9月25日，在華為全聯接2020期間，華為云發布了ModelArts 3.0，融合骨干模型、聯邦學習、智能評估、智能診斷和高效算力。

“ModelArts在多個行業和項目中有了成功落地，離不開華為云EI在人工智能領域的長期投入。”華為云AI首席科學家田奇指出，華為云長期扎根AI基礎技術研究，覆蓋計算機視覺、語音語義和決策優化三大領域，提出了六大基礎研究計劃。這些計劃產生的許多研究成果以即插即用的方式逐步部署于華為云ModelArts，助力行業AI落地。

“華為云發布的ModelArts3.0，是面向AI在行業落地提供的AI開發平臺，旨在通過AI技術高效解決行業挑戰。” 談及ModelArts 3.0發布的初衷，田奇指出，為應對這些難點，華為將骨干模型、聯邦學習、智能診斷評估優化、和高效算力并將它們融入到ModelArts3.0的開發中。

具體來看，華為云骨干工具鏈EI-Backbone提供了AI開發的新范式。通過整合模型高效、數據高效、算力高效、知識高效，全面提升行業AI落地能力，EI-Backbone的能力，已經在10余個行業成功驗證，并且斬獲10余個業界挑戰賽冠軍。

眾所周知，數據是AI應用的基礎，只有基于多樣化的數據，才能實現AI智能感知。然而，在實際AI行業落地中，數據是分散在不同的數據控制者之間，這就導致了行業應用的數據孤島問題，使得AI算法訓練效果受到限制。

針對這個問題，華為云Modelarts提供聯邦學習特性，實現數據不出戶的聯合建模。用戶各自利用本地數據訓練，不交換數據本身，只用加密方式交換更新的模型參數，實現協同訓練。

目前，華為云EI與中國科學院上海藥物所的蔣華良院士合作，將華為自研的FedAMP算法和AutoGenome算法應用到藥物研發的AI任務中，精準預測藥物水溶解性、心臟毒性和激酶活性，準確度遠超傳統的聯邦學習和深度學習算法。

并且，華為云提供云邊協同的服務，支持不同地點、不同客戶的數據進行聯邦訓練，通過加密方式上傳服務端，對全局模型進行更新，再將其下發至邊緣設備，便捷支持同業態的橫向聯邦和跨業態的縱向聯邦學習。聯邦訓練參與者可以通過云端，也可以通過華為云邊緣設備（如智能小站）的計算能力參與聯邦訓練，實現行業內聯合建模。

眾所周知，模型在部署上線前，需要進行充分評估，結果優秀的模型直接投入生產環境，差強人意的則需要進一步優化迭代。

田奇表示，ModelArts提供了全面的可視化評估、智能化診斷功能，使得開發者可以直觀的了解模型的各方面性能，進而針對性的進行調優或部署生產。

值得關注的是，彈性訓練也是ModelArts的核心能力之一，可以根據模型訓練速度的需求自適應實現資源的最佳分配。

據田奇介紹，ModelArts提供兩種模式，一是Turbo模式，可以充分利用空閑資源加速已有訓練作業，訓練速度可提升10倍以上，并且不影響模型的收斂精度;二是經濟模式，可以通過最大化資源利用率給開發者提供極致的性價比，在大多數典型場景下可以提升性價比30%以上。

此外，為了更好地支持超大算力需求的AI研發，華為ModelArts平臺在集群規模，任務數量，以及分布式訓練都做了針對性的優化。

田奇表示，ModelArts研發平臺能夠管理上萬的節點，更好的支持大型訓練任務需求。通過優化服務框架，ModelArts平臺支持10萬級別的作業同時運行、支持萬級芯片的大規模分布式任務。

“在骨干網絡、聯邦學習、模型診斷優化、高效算力的加持下，華為云ModelArts會加速AI在行業落地。”田奇指出，未來，華為云將持續聚焦于模型高效、數據高效、算力高效和知識高效4個重點方向，扎根于AI基礎研究，持續踐行普惠AI。
責任編輯：tzh