中国AI开放平台分析-技术圈

AI开放平台通过接口调用的形式为用户提供AI算法、算力与开发工具，解决了以往企业或个人部署AI时成本高、难度大、效率低与周期长的痛点。

下载链接：

1、2021年中国AI开发平台市场报告

2、2021中国AI商业落地市场研究报告

3、中国AI开放平台精品报告

AI开放平台的定义

AI开放平台的诞生背景：人工智能是科技部、国务院等政府机关所强调的重要国家发展战略与新型基础建设。随着数据的不断积累、技术的逐渐成熟与底层算力的持续提升，人工智能正在进入应用落地阶段。但企业组建人工智能团队独立开发人工智能的成本高、难度大、效率低、且开发周期长，制约了中国企业大规模应用人工智能。因此，AI开放平台应运而生，其不仅降低了企业AI赋能的成本，同时提升了效率，使AI能力得到快速部署且在不同行业中实现大规模应用。

AI开放平台的定义：AI开放平台是集成了AI算法、算力与开发工具的平台，通过接口调用的形式使企业、个人或开发者可高效使用平台中的AI能力实现AI产品开发或AI赋能。以讯飞开放平台为例，个人可通过调用平台中的语音识别功能完成录音到文本的转换，开发者或企业可通过API接口完成某APP语音输入功能的开发。

AI开放平台的分类

平台分类：AI开放平台根据其开放的能力不同可分为三层，分别是应用平台、技术平台与开发平台。三层平台分别为用户提供底层算力与开发工具、基础算法与功能、垂直领域AI解决方案。

全栈平台：由于三层平台之间相辅相成，应用端数据积累帮助训练底层算力工具升级，导致算法得到优化，从而反哺应用端。因此AI开放平台多往全栈方向发展，构建底层技术到应用的生态闭环。

AI开放平台为帮助企业或开发者快速实现产业赋能或产品开发，已将AI功能或工具进行产品化改造，使企业或开发者能快速调用，可调用的能力包括语音技术（智能语音助手，语音唤醒等）、视频技术（短视频审核、动态人脸识别等）与图像技术（车牌识别、图片搜索等）等。以百度AI开放平台为例，目前百度大脑已开放228项AI能力，拥有超过150万开发者，日调用量已经超过万亿次。

面向垂直领域：AI开放平台面向不同的垂直领域开放定制化解决方案，使传统企业能快速实现产业AI赋能。以百度AI开放平台为例，平台开放了包括智能工业、智能零售与企业服务在内的十大行业应用解决方案。

应用案例：对于江苏银行而言，贷款催缴是一件艰难的工作，上千人的团队每日需外呼超过十万通催缴电话，真正有效的电话只有极少部分，且外呼人员流动性大，需要经过培训方能上岗，对人力资源造成了极大的浪费。江苏银行通过接入百度企业服务的智能外呼系统，颠覆了传统人工呼叫方式，可瞬间批量拨打，支持定时呼叫以及智能化的统计分析与评价，大幅度提升了客户服务效率。

通用的AI功能：AI开放平台面向企业或开发者开放行业间通用的AI能力，使企业或开发者在产品开发中无需独自开发AI功能，可直接通过API或SDK调用平台功能。以百度AI开放平台为例，平台开放了包括语音技术、图像技术、文字识别在内10个大项，171个小项的AI技术能力。

应用案例：中通快递通过接入人脸识别功能完成快递员的快速身份核准，快递员仅需上传身份证照片与扫描脸部信息即可完成认证，解决了以往多次出现的员工卡被盗用导致用户信息泄露的问题。

开发工具：AI开放平台为开发者设计了众多可帮助降低开发成本的开发工具与框架，例如AI数据集、AI模型与算力等。开发者可利用平台的数据集训练自己的模型，或利用平台中的算法框架定制出自己所需的功能。

应用案例：品览基于百度飞桨与AI Studio的开发能力，打造了“AI亿览通”，可通过AI物品识别全面审核门店终端货架陈列，实现全国动态查看全国1,400家门店情况。AI亿览通的SKU识别准确度高达97%，审核周期缩短、节省95%的核查人力资源，提升50%以上的工作效率。

AI开放平台主流的接入方式包括通过API或SDK，或是通过私有化部署，但由于私有化部署需配套完善的算力基础设施（高性能显卡、服务器、带宽、运维团队等），同时无法完成实时升级优化，与AI开放平台低成本与便捷的目的相违背，因此私有化部署除部分企业有特殊安全需求外，不是行业主流接入方式。API与SDK由于方便、高效且无需算力基础设施等优点，成为中国AI开放平台的主流接入方式。开发者根据开发需求选择，API适合定制化需求强、灵活性需求高的中小型项目，而SDK更适合对稳定性要求高且流量大的大型项目。

中国AI开放平台的建设流程可分为底层架构搭建、算法研发与产品封装三个环节，其中算法研发需要的时间与成本最大，也是平台建设中最核心的环节。

AI开放平台的建设流程

中国AI开放平台的建设流程主要分为三个环节：（1）搭建底层架构；（2）算法研发；（3）产品封装。按20-40人左右研发团队估算，整体平台建设需要约6个月的周期。

搭建底层架构：AI开放平台的底层架构主要以AI开源框架为主体搭建，开源框架包括谷歌研发的TensorFlow、Facebook研发的PyTorch与百度的PaddlePaddle等。通过使用开源框架，可帮助厂商减少平台前期研发与设计成本，同时缩短搭建流程，按5-10人团队估算，预计仅需要2-5周的时间。

算法研发：算法研发是AI开放平台建设流程中的核心环节，也是其AI功能的核心部分，需要投入整个研发流程中最多且薪水最高的的工程师团队与最长的时间，按10-20人团队估算，预计需要2-4个月的研发周期，同时存在研发失败，算法准确率不达标的可能。

产品封装：产品封装是整个平台建设流程中最简易的环节，包括UI设计、调优测试与最后的封装上线等，普通Java、API工程师即可完成。按5-10人左右团队估算，需要2个月左右的时间。

底层技术框架是AI平台搭建与算法研发的重要基础，其中深度学习框架是底层技术框架中最重要的组成部分。

AI开放平台的底层框架

AI开放平台建设初期需要搭建底层技术框架，主要指深度学习框架。根据中国工程院院士高文提供的数据，全球深度学习框架90%以上的市场份额由谷歌开发的TensorFlow与脸书开发的Pytorch占领。在搭建平台底层框架时，平台运营商可选择自主研发或使用外部框架，两种方式各有优缺点，由于自主研发的技术门槛高，多数厂家使用外部开源框架。

自主研发：自主研发的优势在于平台将不会受到生态限制，以谷歌的TensorFlow为例，平台运营商若使用TensorFlow作为深度学习的底层框架，其硬件API将只能接入TensorFlow上，而TensorFlow部署在谷歌云上，就导致平台需要依赖谷歌的生态体系。自主研发的深度学习框架将赋予平台运营商更自由的发挥空间，减少对外部生态的依赖。但框架开发的门槛高，周期长，成本大，以百度为例，百度在2013年成立深度学习研究院，期间大量相关科学家与工程师参与研发，耗时三年才发布深度学习框架PaddlePaddle。

使用外部框架：使用外部框架的主要优点在于多数外部框架是开源的，平台运营商可直接使用，可有效降低平台建设成本，缩短研发周期，省下的多余时间与成本可用于其配套工具的开发。缺点是使用外部框架需要依赖外部生态，不益于平台自身生态的建设。

AI开放平台在前期建设与后期维护中都需要用到大量基础设施，包括算力设施与其他设施（网络带宽、数据中心等）。算力设施决定了平台算法研发的准确度与响应时间，其他设施决定了平台的稳定性、兼容性与拓展性等，两者直接影响平台产品与服务的质量。算力设施与其他设施均可通过云服务搭建，与自建相比各有优缺点。

云服务（公有云）：相比自建服务器，通过云服务调用基础设施如云计算、云服务器等，平台运营商可省去前期选购、安装、架构设计与调试的时间。云服务由于规模效应的原因，使用成本远低于自建服务器。云服务的收费标准包括按量计费与包月包年，两种模式均为平台运营商提供了更大的弹性，因此非常适合用户量较少的初创平台。另一方面，自建服务器在AI芯片的选择上存在局限性，通常只能购买普通市售的GPU板卡，如英伟达Tesla V1000，而部分性能更领先的AI芯片如阿里含光800与华为昇腾910均不开放市售，仅支持通过云服务调用相关算力。

自建服务器（私有云）：相比于云服务，自建服务器由于数据、算法、程序都部署在本地，因此在稳定性、数据安全性与调用速度上均有优势。但由于成本明显高于使用云服务，自建服务器的方式更适合已具有用户规模的成熟平台，通过规模效应摊销自建服务器的高成本。