越來(lái)越多的AI應(yīng)用發(fā)生在云端，尤其是對(duì)于智能技術(shù)需求高的行業(yè)而言，他們甚至可以說(shuō)是被AI逼上公有云，而那些原本使用私有云的企業(yè)用戶(hù)，也由私有云躍遷到了混合云。

數(shù)據(jù)和算力是維持AI的兩大要素，而傳統(tǒng)的計(jì)算環(huán)境是難以滿(mǎn)足二者的指數(shù)級(jí)增長(zhǎng)的。舉個(gè)例子，數(shù)據(jù)的類(lèi)型大體可分為結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)。一個(gè)數(shù)據(jù)從產(chǎn)生到落地要經(jīng)過(guò)收集、傳輸、分析、檢索、挖掘等階段。如果要讓機(jī)器像人一樣去“看”數(shù)據(jù)，恐怕窮盡一生也無(wú)法分析完。

如果在云端借助Hadoop集群和Spark這樣的通用計(jì)算引擎，或者是Storm等計(jì)算框架，就可以將數(shù)據(jù)分解為多個(gè)部分，對(duì)每一部分的數(shù)據(jù)進(jìn)行分析，之后將效果匯總經(jīng)過(guò)多輪計(jì)算篩選出結(jié)果。對(duì)于機(jī)器學(xué)習(xí)來(lái)說(shuō)，它們或許會(huì)找到一些新的特征，并對(duì)這些特征進(jìn)行歸納來(lái)識(shí)別出一把新的椅子。這一過(guò)程中，需要有海量、不同的椅子照片供給計(jì)算機(jī)去學(xué)習(xí)。而這一切，沒(méi)有數(shù)據(jù)中心的龐大算力支持是無(wú)法實(shí)現(xiàn)的。

當(dāng)人工智能走向云端，開(kāi)發(fā)者既是第一批受益者，又成為了云服務(wù)商手中的核心資源。微軟將在AI領(lǐng)域20多年的研究成果匯聚成Azure云端的認(rèn)知服務(wù)，以API的形式開(kāi)放給開(kāi)發(fā)者，開(kāi)發(fā)者只需要幾行代碼，即可調(diào)用認(rèn)知服務(wù)API獲得對(duì)應(yīng)的能力，并將這樣的能力跨設(shè)備、跨平臺(tái)應(yīng)用到Windows、iOS、Android上。這些API包括人臉識(shí)別API、情緒識(shí)別API和計(jì)算機(jī)視覺(jué)API等等。拿情感識(shí)別來(lái)說(shuō)，開(kāi)發(fā)者可以通過(guò)人臉API針對(duì)圖像中的每張人臉?lè)祷厍楦屑臋z測(cè)置信度以及人臉的范圍框，檢測(cè)到的情感可以是快樂(lè)、悲傷、意外、憤怒、恐懼、蔑視、厭惡或中性。

此外，就像微軟不惜重金收購(gòu)GitHub、谷歌開(kāi)源TensorFlow一樣，核心的開(kāi)發(fā)者群體或社區(qū)貢獻(xiàn)著數(shù)以萬(wàn)計(jì)的應(yīng)用資源，而背后的這些數(shù)據(jù)資源如果悉數(shù)運(yùn)行在Azure或谷歌云平臺(tái)上，對(duì)于微軟和谷歌的云業(yè)務(wù)發(fā)展勢(shì)必是不錯(cuò)的助力。

就像當(dāng)下比較火熱的AI芯片TPU方案，作為谷歌自主研發(fā)的針對(duì)深度學(xué)習(xí)加速的專(zhuān)用人工智能芯片，專(zhuān)為TensorFlow設(shè)計(jì)，AlphaGo使用的就是TPU 2．0芯片。在TPU 3．0中，其計(jì)算能力最高可達(dá)到100PFlops，是TPU 2．0的八倍多。為了更快地訓(xùn)練和運(yùn)行機(jī)器學(xué)習(xí)模型，谷歌還推出了Cloud TPU，單個(gè)Cloud TPU的計(jì)算能力達(dá)到180萬(wàn)億次浮點(diǎn)運(yùn)算，具備64 GB高帶寬內(nèi)存，為云端超算打下了基礎(chǔ)。

落地到行業(yè)，對(duì)云上智能先知先覺(jué)的傳統(tǒng)企業(yè)深有感觸。以物流為例，物流企業(yè)比拼的已不止是車(chē)隊(duì)數(shù)量和倉(cāng)儲(chǔ)空間，而是學(xué)會(huì)借助大數(shù)據(jù)、物聯(lián)網(wǎng)和AI技術(shù)，深入到每一個(gè)環(huán)節(jié)打造智慧的物流平臺(tái)。這一過(guò)程中，云計(jì)算扮演著至關(guān)重要的角色。過(guò)去，寫(xiě)一套完整的物流系統(tǒng)需要調(diào)動(dòng)研發(fā)、運(yùn)維、安全、網(wǎng)絡(luò)等多個(gè)部門(mén)的人。如今一個(gè)顯著的現(xiàn)象是，管理數(shù)千輛車(chē)規(guī)模車(chē)隊(duì)的運(yùn)營(yíng)負(fù)責(zé)人已經(jīng)可以是學(xué)算法專(zhuān)業(yè)的年輕人。為什么會(huì)有這種變化？原因是這些人會(huì)利用算法處理大數(shù)據(jù)，通過(guò)優(yōu)化運(yùn)輸環(huán)節(jié)從而提升物流運(yùn)轉(zhuǎn)的效率。

對(duì)于物流企業(yè)來(lái)說(shuō)，每天會(huì)產(chǎn)生數(shù)億條數(shù)據(jù)，對(duì)海量信息進(jìn)行處理離不開(kāi)云計(jì)算。具體到實(shí)際場(chǎng)景中，車(chē)載設(shè)備從位置定位、油耗傳感器、溫度、速度搜集的數(shù)據(jù)會(huì)交由云端處理，例如IoT組件可以通過(guò)規(guī)則引擎組件中編寫(xiě)類(lèi)SQL語(yǔ)句無(wú)縫對(duì)接大數(shù)據(jù)套件，進(jìn)行車(chē)輛路徑、車(chē)輛規(guī)劃、司機(jī)排班等的優(yōu)化，而兼容MySQL協(xié)議和語(yǔ)法的騰訊云分布式云數(shù)據(jù)庫(kù)DCDB還支持自動(dòng)水平拆分的高性能分布式數(shù)據(jù)庫(kù)，即業(yè)務(wù)顯示為完整的邏輯表，數(shù)據(jù)被均勻拆分到多個(gè)分片中，每個(gè)分片默認(rèn)采用主備架構(gòu)，可以提供涵蓋災(zāi)備、恢復(fù)、監(jiān)控、不停機(jī)擴(kuò)容的全套方案。

當(dāng)然，并不是任何一家傳統(tǒng)企業(yè)都會(huì)先嘗試公有云，但他們也會(huì)為獲得全棧的AI能力去嘗試部分上云。工業(yè)互聯(lián)網(wǎng)時(shí)代產(chǎn)生的數(shù)據(jù)量比傳統(tǒng)信息化要多數(shù)千倍甚至數(shù)萬(wàn)倍，并且是實(shí)時(shí)采集、高頻度、高密度的，動(dòng)態(tài)數(shù)據(jù)模型隨時(shí)可變，甚至良品率的細(xì)微變化都會(huì)帶來(lái)數(shù)據(jù)模型重建。這樣一來(lái)，如果做不到工業(yè)數(shù)據(jù)實(shí)時(shí)更新，智能制造就無(wú)從談起。

以福耀玻璃為例，其借助IBM云平臺(tái)重構(gòu)了端到端的競(jìng)價(jià)流程，通過(guò)開(kāi)放API讓客戶(hù)實(shí)時(shí)看到訂單的執(zhí)行狀況將原來(lái)分散在ERP、CRM、采購(gòu)、物料等數(shù)十個(gè)系統(tǒng)中的成本因素進(jìn)行智能分析，并在云端建造了1：1尺寸的3D可視化虛擬工廠，將研發(fā)、工藝、生產(chǎn)、制造、優(yōu)化、仿真、服務(wù)等環(huán)節(jié)的狀態(tài)以三維建模的形式實(shí)時(shí)模擬出來(lái)，未來(lái)更有望在虛擬端解決80％的質(zhì)量、效率、成本問(wèn)題。將敏感數(shù)據(jù)放在本地，把重資產(chǎn)業(yè)務(wù)放在云端快速處理，利用混合云環(huán)境的微服務(wù)、容器、API來(lái)獲取商業(yè)智能的能力，這也是源于AI的推動(dòng)。

各行各業(yè)的數(shù)據(jù)指數(shù)級(jí)增長(zhǎng)，使得人們對(duì)于信息的處理方式有了重新思考，將其智能化當(dāng)前是重要途徑之一，而背后的基礎(chǔ)支撐離不開(kāi)云計(jì)算。也可以說(shuō)，企業(yè)對(duì)智慧化轉(zhuǎn)型的迫切需求推動(dòng)了云計(jì)算的發(fā)展。