从学术圈走向工业界再到产业化的历程中，找寻属于中国企业的机会和挑战到底在哪里。
编者按：本文系创业邦专栏作者Alter聊科技原创作品，作者：张贺飞，编辑：沈洁，创业邦经授权发布，头图来源图虫创意。
“科技无国界”的幻想，因为东欧的战火被彻底击碎。
苹果、谷歌、Facebook、SAP、微软等科技巨头，早已有了实际的行动。单单是Apple Pay和Google Pay的停用，就已经影响了数千万人的生活秩序，而GitHub、Node、React等开源平台针对俄罗斯开发者的严格限制，则给不少企业的产品开发、商业运作蒙上了一层不确定的阴影。
在这样的语境下，开源软件的自主可控再度成为舆论场上的焦点，特别是作为AI基础技术的深度学习框架，更是聚焦了无数开发者的关切。深度学习框架属于AI的底层技术创新，一旦这些技术被套上枷锁，千行百业的智能化转型将被制约，甚至会影响国内第四次工业革命的进程。
可能在不少人的认知里，深度学习框架还是一个陌生的词汇，对其所扮演的角色以及重要性仍处于懵懂状态。我们不妨从盘点和回顾的视角，梳理下深度学习框架的周期演变，在从学术圈走向工业界再到产业化的历程中，找寻属于中国企业的机会和挑战到底在哪里。
想要讲清楚深度学习框架的起源，难免要花上一定的篇幅，简单概述下人工智能技术的进化历程：
早在1943年，美国心理学家麦卡洛克和数学家皮茨就提出了人工神经网络的概念，比世界上最早的通用计算机的出现还早了3年时间。
其后出现了不少新概念和新模型，但人工智能的进展始终差强人意。直到杰弗里·辛顿在2006年发表了一篇题为《一种深度置信网络的快速学习算法》的文章，其中的核心理念是利用 GPU 来加速训练，大幅提高了神经网络的学习速度。
时间来到2012年，师从杰弗里·辛顿的多伦多大学研究生艾力克斯·克柴夫斯基，在当年的 ImageNet 挑战赛中使用一种新的深度神经网络架构进行训练，在 ImageNet 数据集上达到了 SOTA 精度，远超一些学术界的顶级团队。这种深度神经网络架构，就是后来大名鼎鼎的AlexNet，并在全球范围内掀起了深度学习的热潮。
图：杰弗里·辛顿
在机器学习大行其道的时候，几乎没有一种算法在大量的问题上取得压倒性的优势，大多数业务问题可以通过大数据和算法结合的经典方式解决。可到了深度学习的时代，数据、算法和算力都在爆炸式增长，为了提高工作的效率，一些研究者开始编写深度学习模型的几个必要过程，把前人的研究成果不断沉淀其中，后来人可以直接调用某些成果，大幅降低了编写深度学习模型的门槛。
“深度学习框架”的概念由此诞生，迅速涌现出了Theano、Caffe、Torch等多款深度学习框架，至今仍是人工智能圈子里的热门话题。
科技文明的每一次跃进，都离不开个体的灵光乍现，人工智能又恰恰是一个标准的众创型技术。所以早期深度学习框架的缔造者，往往被赋予一种特殊的光环，并随着时间的推移不断放大其中的价值。可回头来看，这些盛名在外的早期框架也有着时代的局限性，所能解决的往往是一类问题，而且有着鲜明的学术色彩。
比如艾力克斯·克柴夫斯基就写过一套名叫Cuda-Convnet的深度学习框架，可以在GPU上快速跑神经网络，却不怎么重视工程设计，也谈不上模块化和抽象化能力，单纯是为了搞科研、出论文。
深度学习开源工具的鼻祖Theano，严格地说是一个擅长处理多维数组的 Python 库，用于高效解决多维数组的计算问题。相较于当前深度学习框架的功能，Theano更像是一个数学表达式的编译器。
值得一提的是，在深度学习框架“刀耕火种”的日子里，中国的学者们并没有缺席。百度2013年成立了深度学习研究院，Caffe等框架的主导者中都有华人的身影。暗合科技创新的潜在趋势，中国不再是创新进程中的跟随者，这一次我们也站在了最前沿的领域。
2015年是深度学习框架的转折点，这年前后发生了两件深刻影响到人工智能历史进程的重要事件：
一件发生在学术领域。微软亚洲研究院的学者提出了著名的ResNet架构，影响力丝毫不输当年的AlexNet，不仅在ImageNet的准确率上再创新高，也让学术界外的工业界形成了一个共识，即深度学习将成为下一个重大技术趋势。
另一件发生在围棋圈。谷歌旗下DeepMind团队开发的AlphaGo，和韩国著名棋手李世石进行了一场围棋人机大战，最终以4比1的总比分获胜。由此出圈的不只有AlphaGo和谷歌，深度学习的概念也被越来越多的“行外人”知晓。
后知后觉的话，这两起事件都有其吊诡之处。ResNet在2015年的原始残差网络的结果一度被质疑无法复现，而AlphaGo的围棋挑战赛本身就有作秀的嫌疑。草蛇灰线，伏脉千里，不寻常的背后是科技巨头们的精妙布局。
2013年3月，谷歌以4400万美元的价格收购了杰弗里·辛顿创建的DNNResearch，这场交易的重心并不是什么新业务，而是辛顿本人和他的两位学生。据说百度也参与了这场“拍卖”，并坚持到了辛顿做出选择的最后一刻。
谷歌疯狂“敛才”的原因，在2015年11月被揭晓：谷歌大脑团队开发的深度学习框架TensorFlow正式开源，杰弗里·辛顿为此做了很多贡献。谷歌的另一位研究员弗朗索瓦·乔莱特，几乎独自完成了Keras框架的开发，为谷歌再添一条护城河。
遗憾错失杰弗里·辛顿的百度也没闲着，2012年开始大规模采购和建立GPU运算集群，是国内最早投入研究深度学习平台的企业，培养和吸纳大批AI顶尖人才，内部打磨重构多年的PaddlePaddle，也在2016年正式开源，后来取了一个中文名字叫“飞桨”。
同样对深度学习框架野心勃勃的Meta（原Facebook），走了一条循序渐进的路。先是控制了著名的深度学习库Torch，然后用从Python替换了Lua语言，对Tensor上的全部模块进行重构，并在2017年初以PyTorch的身份正式开源。同时还搞了Caffe2项目，像谷歌一样开启了双平台战略。
这个阶段可以说是深度学习框架的第一次“百家争鸣”，Amazon主导的MXNet、微软背书的CNTK陆续出现在开源名单上。深度学习框架不再是学者们的自留地，科技巨头们接过了主导市场的权柄。
相对应的是新旧交替的一幕。
Alpha Go最初是基于Torch开发的，但在TensorFlow开源后立即进行了迁移；Theano的开发团队在2017年9月宣布停止维护和更新，从此退出了历史舞台；微软的CNTK经历了一定时间的奋力追赶后，最终在2019年宣布停止维护；Keras后来被TensorFlow收编，Caffe2被PyTorch接纳......
还有很多不知名的深度学习框架，还没来得及被外界所熟知，就被埋在了人工智能高速增长所掀起的尘土中。相比于豪掷千金买技术、团队、人才的巨头，很多初创企业常常被各种因素束手束脚，结局在一开始就注定了。
正如人类历史屡屡被验证的趋势，深度学习框架经历过短暂的激烈角逐后，也呈现出了“寡头化”的局面。
背靠谷歌这座开源大山，TensorFlow在开源伊始就表现出了主场优势，大批学者自觉转移了阵地。按照谷歌天才科学家杰夫·迪恩在一次演讲中的说法：2016年TensorFlow的论文引用次数呈现出指数级暴涨。
不过，谷歌无意在学术圈画地为牢，早早将目光瞄向了工业界，得到了英特尔、英伟达等硬件平台的配合，向全球开发者免费供给AI库与工具，并在2015年推出了专门为TensorFlow框架打造的计算神经网络专用芯片TPU，引发了云端造芯的浪潮，并以每年一代的速度持续迭代。
应该说，谷歌的商业嗅觉非常灵敏，ResNet和AlphaGo一下子就点燃了工业界的激情，人工智能以熊熊大火之势席卷工业界。TensorFlow自然而然地向工业需求进行倾斜，逐步推出了TensorFlow Serving、TensorFlow Lite等产品，让客户可以在云、服务器、移动设备和 IoT 设备上进行部署。
此举却被学术界诟病连连，学者们追求的不是部署的便捷性，而是易用性。这也为身为后来者的PyTorch提供了可乘之机，凭借“易用性”的聚力一招，PyTorch在研究领域迅速站稳脚跟，大多数出版论文和开源模型都在使用 PyTorch，目前论文中的占比已经达到80%，有了和TensorFlow分庭抗礼的资格。
国外不少研究者心中，深度学习框架已经是TensorFlow和 PyTorch共天下的局面，代表了深度学习框架研发和生产中 90% 以上的用例。可将中国市场纳入讨论范畴的话，则出现了一些不同的声音。
知名市场调研机构IDC曾在2020年下半年公布了一份中国深度学习框架平台市场份额的报告，TensorFlow、飞桨和PyTorch排名前三，合计占据了70%以上的份额。等到2021年上半年，IDC再次更新了市场报告，彼时百度飞桨已经超越TensorFlow位居中国市场综合份额第一。
我们曾就这份报告询问过不少开发者，对方给出的回答大多是“没想到”，再进一步的沟通后，听到最多的声音是：“原来EasyDL也是飞桨的产品。”其中被频频强调的EasyDL，是百度基于飞桨深度学习框架构建的零门槛AI开发平台，开发者上传数据并标注后，即可训练相应的模型部署应用。
考虑到中国在人才方面的巨大缺口，飞桨的市场渗透方式有着鲜明的实用主义，先让客户把AI模型用起来，哪怕他们并不知道后面还有一个深度学习框架。因为中国的大部分中小企业并不具备专业的AI算法开发能力，开发定制 AI 模型绝不是一件容易的事。可从结果导向的话，飞桨或许摸索出了不同于谷歌、Facebook的第三条路。
巨头们“闯入江湖”的连锁反应已然发生，市场份额越来越向少数几个平台集中，无论是美国还是中国，同时在便捷性、易用性、稳定性的多重指标下，算法、算力、编译器等一个都不能少，深度学习框架的门槛正变得高不可攀。
中国市场对深度学习框架的关注，在时空上迟滞了许多，直到中美科技战的爆发，相关讨论才多了起来。
相当长的一段时间里，中国开发者都是TensorFlow、PyTorch的重度拥趸，还有一些企业曾经深耕过MXNet。这里面的原因很复杂，百度的工程师文化讲求实干不张扬，飞桨在很长一段时间里专注于技术和产品，在舆论场上缺少存在感。
国内的其他互联网公司则犯了“拿来主义”的错误，要么缺少创新精神，怯于和海外的科技巨头同台竞技；要么奔着摘果子的心态，等别人探索出了眉目再跟随借鉴...... 所以在2020年以前，中国的深度学习框架屈指可数，除了百度打造的飞桨，只有小米MACE、阿里巴巴XDL在内的几个推理框架。
转机出现在2018年前后，中兴、华为等企业先后被美国制裁。当Matlab这样的老牌工具都能被禁用时，不少企业逐渐嗅到了“危险”的气息：倘若Pytorch和Tensorflow有一天重蹈Matlab的覆辙，对中国AI产业的影响无异于釜底抽薪。
深度学习框架的应用也在这个时间点进入了产业化阶段，且呈现出了两个典型的特征：一是大型模型训练，GPT-3、BERT等大模型的诞生，需要在数百台甚至数千台设备上进行训练，所瞄准的正是产业化的需求；二是可用性，TensorFlow、飞桨、PyTorch先后引入了计算图和动态图，目的是让运算更加简洁，开发者可以采用命令式的编程风格，方便进行模型的调试。
留给企业和开发者的，其实是一个三难的选择：倘若像过去那样All in国外的深度学习框架，存在着各种不确定风险；如果盲目退出国外的框架，似乎也不是理智的选择，有竞争才会有进步；何况深度学习框架属于高投入、长周期、抢生态的竞争，在产业链中承上启下的关键地位，有着统领产业进步节奏、带动终端场景与云端服务协同发展的重要作用，押错宝的代价不言而喻。
所幸最后的结果并不算糟糕。
按照百度官方的信息，目前基于飞桨开发的模型数量已经有47.6万个，不乏文心等大模型，服务的开发者数量已经达到406万，并在270多所高校开设了AI学分课程。至少可以保证在中国市场上奠定飞桨、TensorFlow、PyTorch三分天下的格局，再在市场份额分配上徐徐图谋。
进入2020年以后，清华大学计图、旷视科技天元、华为MindSpore、一流科技OneFlow相继开源，腾讯和阿里也在后面推出了PocketFlow、X-Deep Learning。如果这些新空间有能力以资金、人才等资源换时间，针对中国产业的需求因地制宜，也不排除进一步向国外框架抢夺份额的可能。
回到文初遗留的问题，在AI基础技术的角逐中，来自中国的力量确实有些孤独，很长时间里只有百度一家在搏杀。好在结果并不糟糕，在深度学习框架的“PPT”（飞桨PaddlePaddle、PyTorch、TensorFlow）格局中，已经有一个字母是来自中国，不必再面临被封杀后无计可施的境地。
距离1956年的达特矛斯会议，已经走过了66个春秋，人工智能终于迎来了工业大生产的浪潮。来自中国的企业和科学家们，或许缺席了人工智能的过去，却在一步步锚定人工智能的未来。
目前中国已经在AI应用层站稳了脚跟，近几年的专利申请甚至超过了美国，在数据、人才、市场等方面的综合优势正在逐步显现。假如可以用深度学习框架进一步聚合开发者、资本和平台，创造有利于创新的土壤，不无可能摆脱“数字铁幕”的威胁，让中国AI在一条坚实的道路上加速奔跑。
加载中,请稍侯......