百度飞桨开发者技术专家「百度CTO王海峰：飞桨产业级深度学习平台大幅降低应用门槛」

今天带来百度飞桨开发者技术专家「百度CTO王海峰：飞桨产业级深度学习平台大幅降低应用门槛」，关于百度飞桨开发者技术专家「百度CTO王海峰：飞桨产业级深度学习平台大幅降低应用门槛」很多人还不知道，现在让我们一起来看看吧！

来源：环球网

近日，在北京信息科学与技术国家研究中心系列交叉论坛（第45期）上，百度首席技术官、深度学习技术及应用国家工程研究中心主任王海峰博士作了以“飞桨产业级深度学习开源开发平台”为主题的报告。

王海峰在报告中阐释了深度学习平台对人工智能技术发展和大规模产业化的意义，分享了飞桨产业级深度学习开源开放平台最新进展，包括技术与平台的创新成果、文心产业级知识增强大模型、飞桨生态建设，以及飞桨平台在各行各业的应用等，并与院士专家共同探讨了中国深度学习平台在产业、科研、教育中的落地实践。

王海峰表示，基于飞桨平台，AI开发和应用门槛不断降低，人人都可以成为智能应用的开发者。飞桨平台及文心大模型正在赋能千行百业，惠及千家万户。

深度学习平台相当于智能时代的操作系统

他表示，人工智能已经成为新一轮科技革命和产业变革的重要驱动力量。人类历史上过去200多年已经历三次工业革命，每一次工业革命的核心驱动科技，无论是机械技术、电气技术还是信息技术，都具有很强的通用性，而且进入工业大生产阶段以后，也体现出标准化、自动化和模块化的工业大生产特征，可以应用于各行各业，为人类带来了非常大的产业变革。

以深度学习为关键核心技术的新一代人工智能如同前三次工业革命的核心驱动科技一样，已经具备了非常强的通用性，并呈现出标准化、自动化、模块化的工业大生产特征。

深度学习技术研发周期很长，应用落地的流程也非常复杂，例如，在开发阶段，模型的实现复杂，要同时兼顾灵活和高效难度很大；模型训练阶段，随着模型越来越大，效率如何提升、模型结构如何与硬件匹配降低训练成本等；推理部署阶段，应用环境复杂多样，如何高效适配多端、多平台、多硬件，如何实现高性能推理，等等。深度学习技术的发展和大规模产业化面临诸多难题。

典型的深度学习平台具备基础的深度学习框架，包括开发、训练、推理等等，同时也包括各种模型库和辅助工具，形成一个完整的平台，能够有效解决上述问题。深度学习平台下接芯片，上承应用，相当于智能时代的“操作系统”。

飞桨产业级深度学习开源开放平台，大幅降低应用门槛

王海峰指出，飞桨平台是我国首个自主研发、开源开放的产业级深度学习平台，具备显著的标准化、自动化和模块化特征，是人工智能工业大生产的基础平台，促进我国人工智能技术发展和大规模产业应用。

飞桨产业级深度学习开源开放平台集核心框架、基础模型库、开发套件和工具组件于一体。核心框架包括既有动态图，也有静态图的便捷开发、具备大规模分布式训练技术及产业级数据处理等训练，以及端边云深度优化的高性能推理；基础模型库包含经典的自然语言PaddleNLP、计算机视觉PaddleCV、语音技术PaddleSpeech和推荐技术PaddleRec等，也包含文心大模型；端到端开发套件，如语义理解、图像分类、目标检测等开发套件，以及包含强化学习、联邦学习、图神经网络，和很受关注的科学计算、量子机器学习、生物计算的工具组件，同时也有预训练模型应用工具、全流程开发工具、可视化分析工具以及安全隐私工具、资源管理与调度等等，能够让科技工作者和开发者简洁快速地进行技术创新和应用实践。此外，飞桨也建设了AI Studio学习与实训社区，支撑AI人才的学习和实践训练。

据介绍，飞桨平台从以下四个方面持续积累和突破，成为大幅降低AI应用门槛的全栈平台，包括开发便捷的深度学习框架、超大规模训练技术、多端多平台高性能推理和产业级模型库。

在开发环节，需兼顾灵活和高效。动态图更灵活，静态图更高效。飞桨实现了动静统一的开发体验，用动态图进行开发，自动转成静态图部署。利用飞桨简洁易用的API，10行代码即可实现模型训练。动静统一、高低融合的API体系可以大幅降低模型的开发成本。

在核心的训练环节，飞桨研制了通用异构参数服务器技术，可以进行高效混布异构计算、存储、通信，突破单一硬件制约；以及端到端自适应分布式训练技术，能够自动感知硬件环境、实行多维混合的并行策略，以及做异步流水线的执行等等，支持大规模高效训练，降低训练成本。

在推理部署环节，飞桨研制了训推一体工具链，支持从模型训练到模型优化，再到推理部署的全流程效率提升。在模型压缩中，实现了自动化压缩技术，在精度和性能无损情况下，开发代码量大幅降低。对于端、边、云全场景的推理引擎，通过数据处理加速、计算图优化、执行调度开销降低等方式，深度优化性能，大幅降低推理时延，实现了多端多平台的高性能推理。

压缩完成之后，硬件会统一接入，全面降低硬件适配成本。飞桨硬件适配统一方案，最底层是芯片，然后是飞桨框架硬件适配层，可在算子、子图、整图、深度学习编译器、神经网络交换格式等进行不同的适配。飞桨已经适配了国内外的各类主流芯片/IP超过30种。

面对AI模型开发、训练和推理部署的复杂流程，飞桨提供训推一体导航图，可以让开发者基于导航图，找到最适合自己应用的训练模式、推理部署的工具等等，进而可以非常便捷快速地开发自己的应用。

产业级模型库方面，如今飞桨开源的模型数量已超过500个，涵盖不同层面，既有基础的自然语言处理、计算机视觉、推荐、语音等，也包括各种工具组件，可以让开发者便捷调用。此外，飞桨还提供了产业模型的选型工具，为应用场景自动选择最佳模型，更好地匹配产业落地的诉求，提供全流程的选型建议以及配套范例的教程。

飞桨模型库：知识增强的产业级文心大模型

文心大模型是飞桨模型库的重要组成部分，包含基础大模型、任务大模型、行业大模型等产业级知识增强大模型体系，以及工具平台、API和创意社区助力大模型的高效应用。文心知识增强大模型从海量数据和大规模知识中融合学习，效率更高，效果更好，理解和生成能力显著提升。

他表示，在文心的基础大模型中，鹏城-百度·文心是百度和鹏城实验室联合研发的全球首个知识增强千亿大模型，在60多项任务取得了最好效果。

任务知识增强大模型ERNIE 3.0 Zeus，从海量文本数据、大规模知识图谱和不同任务中融合学习，针对不同的任务做知识增强，效果大幅提升。

计算机视觉领域，多任务统一的视觉大模型，在分类、检索、分割、检测等20多项视觉任务上取得了很好的效果。知识增强的跨模态大模型，实现了跨模态语义的统一表示与关联，进行跨模态语义的理解与生成，如ERNIE-VilG能够进行图文双向生成，ERNIE-GeoL融合“地理-语言”关联知识，大幅提升地理位置相关任务效果等。

除了跨模态，还有跨领域大模型，如生物计算大模型，化合物表征学习HELIX-GEM，是首个几何构象增强的化合物表征模型，在14项药物相关的任务上取得良好效果；蛋白质结构分析 HELIX-Fold模型，全面适配国产软硬件环境，在国产硬件上训练千万级别蛋白效率更高。

文心大模型也积极与产业合作，促进大模型在行业中的应用。在能源电力行业，百度和国网联合研发了国网-百度·文心大模型。基于通用文心大模型，在海量数据中挖掘电力行业数据，与国网专家们一起，引入电力业务积累的样本数据和特有知识。训练中，结合双方在预训练算法和电力领域业务与算法的经验，设计电力领域实体判别、电力领域文档判别等算法作为预训练任务，让文心大模型深入学习电力专业知识，在国网场景任务应用效果提升。相似的思路，在金融领域，百度和浦发也联合研发了浦发-百度·文心大模型，效果显著。

协同共建生态 助力AI普惠

据介绍，飞桨多年来坚持研发核心技术、打造功能丰富的平台、建设兼容并包的生态等，已凝聚477万开发者，服务了18万企事业单位，创建了56万个模型，得到社会各界广泛认可。

人才培养方面，飞桨与高校、科研院所等合作，助力复合型的AI人才培养。飞桨已经为700多所高校培养了3000多名教师，合作出版了系列基于产业实践的AI教辅书，组织国内外系列AI技术竞赛等。

硬件生态方面，飞桨与硬件伙伴的合作不断深化。2020年，与硬件伙伴联合发起飞桨硬件生态圈，促进AI产业链的适配升级；2021年，飞桨与硬件伙伴软硬一体联合优化，适配飞桨的芯片/IP超过30种；2022年，合作进一步深化，全面共创，协同推出厂商版飞桨框架、建设模型库、开发课程，更好地服务开发者，促进生态繁荣共赢。

飞桨平台及文心大模型的创新发展，不断降低AI开发和应用的门槛，越来越多的人都可以成为智能应用的开发者。如10岁小学生开发了检测水果新鲜度的应用；铁路钳工开发了火车车身字符及标识检测的应用；大学老师开发了花样滑冰的人体动作分析的应用等等。

基于飞桨平台，人工智能技术已在制造、城市、能源、金融、媒体等行业广泛应用，并催生了AI训练师、5G云代驾等新业态、新模式。