華為人工智慧：從「自己的狗糧自己吃」到對外賦能
來源：《家族企業》雜誌
（微信公眾號ID:jiazuqiyezazhi）
作者：廖 顯
記得華為最早開始實踐人工智慧，是來源於任正非2017年在華為內部「人工智慧應用GTS研討會」上的講話：「自己的狗糧自己吃」，奠定了華為實踐人工智慧戰略上大的基調，即首先嘗試人工智慧技術並快速在自己的業務上驗證價值，然後基於確定的價值和方向進行外部解決方案的推廣和賦能。
在彼時整個研討過程中，任正非都是以鼓勵的態度來強調人工智慧在華為內部先實踐的重要性，保證高質量的數據，聚焦投入，並且敢投入，縱向驗證了價值在橫向擴張的不同應用。從任正非構建的這個戰略思維觀點裡，你可以窺見到華為做事的「實在」，不是快速進行熱點上的追捧、貼金，而是先自己消化，認識到人工智慧技術的本質，然後再傳播這些價值，用自己對於人工智慧成熟的理解逐步實現各個產業的突破和變革。
華為AI戰略包括五大重要方向：強力投資基礎研究、打造全棧解決方案、投資開放生態和人才培養、解決方案增強以及內部效率提升。
2018年10月10日，華為輪值董事長徐直軍在上海的華為全連接大會（Huawei Connect 2018）上發布了華為的人工智慧戰略，並且發布了華為Ascend（昇騰）系列晶元以及基於該晶元的產品和雲服務。這次大會可以看做是華為從「狗糧自己吃」到對外賦能轉變過程中的里程碑和衝鋒號，在這次大會以後，華為將開始陸續展開人工智慧對外應用的突破。
全棧全場景構架
這次華為的AI發力是基於「算力」開始的，通過昇騰系列晶元的發布，在端、邊緣、雲三個方面提供強勁的算力支持，從而可以全面提供人工智慧應用下的泛化應用支持。所謂「全棧」，是從技術視角來體現華為的人工智慧能力，包括從晶元、晶元使能、訓練和推理框架以及應用使能在內的全堆棧方案；所謂全場景，是從應用方式來體現華為的人工智慧能力，包括從公有雲、私有雲、邊緣計算、物聯網行業終端以及消費類終端等全面場景的部署支持。
基礎晶元發力，也是這次華為整個AI戰略發布的重點，其實也能體現華為強勁的製造優勢，以及基於手機晶元製造而沉澱的寶貴理解經驗。
這是華為「實在」AI的體現，「我有這樣的能力，所以我提出這樣的方案，不吹牛」。整個昇騰910晶元的算力可以達到256T，是目前全球已發布的單晶元計算密度最大的AI晶元，比排名第二的高出了一倍。記得網上曾有個很有名的測試記錄短片，有人同時用兩台手機，一台蘋果、一台華為，同時點開不同的應用，結果華為總是比蘋果要打開得快，後來我也在客戶面前自豪地嘗試了一下同樣的場景，確實如此。可見，對於計算力的掌握和理解還是「用戶看得見」的。
在AI晶元的產品化上，華為基於端、邊緣、雲，推出了不同的Ascend AI晶元產品，包括：Nano、Tiny、Lite、Mini以及Max。
在晶元之上華為搭建了一層統一的開發架構，稱之為CANN，即Compute Architecture for Neural Networks，作為神經網路設計的開發架構，希望有效進行晶元使能，發揮出晶元最大的功效。我們在內部其實可以看到華為這幾年各個部門都圍繞人工智慧在展開實踐，並且都取得了不小的進步和成果。比如企業內部成立了AI使能部，專註於AI使用的平台開發，這個平台的效用也延續到了在AI晶元之上，形成了一層用於數據利用的PaaS（平台即服務）。而這次的發布，你也可以看做是利用這些內部研究、突破、實踐的快速外部產品化，華為這種基於內部用戶試用的產品迭代模式我是比較推崇的，因為一方面能讓自己的工程師進行學習，完成轉型，另一方面也可以不斷積累經驗，為後續的產品推出給予強勁的動力。
最後在頂端的是對不同行業的人工智慧應用場景的支持，包括面向消費者業務的HiAI服務，面向企業業務的通用高級AI能力介面，以及面向不同行業的AI解決方案，從而形成一個擁抱全行業的應用使能，整個發布的構架如圖1。
統一訓練/推理框架
此次華為另一個比較重要的發布是基於算力之上的統一訓練/推理能力的構建，華為希望能充分利用自己對於硬體與網路的理解，在端、邊緣以及雲三個方面利用硬體與網路的能力，形成統一的基於人工智慧的協作控制模式。當然，這個方式其實也是現在主流的機器學習服務構建方式，無論是IBM的Watson Studio，還是微軟的Azure機器學習平台，還是阿里雲的機器學習平台，其實走的都是一條智能的協作之路。
只是在整個統一構架上，看得出華為的構架更加偏向於微軟提出的基於終端計算力的邊緣計算構架，包括了端側的計算力體現，也包括了本地側的邊緣計算力體現，最終匯聚到雲側來統一管理，構成新AI協作服務能力，更加強調協同與軟硬集成的能力。
華為這次推出統一的訓練/推理框架，旨在能利用統一的算力控制平台來不斷挖掘新算力帶來的新的演算法應用場景，利用華為在硬體與雲計算前期投入形成的優勢，不斷鼓勵數據科學家，以及行業價值嗅覺靈敏者不斷在新算力下挖掘金礦，呈現新的行業價值。當然，這個統一的訓練框架華為也是在前期投入了大量的研發形成了產品基礎的，其中一個就是統一的機器學習平台ExeML的發布。
ExeML是一個面向生成的自動優化平台環境，通過面向數據科學家執行的建模協作需求，建立全生命周期的模型構建環境，幫助實現具體的端、邊緣以及雲側的協作訓練/推理的模型統一集成開發。整個ExeML的構架如圖3。
在整個ExeML構建過程中，我還是非常驚訝華為的研發速度的，記得在2017年年底的時候，我們還在一個內部會議上剛開始談及如何構建一個屬於華為自己的機器學習平台，並且還在多方調研與開展能力比較工作；而到2018年年底，華為就已經開始推出屬於自己特色的機器學習協同平台服務了，這就是「華為速度」。
基於生態的全員AI收穫期
人工智慧的生態發力，是人工智慧價值的無形保障。
在華為內部，其實你會深刻地感受到一種面對人工智慧「低調前進」的文化。在2017年年底的企業內部表彰大會上，我們甚至把帶有 「AI」的辭彙全部去掉，換成了「數字化」，不是否定AI，而是在利用AI出成果之前，大家都比較低調和小心。我的部門承接的是整個華為服務AI變革的主要任務，如何能基於AI賦能前線，如何能提供更加智能的「武器」幫助前線釋放壓力，一次次的頭腦風暴會議進行著。
當你嘗試AI變革的時候，你會發現其他部門也在行動，很多的項目創新都開始基於數據以及智能技術作為重點方向。
為了獲得大量創新的想法，GTS（運營商業務單元）甚至構建了一個「GTS Jam（智慧聚寶盆）」社區，發動整個部門的人員發布好的數字化改善的想法，並且每個月進行評選，好的點子會給獎勵，落地的點子會重獎。 GTS Jam在5個月內一共收集了1600多個改進想法和建議，以及1000多個基於智慧的實踐經驗總結。
智慧存於民間，利用一線最熟悉業務、最了解用戶的人來驅動智慧的發力點，使得AI變革變得更加的實在，這其實就是我一直倡導的人工智慧生態構建的重要部分。
所謂「生態」的另一部分構建重點是如何釋放人才潛能；因為有了好的想法，也需要有靠譜的人才來執行，如果人才都像一個固化的冰山的話，就沒有辦法實現華為快速的AI轉型和創新。在華為內部有一個人才池，工作滿一年後可以決定是否跳入人才池，如果員工進入人才池，其他部門就可以自由選擇和僱傭這個人才，從而讓人力資源充分發揮資源的最大效能，冰也變成了水，得以活躍起來。整個華為GTS有6萬多員工，如何最大限度發揮人才的積極性，做到物盡其用，這樣的制度其實是保證了想法實現的可能性和可行性，使得管理不能束縛想法，有好想法的員工可以自由找到自己希望實現的團隊，以及管理支持，從而快速讓想法變現。
生態的最後一個體現是研發的全面擁抱業務。
華為2012諾亞方舟實驗室是華為內部研發的主要力量，從年前任正非的發文，希望諾亞的研發不是閉門造車，而是走進業務，我看到了很實質的變化。研究博士們和業務專家坐在一起，基於某個真實的業務問題，從技術可行性與業務價值兩個維度不斷討論、碰撞，最大可能性找到問題的最佳方案，繼而開始實踐，快速驗證，然後重金投入，以至可以在一年時間裡，看到這些想法變為現實，全面擁抱、全面合作、全面一起面對問題、勇於承擔責任，研發不再高高在上，這是我看到的不一樣的落地研發精神，也是AI創新不可或缺的中堅力量。
在這一年裡，我親歷了華為數字化轉型從不清晰到清晰的整個過程，也讚歎於華為這種在混沌中總能找到曙光的能力，這不在於某個人很厲害，而在於這種制度精神下總能快速實現結果，達到目的，這是一個總能有結果的群體。
（作者是華為全球技術服務人工智慧轉型主任構架師，資深數據創新顧問。本文詳見於【《家族企業》雜誌2018年11月刊】 未經本刊授權，不得轉載；經本刊授權轉載的，請註明來源。）
—END—
2018第五屆中國家族企業傳承主題論壇
暨中歐第七屆中國家族傳承論壇
幸福與財富
12月9日-10日 | 中國·深圳
年度經典巨獻
與您榮耀共享
TAG:家族企業雜誌 |