讓 AI 的能力下沉到更多移動終端上，才能完全打開智能的想象力。前不久，金山 WPS 與 Google 合作，以 TensorFlow 架構為辦公工具賦予了 AI 算力和功能。

借助 TensorFlow 和 TensorFlow Lite 在框架層的算法優化能力，移動版 WPS 有多個業務場景開始使用 AI 算法，來進行圖片的處理和轉換：

物體邊緣檢測。金山 WPS 設計的 CNN 文檔檢測網絡，可以讓安卓版用戶快速檢測結果，自動判斷邊緣并調整濾鏡；

自動識別圖片類型。金山 WPS 利用 TensorFlow Lite 實現了能夠自動識別圖片類型的 OCR 模型，提供對應的濾鏡和 OCR 輸出格式；

掃描件 OCR。采用 TensorFlow 部署模型，可以對文檔實現旋轉矯正、文本行檢測等操作，節省大量文檔編輯時間；

自然場景 OCR。利用 TensorFlow Lite 將自然場景 OCR 運行在手機上，使它能在短時間內從復雜場景中準確定位文字并獲得理想的識別結果；

圖片轉文檔的布局分析。金山 WPS 結合 TensorFlow 與 scikit-learn 框架一起進行圖文布局分析算法，大幅度降低了算法的研發成本。

金山 WPS 還對多種機器學習算法進行了加工整合，從不同層次優化和改進了文檔轉圖片、內容檢測等功能，解決了圖片轉文檔 “亂碼” 這一歷史難題。

金山與 TensorFlow 的協同工作，已經帶來一些在移動端辦公領域的直觀效果：

高功耗、高能耗的實時 AI 處理在移動端成為可能；

閱讀體驗升級，辦公 AI 功能解鎖，辦公效率進一步提升；

WPS 正在打開端側部署 AI 的可能性。

從云到移動：金山 WPS 借助 TensorFlow Lite 實現的驚險一躍

從云端算法到移動端開發的實操階段，移動芯片端側運算支撐力不足、云計算數據傳輸延遲，使得拍照識別這樣的實時運算，用戶體驗極差。但通過結合 TensorFlow Lite，金山 WPS 訓練移動端模型快速地推進了開發者的 AI 研發進程。

TensorFlow Lite 在移動端具有以下明顯優勢：

足夠小：訓練的 AI 模型可以很容易被壓縮和傳輸到手機端，對用戶的手機內存十分友好；

圖像學習框架的輕量神經網絡

手機機型兼容性好，對安卓天然親近：在數十臺機型上的穩定性測試都表現很好；

高效的 “投影” 模型

移動端的適應性強：TensorFlow Lite 與 TensorFlow 的過渡平滑，不會增加大量的兼容成本；

TensorFlow Lite 的架構設計

TensorFlow 社區資源豐富，具體的業務場景很容易找到相關參照系，并學習案例的集成方式。

那么，移動端友好的 TensorFlow Lite 又是如何被金山 WPS 部署到手機端的呢？

以文檔邊緣檢測為例：

首先，利用 tf.keras 可以很快完成深度網絡的構建。在拍照掃描算法中，開發者設計了一個 5M 左右的 CNN 文檔檢測網絡；

其次，將 tf.keras.Model 提供的 fit_generator 與 tf.data 靈活結合，對訓練數據進行預處理，根據業務場景對訓練數據進行分組定義，然后構造適合的代價函數。以此優化訓練性能，不斷地迭代優化算法效果；

最后，把業務算法集成到 WPS，在多臺旗艦機上進行穩定測試。針對一些難點問題進行分析迭代，直至穩定上線。

至此，移動 AI 的開發者完成了從云端到移動端的驚險一躍。

從個案到公式：移動端 AI 開發的通識問題與解決之道

TensorFlow 在金山 WPS 辦公軟件上的落地，給移動端辦公帶來了奇妙的變化，也找到了移動端 AI 開發的通識問題與解決之道。

AI 落地的成本問題。解決之道：TensorFlow 能夠解決技術或算法實現商業化時如何低成本地解鎖需求的問題，而金山 WPS 能為技術解決方案提供足夠大的商業落地空間；

端側 AI 的技術沉淀問題。解決之道：合作之后，金山仍在攻克很多難題，除了 TensorFlow Lite，金山 WPS 研發團隊還掌握了幾款移動推理框架及一些小規模網絡設計的技巧；Google 也在發力，比如即將推出 TensorFlow 2.0，TensorFlow Lite 將支持更豐富的模型運算方式。

此外，TensorFlow 與金山 WPS 合作的最大意義是讓我們看到：超強算力的 AI 硬件 + 移動端友好的深度學習框架 + 清晰廣泛的業務場景，才是幫助更多開發者打開想象的前提。

金山 WPS 在移動辦公上的努力實現，使得移動 AI 開發這件事，在蔥蘢的生態下前所未有地真實起來。