人工智能的技術創新和産業發展，進入" 深度學習 +"階段。
這是來自百度 CTO王海峰的最新判斷。
沒錯，不是很多人已熟知的 " 人工智能 +" 或是 " 智能 +"。
而是把範圍直接縮小到了它們的子集：深度學習。
有何區别？
類似于此前更早的 " 互聯網 + 交通 " 催生打車軟件、網上購票改變人們出行的方式，符号的前後二者絕不是簡單的求和關系，而是需要它們進行深度融合。
而人工智能技術，在當今被普遍視為第四次工業革命的核心驅動力；因此，作為人工智能關鍵核心的深度學習該如何做 "+" 法，我們不妨以史為鑒，通過前三次科技革命的發展進程來窺其一二。
衆所周知，每一次的科技革命都擁有一個核心驅動力般的技術存在，它們分别是機械技術、電氣技術和信息技術，而其共性便是都具有很強的通用性。
在三個科技革命步入到 " 大生産 " 階段之際，這些核心技術在紮根行業的同時，類似于作用力與反作用力，行業本身也在發生着質的變化。
一方面是在這些技術加持下的行業逐步成為社會基礎設施般的存在；另一方面，随着這些行業的不斷發展，還催生出了更多新技術和新行業。
再具體一些，以第二次科技革命的電氣技術為例，技術本身從發電機發展到大規模發電、架設電力網絡、研制各種輸變電設備等，于是乎，電力的産業鍊便形成了。
不止于自身的發展，在電氣技術與其他傳統科學做 "+" 法時，還衍生出了電化學、電物理、電生物學等新的研究領域。
由此更進一步地使後來的電子、通信等新型技術行業得以興起。
如此總結來看，每一次科技革命，都需要這樣一個驅動力般的核心技術做 "+" 法來徹底改變社會的發展。
而站在現今這一時間節點，王海峰則認為，當前規模化的 AI 大生産已然形成，深度學習從技術、生态、産業等多個維度逐漸成熟，人工智能的技術創新和産業發展，進入" 深度學習 +"階段，讓創新創造大有可為。
王海峰還給出了這樣的一個評價：
" 深度學習 +" 是創新發展新引擎，驅動技術發展和産業增長，讓創新創造大有可為。
那麼作為國内第一批且深耕深度學習十餘載的百度，到底對 " 深度學習 +" 擁有的是怎樣的一種思考和理解？
" 深度學習 +"，要 "+" 什麼？
區别于前三次科技革命，第四次科技革命所涉及的驅動力技術還是有較大區别的。
因為人工智能本身就是一個具備交叉性的技術，所以它要從一個技術演進成為基礎設施，再去影響千行百業，"+" 法顯得更為重要。
而作為人工智能技術的核心，深度學習也是沿襲了上述特性。那麼 " 深度學習 +" 又該如何實現 "+" 法呢？我們逐層拆解來看。
首先是" 深度學習 + 知識 "，這是從技術角度出發所給出的一個 "+" 法。
這裡的知識，所指的是凝煉了人類認識和改造世界的智慧。
如此結合之後，機器便不再是像以往簡單地被投喂大量數據來訓練學習，而是要把大量知識也融入進來。
一個非常典型且符合這種 "+" 法的案例，便是百度自研的産業級知識增強大模型——文心。
如此做法之下結果，用王海峰的話來說就是：
知識增強的深度學習，效果更好，效率更高，有更好的可解釋性。
換言之，在第一層 "+" 法加持之下，人工智能技術不僅能夠憑借海量知識演繹 " 通才 " 般的角色，放之各行各業，也是具備 " 專才 " 的能力。
而 " 深度學習 +" 的第二個維度是從生态角度出發，所要連接的是" 上下遊生态夥伴 "。
這是因為深度學習要把它的實力發揮到極緻，光是靠模型算法層的單打獨鬥是遠遠不夠的。
放眼人工智能發展曆史，在提高效率這件事上也亦是如此，單憑算法的加成畢竟具備局限性。
因此，" 深度學習 +" 的第二個 "+" 法，就是要把芯片、框架、模型及應用都融合進來，一起構成一個深度學習的良性生态。
例如芯片在這個 "+" 法中承擔提供強大算力的責任，以此來支持紛繁多樣的深度學習訓練、推理；框架則可以比作是操作系統，讓開發、訓練、推理、部署等工作的效率大幅提升。
多樣的模型和開發套件，則讓開發者如虎添翼，甚至可以把開發變得開箱即用那麼簡單；至于良好的應用，就可以讓深度學習技術與場景融合創新，加速傳統産業轉型升級，催生新業态新模式。
至于 "+" 法的最後一層維度，則是從産業角度出發所提出的" 深度學習 + 千行百業 "。
正所謂 " 實踐是檢驗真理的唯一标準 "，以交通領域裡的智能調度系統為例，便是 " 深度學習 + 交通 " 的一個實踐産物。
在這套系統的加持之下，現如今的北京、湖南的株洲、長沙，河北保定、重慶永川、廣州黃埔等城市，都在開始享受 " 綠燈自由 " 的暢快。
再如通過 " 深度學習 + 制造業 "、" 深度學習 + 服務業 "、" 深度學習 + 保險業 " 等精準的産業 "+" 法，更是讓千行百業真正地做到了深度學習所帶來的降本增效。
這便是 " 深度學習 +" 在做深入融合時所需聯結的三大維度。
但之所以說要聚焦這三大維度并非是空穴來風，實則從全球科技國際巨頭玩家的做法中也是有迹可循。
以 " 深度學習 + 知識 " 為例，如谷歌、Meta、微軟等，也正在遵循一條将深度學習技術和知識做融合的路徑，各自提出了更具通用性的大模型。
再到 "+ 上下遊生态夥伴 " 這層，在 TensorFlow、PyTorch 等框架的基礎之上，互聯網起家的科技公司們，不僅上探做應用，也在不斷往底層尋求硬件的适配，以構建全要素深度學習技術基礎設施的方式，讓深度學習技術的開發變得更加絲滑，也更加低門檻。
而後它們将這些技術輸送到了千行百業，造就了大火的 ChatGPT、基于 diffusion 模型的各種繪畫 AI 等。
如此情形，也就是王海峰所說：
深度學習平台的标準化、自動化和模塊化特征越來越顯著，不斷降低人工智能的應用門檻，高效便捷地把人工智能技術輸送給千行百業，規模化的 AI 大生産已然形成。
這也正是人工智能的技術創新和産業發展，進入 " 深度學習 +" 階段背後的原因了。
" 深度學習 +" 背後：百度已蓄勢十餘載
不難看出，" 深度學習 +" 實際上是行業所向，技術所趨。但為什麼是百度，率先提出了這一觀點？
一方面，百度作為中國 AI 的頭号玩家，有着充足的技術積累：
自研深度學習框架平台和大模型貫通了硬件适配、模型訓練、推理部署，到場景應用的全産業鍊，已經為人工智能技術創新和産業增長夯實了智能化基座。
具體來說，基于多年以上的深度學習技術研究和産業時間，百度打造了集核心框架、産業級模型庫、開發套件、工具組件和服務平台于一體的飛槳深度學習平台。
目前，飛槳平台已經凝聚 535 萬開發者，服務 20 萬家企事業單位，創建了 67 萬個模型。
在此基礎之上，百度文心大模型不僅能解決 NLP、CV、語音等多模态問題，還能與産業知識深度結合，調優為行業大模型，進一步打通深度學習産業化的路徑。
另一方面，百度在技術上的前瞻性判斷，在某種程度上已經形成 " 傳統 "，并已被多次驗證。
比如，在深度學習領域，百度就是最早躬身入局的中國科技公司之一。
2012 年，在深度學習方興未艾之時，百度便已經開始着手探索深度學習技術，并于次年在全球首個成立專注深度學習研究的深度學習研究院（IDL）。
在框架與平台方面，2020 年，國内興起自研深度學習框架熱潮。但早在熱度爆發的 4 年前，即 2016 年，百度就對外開源了 PaddlePaddle（百度飛槳）。
根據 IDC 報告，截至 2021 年上半年，TensorFLow、PyTorch 以及百度飛槳成為國内最高頻使用的開源框架。
2017 年，國家發改委還正式批複，由百度牽頭籌建深度學習技術及應用國家工程實驗室。
這也是業内首個、目前唯一的深度學習領域國家工程實驗室（現在已經升級為國家工程研究中心）。
用 " 深度學習國家隊 " 來形容百度也并不為過。
值得一提的是，在技術上甘坐冷闆凳堅持投入的同時，百度還不斷嘗試着技術與産業更深度的結合。
這也為 " 深度學習 +" 階段到來之際，引領技術創新和産業增長奠定了豐富的産業實踐基礎。
比如，在交通領域，百度就幫助程度國鐵電氣設備有限公司，基于飛槳研發了一套 " 軌道在線智能巡檢系統 "，實現了對軌道巡檢圖片的實時檢測。
該系統可同時安裝到工程作業車和運營電客車上，能夠在不影響電客車正常行駛的情況下，全天候對軌道缺陷實施智能判斷，目前已在深圳地鐵的相關線路上試運行。
闆凳甘坐十年冷，也正是多年的技術蓄勢，使得百度在規模化的 AI 大生産時代，在 " 深度學習 +" 來臨之際，敢于率先做出判斷，并堅定不移地朝向這個方向，做技術創新、打通産業路徑的先鋒。
而從更深遠的影響來看，這種技術自立自強的底色，亦将成為我國經濟社會高質量增長的助力。
後續如何，且待時間檢驗。
— 完 —
點這裡關注我，記得标星哦～
一鍵三連「分享」、「點贊」和「在看」
科技前沿進展日日相見 ~
