作者｜韋世瑋

**

(資料圖片)

“茶興于唐而盛于宋”。據說始于神農時代的中國茶文化，至今已流淌了4700多年歷史，隨后在唐朝走向發(fā)展的黃金時代，在宋朝進入了茶文化繁榮的鼎盛時期。

與唐朝煎茶、元朝泡茶不同的是，宋朝流行的點茶不僅催生出了“斗茶之風”，還讓建盞風靡了千年，在茶案上獨領風騷。

何為建盞？顧名思義，就是建窯燒制的黑釉茶盞，發(fā)源于今福建省南平市建陽區(qū)，憑借獨一無二又絢麗神奇的斑紋，享有“入窯一色，出窯萬彩”的美譽，上至皇族、下至平民無不喜愛?！巴煤吝B盞烹云液，能解紅顏入醉鄉(xiāng)?！边@正是宋徽宗在《宮詞其七四》中對建盞的贊美。

2011年，建窯建盞燒制技藝成功列入國家級非物質文化遺產名錄，并走進國際視野，引起世界收藏愛好者們的關注和熱情。近年來，建盞相關企業(yè)從原來的12家猛增到7200多家，產值也從原來的100多萬元發(fā)展到預計75億元，品牌價值超160億元。

建窯建盞

建盞巨大的商業(yè)價值和投資潛力背后，產業(yè)的隱秘角落也滋生了假冒仿制、以次充好等行業(yè)亂象，嚴重破壞了市場秩序和良性發(fā)展，也影響著建盞產值的發(fā)展和品牌價值。然而過去的建盞鑒定主要依賴傳承人的親筆簽名、拍照，或是提供產品防偽碼等，這些方式不僅效率低，人力成本也高，難以解決行業(yè)亂象。

直到2021年6月，建盞生態(tài)公司找到了曠視科技，提出了建盞識別和溯源的需求。通過借助“算法量產”，曠視科技推出了首個基于AI圖像識別技術打造的建盞溯源系統(tǒng)，為每一只建盞賦予專屬“電子身份證”，實現(xiàn)了“一盞一圖、一盞一碼、圖碼結合”，有效地解決仿造、偽造、以次充好等問題。

實際上，曠視科技AI建盞溯源系統(tǒng)的研發(fā)之路并不輕松。從去年6月至今，曠視科技在開發(fā)這套系統(tǒng)過程中，主要面臨了哪些意想不到的挑戰(zhàn)？研發(fā)背后蘊含的“算法量產”理念又是什么？如何加速AI落地，與實體經濟進一步深度融合？

為此，近日36氪等媒體與曠視科技展開了一場深度對話，在探究以上答案的同時，我們也看到了作為“AI四小龍”的曠視科技，是如何逐漸摸索出一條屬于自己特有的，具有差異化競爭力的落地路徑。

01、識別準確率超95%，千年建盞溯源的挑戰(zhàn)

最初接觸到AI建盞溯源項目的曠視研究院團隊并沒有信心，“因為我們認為，當人本身就難以判斷盞之間的區(qū)別時，那AI大概率很難做到，并且行業(yè)也沒有可借鑒的案例。”曠視研究院算法研究員申遠談道。更重要的是，與其他瓷器相比，建盞釉面具備的金屬光澤會有很強的反光，這對AI識別來說是一個巨大的挑戰(zhàn)。

如何在這一堆“不可能”中找尋到一絲可能性，申遠和同事們進行了許多探索性嘗試。在這個過程中，曠視團隊親自采集了8500個建盞樣本數據，并進行了初步驗證，發(fā)現(xiàn)效果比預想的還要好一些。至此，曠視團隊才第一次真正對AI建盞項目產生信心。

但新的問題也隨之而來。

“過去我們接到類似的項目，往往需要研究員花費大量時間做實驗設計，在過程中進行大量算法模型參數的調優(yōu)?！睍缫曆芯吭核惴慨a負責人周而進說。

為了改善這一問題，曠視對AI生產模式進行了思考，希望能夠將整個AI算法生產的過程進行標準化，從而降低算法生產的門檻。于是，曠視提出了“算法量產”理念，基于曠視Brain++和曠視天元訓練框架，打造了一個能夠適配算法量產的AI基礎設施——算法生產平臺AIS（AI Service）。

基于“算法量產”理念和AIS算法生產平臺，并通過借鑒許多在其他生物認證識別上的經驗，曠視團隊迅速完成了建盞溯源算法的原型開發(fā)，并驗證了可行性。

簡單來看，這套AI建盞溯源系統(tǒng)細分了大量的子方向和算法，包括建盞的定位、檢測、質量判斷，以及最重要的紋理識別。另外針對釉面材質的反光，曠視研發(fā)了一個專門的硬件設備，形狀像一個封閉的盒子，并內置可控制的光源，只要將剛出窯的建盞放進盒子里打光拍攝，就能夠從物理層面大大解決常規(guī)拍攝的嚴重反光，導致信息丟失的問題。

曠視AI建盞溯源系統(tǒng)

與此同時，通過2D圖像的檢測和細分特征識別，曠視只需要對建盞進行多個角度的拍攝和提取特征，就能捕捉到整只建盞的3D結構信息。

曠視AI建盞溯源系統(tǒng)的誕生，不僅實現(xiàn)了“一盞一圖、一盞一碼、圖碼結合”，對兔毫、鷓鴣斑、曜變等類型建盞達到95%以上的識別準確率，還可支持移動端快速鑒別建盞的真?zhèn)巍＿@對推動建盞產業(yè)的規(guī)范化和數字化升級，提供了一套行之有效的解決方案。

曠視AI建盞溯源系統(tǒng)支持移動端快速鑒別建盞

周而進告訴36氪，如今這套系統(tǒng)已基本能做到在正常光照環(huán)境下完成拍攝任務，但也存在不少迭代改進空間，主要集中在算法演進和識別準確性上。一是將繼續(xù)提高系統(tǒng)對更多光照環(huán)境的適應性，讓用戶的拍照角度更隨意；二是逐步優(yōu)化系統(tǒng)對特征不易觀測的建盞（如單色黑釉）的識別準確性。

對曠視團隊來說，這是他們將AI算法落地到非物質文化遺產保護的第一步。

“從技術角度看，建盞背后的整個算法生產模式和技術，可以被復制到許多類似非遺保護的產品上。更廣一點說，做物品的鑒定、身份確認等工作，背后的技術原理是相通的?！敝芏M說。

02、基于“算法量產”解決大規(guī)模算法落地問題

實際上，AI建盞溯源系統(tǒng)只是曠視“算法量產”理念在落地過程中的一個側影。至今，曠視已幫助能源、教育、零售、運動健身等領域的客戶實現(xiàn)了技術在日常生產和經營中的應用，達到降本增效的效果。

例如，曠視開發(fā)的明廚亮灶算法已在10余座城市的學校落地，保障學生用餐安全；基于MegEngine框架，并通過“算法量產”和AIS生產平臺，曠視為某油田提供了煙霧檢測、火焰檢測、油品泄漏、配電室未佩戴絕緣手套等多項AI算法，通過“危險化學品視頻分析智能預警系統(tǒng)”，提升其日常安全監(jiān)管工作效率。

透過“算法量產”理念，我們不難看到曠視對當下AI行業(yè)落地產生的新思考。

“大規(guī)模算法落地本身是一個系統(tǒng)問題，真正難點在于這個系統(tǒng)的復雜性?！敝芏M談道，目前各行各業(yè)都有算法在不斷融入，但真正能解決問題的算法仍供不應求，整個AIoT市場的算法供給面臨行業(yè)數據匱乏、算法通用性低、IoT設備繁雜、Software2.0的挑戰(zhàn)、算法供給質量參差不齊等五大挑戰(zhàn)。

AIoT市場算法供給面臨5大挑戰(zhàn)

為了解決這些問題，目前玩家通常采用定制化開發(fā)、預訓練大模型、云端AI開發(fā)平臺等不同方式進行算法生產。除此之外，一直以來的算法生產模式為“需求-數據-模型-部署”，該模式要求研究員具備非常高的綜合能力，整體生產流程存在分工難以明確、全能型人才稀缺、培訓和人才儲備成本高昂、經驗無法沉淀成方法的難點。

在周而進看來，這些算法生產方式大部分是針對某個單一算法，關注算法的“瞬時指標”，但在應對一個復雜問題時，光靠單點是不夠的。如果要有效解決整個系統(tǒng)問題，就要從算法生產到算法模型，再到推理框架進行標準化，去構建算法生產體系和基礎設施，去關注算法的可用標準和持續(xù)迭代能力?！皹藴驶庞锌赡茏屗惴ㄉa的所有環(huán)節(jié)實現(xiàn)自動化?！彼f。

基于10多年的算法研發(fā)和多行業(yè)項目實踐經驗，曠視提出了“算法量產”理念，希望通過算法量產，將AI生產過程標準化，降低算法生產門檻，從而讓更多人能夠加入到算法生產工作中，提升算法生產效率。

“算法量產不是單一的產品，而是對AI生產模式的理念革新和生產力進化?！敝芏M提到。

為了更好地實現(xiàn)算法量產，曠視一方面提出了適配算法量產的5:3:2研發(fā)體系，包括5個行業(yè)工程師，基于AIS算法生產平臺進行相應的業(yè)務交付；3個算法研究員，聚焦算法的創(chuàng)新與探索；2個工程師，不斷打磨相應的基礎設施并進行AI生產力工具的開發(fā)。

另一方面，曠視提出了適配算法量產的AI基礎設施——算法生產平臺AIS（AI Service），主要基于曠視Brain++體系，構建了一套覆蓋數據處理、模型訓練、性能分析調優(yōu)、推理部署測試等算法生產全鏈路的零代碼、自動化的生產力工具平臺。

曠視算法生產平臺AIS

目前，曠視AIS平臺已經支持100多種業(yè)務模型訓練，最快2小時即可完成訓練，同時其嵌入式管理平臺已支持30種設備的管理，能有效節(jié)省IoT設備的日常開發(fā)與維護成本?！敖刂两衲甑谌径?，城市物聯(lián)網板塊75%的模型發(fā)版都是通過算法量產的模式來完成?！敝芏M說。

但需要注意的是，解決大規(guī)模AI算法落地的問題并不等同于解決AI落地。

主要原因在于，AI落地還涉及很多其他因素，比如產品、解決方案、整體價格、客戶的信息化水平等，不單是大規(guī)模AI算法落地這個單一性問題。周而進告訴36氪，這需要AI技術know-how和行業(yè)know-how的深度融合，需要有核心技術體系，有軟硬協(xié)同一體的產品能力，以及產品落地行業(yè)的實踐經驗，才能真正加速AI算法在各行業(yè)的落地。

03、曠視如何面向AIoT產業(yè)發(fā)展的黃金十年？

如果說“算法量產”是曠視針對大規(guī)模算法生產落地而提出，那么“算法定義硬件”則是其針對AIoT海量應用場景需求下提出的另一個產品理念。

實際上，面對當前豐富靈活多變的AI場景需求，以及不斷蓬勃發(fā)展的應用生態(tài)，大部分傳統(tǒng)硬件的產品思路是在AI技術和產品之間、軟硬件之間、技術平臺之間找到一種平衡，但這種平衡往往“魚和熊掌不可兼得”，要么犧牲AI算法能力，要么犧牲硬件功能。

在曠視看來，如果要實現(xiàn)真正的協(xié)同，需要將算法需求前置考慮，從算法和用戶場景需求出發(fā)，反推所有技術架構和平臺之間的協(xié)同設計，從而得到一個更優(yōu)的產品方案。

基于此，“算法定義硬件”應運而生。

與“算法量產”的底層邏輯相通，在“算法定義硬件”中，算法是產品的核心要素，硬件將圍繞算力的優(yōu)化和算法支撐來重新設計，逐步走向標準化。同時，標準化硬件能夠通過加載不同算法，靈活演變成不同的智能化硬件，從而滿足海量場景的應用需求。

從技術角度看，“算法定義硬件”的底層依賴是曠視以“基礎算法科研”和“規(guī)模算法量產”為核心的“2+1”AIoT核心技術科研體系，還有以“計算攝影學”為核心的“算法定義硬件”IoT技術體系（包括AI傳感器和AI機器人）。整套科研體系涵蓋從基礎研究、算法生產到軟硬一體化產品的AI落地全鏈路，這也是曠視的技術護城河，以及公司未來走向AIoT商業(yè)化成功的重要基石。

不可否認，AIoT產業(yè)正逐漸迎來發(fā)展的黃金十年，AI技術也將進入這萬億級的海量AIoT場景中。

面向這個未來，曠視將AIoT產業(yè)的發(fā)展劃分為三個階段：第一階段是單品短閉環(huán)階段，核心AI硬件涌現(xiàn)；第二階段是產品大閉環(huán)階段，“云邊端”產品體系重構；第三階段是產業(yè)全面開放階段，AIoT生態(tài)繁榮發(fā)展。

對曠視來說，貫穿這三大階段的產品理念，正是“算法定義硬件”。

結語

回看整個AIoT產業(yè)的發(fā)展，曠視針對建盞溯源需求提出的解決方案，不過是AI技術落地過程中的冰山一角。在這條細流之外，還有更多企業(yè)沿著不同技術路徑而努力，目標都是為了推動AIoT市場未來的百花齊放和生態(tài)繁榮。

在這個過程中，如何找準適合自己的途徑和方法，提高自我造血能力，這是曠視乃至每一個玩家正不斷思考和努力解決的重要命題。如今曠視給出的解決方案是：算法要與硬件和應用結合，打造出匹配場景需求的硬件產品，這才能形成真正閉環(huán)的價值，從而激發(fā)整個AIoT生態(tài)的創(chuàng)新。

關鍵詞： 解決方案 基礎設施