一间智能仓库，物料正有条不紊地通过立体仓储系统自动入库和出库，自主移动机器人从仓库中领取物料，送到制造车间工位。中控室里，出库、入库、单据明细等资料显示在物流系统中，并且能清楚看到设备的运行状态。这是将人工智能（AI）技术应用到仓储系统中的典型案例。
研究机构 IDC 的一项调研显示，几乎所有受访者均表示会在未来两年内追加对 AI 相关项目的投资；德勤发布的 2021 年度《企业人工智能应用现状报告（第 4 版）》也显示，近 70% 的企业已经开始着手部署AI应用，45% 的企业全面部署的AI应用接近6个。
旷视研究院算法量产负责人周而进
越来越多的企业希望能够在业务发展和日常运营中采用 AI 技术，旷视研究院算法量产负责人周而进观察到，企业想要部署 AI，如果通过内部自研解决，往往需要从 0 到 1 招募人才、建立团队、投入高昂费用，此后经过漫长的研发周期才有可能实现。此外，很多企业的 AI 需求是非常碎片化、定制化的，如果通过外部采购的渠道，现有的 AI 解决方案无法快速适配具体的应用场景。要想解决这些问题，还要先找到问题的根源。
症结所在：部署与生产
AI 的部署与企业的存储系统、算力分布、网络设施等 IT 基础设施能力息息相关，AI 运行依赖于大量数据的采集与传输，并要求系统快速学习、实时反馈。因而企业需要完备的IT基础设施，才能保证 AI 解决方案的正常运转。
旷视在面向消费物联网、城市物联网和供应链物联网三大核心场景上提供了完整的 AIoT 产品和解决方案：
消费物联网领域， 旷视以 SaaS 产品的形式向全球开发者及企业用户提供数十种 AI 能力，同时为数亿台消费电子产品提供设备解锁和计算摄影解决方案，为消费者提供更简单的服务与更优秀的美学体验；
城市物联网领域， 旷视基于覆盖云边端的算法、软件、硬件能力，持续推进城市数字化建设，让城市运行更加安全便捷、让建筑空间更高效智能；
供应链物联网领域， 旷视以人工智能赋能机器人和自动化设备，帮助企业进行仓库、工厂的数字化及智能升级，让生产制造更高效。
不论在哪个领域，AI 始终也离不开数据、算法和算力这“三驾马车”。
在数据生产的复杂性方面， 数据本身很多时候已经很大程度上决定了最后算法生产的效果。训练数据本身是否干净？如何能够获得高质量的数据标注？如何能够排查数据标注中的错误、不一致性？如何从数据中挖掘出有效的数据样本？这些问题都是在实际生产过程中生产人员面临的挑战。
在算法模型的不确定性方面， 由于计算机视觉领域在近几年的飞速发展，每天都可能有新的优秀工作出现。对于一个算法从业者来说，在模型上首先面临的挑战就是——什么样的模型才是最合适的？第二个挑战是，当模型生产出来后，要如何部署到各式各样的硬件平台载体上面，才能让它高效、有序地跑起来？第三个挑战是，模型落地后，对于实际发生的问题，该用什么样的手段去迭代、调优、提升模型的效果，这在很大程度上困扰着生产人员。
在硬件平台的多样性方面， 各种算力强大的新型芯片、硬件开发板、硬件平台在近几年纷纷涌现，不同芯片平台对应算法调用的 SDK，各自封装的 API 都不一样。这种不同还只是表象层面的困难，更深层次的困难在于不同芯片平台背后体系结构也不同，这也意味着计算单元上存在着差异。
算法决定人工智能水平的高低，在实际应用场景中，仅靠单点的算法是不够的，往往需要把几个算法串在一起，构建一个算法的流程，才能完成一个具体需求的落地，当然在这之前，还需要解决算法生产上的一些困难。
算法生产的主要困难主要还是集中在整个生产环节的复杂性上，具体来说，可分为三个方面：第一，数据生产的复杂性；第二，算法模型本身的不确定性；第三，AIoT 平台的多样性导致生产过程中复杂程度与成本的提升。
迎接挑战：推动标准化
面对这些复杂的问题，旷视也制定了对策，自主研发了新一代AI生产力平台Brain++，Brain++ 由旷视自研深度学习框架 MegEngine、数据管理平台 MegData 和计算平台 MegCompute 构成。基于 Brain++ 体系，旷视推出自研算法生产平台—— AIS（AI Service），为算法生产构建的一个从数据到模型训练、性能分析调优、推理部署测试全链路的零代码自动化的生产力工具平台。
在实际的 AI 落地应用过程中，旷视希望通过 AIS 将算法量产，将 AI 生产过程标准化，降低算法生产门槛，让更多人加入到算法生产的工作中，提升算法生产效率。周而进介绍，AIS 目前已经支持 100 多种业务模型训练，最快 2 小时即可完成，模型产出精度指标也“远高于业界平均水平”。
算法研发人员联合使用 Brain++ 和 AIS 平台，可以实现智能标注平均加速 30 倍，自动学习训练加速 4 至 20 倍。
不过对于 AI 而言，算法模型还是万里长征的第一步，如何结合具体场景实现量产落地才是最终目标。旷视认为，标准化是解决算法生产难题的关键。这包括数据生产的标准化、算法模型的标准化和整个推理框架的标准化。
对于未来，旷视也将围绕推动标准化，不断打磨 AIS 生产平台，降低算法生产的门槛，鼓励更多行业技术人员参与到算法生产的过程，打通各行各业的知识，建设一个开放的算法生产生态。
