者對深度學習底層技術了如指掌，從零開始設計神經網絡結構的耗時通常按周和月計，容易讓人失去耐心。

　　因此，有的公司和科研機構就底層語言和重要的神經網絡模型進行了封裝，“打包”給開發者使用。開發者不必太過操心底層的技術，只需要通過調用頂層的 API 就可以應用深度學習神經網絡。

　　這種封裝了底層語言和重要模型的工具，被稱之為“深度學習框架”。好比你要炒一盤菜，不會從研究怎么制造鍋或鏟開始，而是直接拿現成的用。對于打造一個深度學習應用，數據相當于食材，算法相當于菜譜，而深度學習框架就類似于鍋和鏟了。

　　有業內人士如此形容深度學習框架的重要性：在人工智能時代，深度學習框架就是人工智能時代的“操作系統”，起到了承上啟下的作用，上承各種業務模型、行業應用，下接芯片、大型計算機系統。

　　簡而言之，深度學習是一把利刃，但沒有輔助工具，很少人會用。借助深度學習框架這個工具，采用這把利刃的門檻大大降低，用的人多了，才有了如今的人工智能浪潮。

　　缺失國產深度學習框架，和缺少芯片一樣是 “卡脖子” 問題

　　深度學習框架的競爭，已經成為人工智能競賽的制高點。世界范圍內，市場主流的開源深度學習框架大多數是國外廠商或機構主導，比如 Google 的 TensorFlow 和 Facebook 的 PyTorch 占據了大部分市場份額。

　　在中國，開發者也高度依賴國外的開源框架。2019 年 7 月，長江商學院經濟學教授許成鋼在一堂課上給出了一個數據，幾乎 93% 的中國研究者使用的人工智能開源軟件包，是美國的機構開發提供的。

　　這無疑是一個不好的信號，高度依賴國外的開源深度學習框架相當于被“卡住了脖子”。

　　近幾年，中國人工智能應用領域發展非常迅猛，但這更多得益于龐大用戶量產生的數據紅利。深度學習框架好比人工智能產業的地基，縱使蓋出了再高的樓，沒有自己的地基，也有非常大的崩塌風險。

　　類似的情況已經在芯片領域發生。2015 年，國防科技大學主導的超級計算機 “天河二號”，因英特爾至強處理器斷供，打斷了原定升級計劃。被 “卡住脖子” 的天河二號，在 2018 年借助中國自研的 Matrix-2000 加速卡才完成升級。

　　2019 年，華為海思總裁一份致員工信廣為傳播：多年前，公司做出了極限生存的假設，預計有一天，所有美國的先進芯片和技術將不可獲得。為了這個以為永遠不會發生的假設，數千海思兒女為公司的生存打造 “備胎”。今天，曾經打造的備胎，一夜之間全部轉 “正”！

　　在深度學習框架領域，也有必要做出類似華為海思這樣的極限生存假設：如果有一天 TensorFlow 這些國外的深度學習框架不再開源，中國的人工智能開發者有什么替代方案？

　　“卡脖子” 問題的新答案：曠視將開源深度學習框架 MegEngine

　　事實上，不少中國企業都意識到了這個問題，也交出了解決方案。比如百度的 Paddle Paddle 和華為的 MindSpore。

　　有業內人士透露，很快人工智能開發者又有多一個選擇：曠視將于 3 月底開源其人工智能算法平臺 Brain++ 的核心深度學習框架——MegEngine，主要面向高校師生、傳統產業和中小企業的 AI 開發者。

　　相比大部分深度學習框架，MegEngine 特別針對計算機視覺進行深度優化，不僅支持大規模分布式訓練，且兼容 Pytorch、學習成本低。在曠視內部，MegEngine 主要就是用于計算機視覺領域的開發。據曠視研發同學稱，即便是新同學不到 1 個月就可以快速上手。

　　在架構上，MegEngine 共分為“計算引擎”、“運行時管理”、“編譯和優化”、以及“編程和表示”四個層級。

　　計算引擎以 MegDNN 為核心，發揮計算作用。MegDNN 是一個基于異構架構，有著統一交互方法的內核，可以根據設備本身啟發式地選擇最優內核，也可以讓用戶自己選擇最適合的內核進行計算。

　　運行時管理層包括兩個模塊，分別是內核調度和內存管理和優化兩大模塊。在內存管理和優化模塊中，MegEngine 采用了動態、靜態內存分配并存的方式，因此可同時支持動態圖和靜態圖模式。

　　而在編譯層和優化層，MegEngine 使用了基于計算圖的編譯和優化方法。

　　事實上，2013 年推出的 Caffe 采用了配置文件方式表達網絡結構，在當時已經難以滿足開發一些大型神經網絡的需要。后來，TensorFlow 2015 年發布時，采用了計算圖的方式，很好適應了大型神經網絡開發的發展。而值得一提的是，MegEngine 在 2014 年開發之初，也采用了計算圖的方式。

（TensorFlow 的計算圖）

　　MegEngine 最頂層的編程和表示層，支持高級編程語言（如 Python），方便用戶交互，一方面更容易上手，另一方面使新算法移植更便捷。

　　隨著曠視業務的發展，曠視 MegEngine 也在不斷進化，比如引進 AutoML 技術。AutoML 全稱是 Automated Machine Learning（自動機器學習），核心理念是讓算法來訓練算法，最大程度減少人力。

　　在曠視的規劃中，研究院最想做的事情是構建一個三位一體的人工智能算法平臺，能夠為開發者們提供端到端的解決方案和高效的開發體驗。從 2014 年寫下 MegEngine 的第一行代碼開始，這項意義非凡的工作就開始了。

　　曠視首席科學家和研究院院長孫劍在一次公開演講中表示：“我們做深度學習框架的時候還沒有 TensorFlow，而我們自己的第一版出來之后 TensorFlow 才發布。當時 TensorFlow 不算很成熟，所以一直用自己的開發工具和平臺。”

　　隨著研發的拓展，MegEngine 經歷了 8 版迭代。同時曠視在核心的深度學習框架上發展出了自有的技術生態，MegEngine 演進成了 Brain++——一個涵蓋了深度學習算法開發的所有環節的人工智能算法平臺，針對數據管理，算力調度和深度學習訓練框架，分別構建了三個組成部分：MegData（數據管理平臺）、MegCompute（深度學習云計算平臺 ）和即將開源的 MegEngine（深度學習框架）。

　　對于曠視來說，Brain++ 對底層研發的支持就是解決了企業核心生產力的問題，這個端到端的開發工具讓曠視能夠規模化實現算法創新。也正是借助 Brain++ 這個自研的人工智能算法平臺，成立十年的曠視取得了領先業界的成績。

　　學術領域，Brain++ 幫助曠視獲得了 27 個世界級的人工智能競賽冠軍，其中包括 2017 年至 2019 年拿下 COCO 三連冠。COCO 是人工智能領域最具影響力的通用物體檢測挑戰賽，在計算機視覺領域享有很高聲譽。

（曠視獲獎證書 @COCO 2019）

　　產業方面，曠視依靠 Brain++ 布局了個人物聯網、城市物聯網和供應鏈物聯網三個領域。每個領域，曠視都扎得足夠深入。

　　比如，在個人物聯網領域，Face++ 已經是人臉識別領域的行業標桿。在供應鏈物聯網領域，曠視的客戶心怡科技，借助 Brain++，實現雙 11 當天拆零出倉八萬多箱貨物，刷新了單倉機器人集群作業的行業記錄。

　　在學術和產業端都證明了自身價值后，Brain++ 也獲得了國家的認可。2019 年 8 月，科技部宣布依托曠視建設 “圖像感知國家新一代人工智能開放創新平臺”，而這一開放創新平臺的核心，正是 Brain++。同年 10 月，Brain++ 在世界互聯網大會上被授予 “世界互聯網領先科技成果”。

　　回到 MegEngine，一個已經在學術界和產業界都證明了自己實力的深度學習框架，在 3 月底開源給業界使用，無疑是重大利好。面對“如果國外深度學習框架不再開源”這個假設，中國的人工智能開發者已經無需擔心。

總結

以上是生活随笔為你收集整理的旷视计划3月底开源深度学习框架，AI开发生态有望焕发新生机的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。