对话共达地CEO赵丛：建一条生产流水线，做人人用得起的AI | 甲子光年

作者 | 赵健

在过去的一年中，从AI作画到ChatGPT，AIGC依次刷爆科技圈。前所未有的人机交互体验，让技术的魅力在社交媒体蔓延。

人工智能在今天的发展高度超出了很多人的想象，而当新奇的感受褪去后，在很多人心目中，更希望知道的答案恐怕是，人工智能还能在各行各业怎么落地应用？

其实，当大量科学家在通过AI仰望星辰的同时，也有工程师在思考如何让AI更接地气，降低使用门槛，渗透到千行百业。

共达地就是这样一家AI公司，其核心AI技术为AutoML——自动机器学习。2017年，Google首次发布了Google Cloud AutoML。简单来说，AutoML能够“用AI生产AI”，从而减少人工的参与，提升生产效率。

基于AutoML，共达地让企业无需构建专业AI团队，即可获得生产与部署AI的能力。

在2022年的甲子引力大会上，共达地创始人兼CEO赵丛博士发表了主题演讲，甲子光年也进行了专访。

当AI行业进入下半场，需求会在哪里迎来井喷？共达地怎么做？与BAT与AI四小龙又有哪些不同？

1.谈定位：面对各行业井喷需求，做行业伙伴的赋能者

甲子光年：共达地成立于 2020 年，在行业已经有“AI四小龙”等人工智能公司的背景下，留给共达地的创业机会是什么？

赵丛：过去AI还是一个新鲜事物的时候，产业更多需要的是“AI先驱”，即把AI从零到一开发出来，完成第一阶段的落地。

到现在，AI应用场景已经从单一走向多元，场景数量指数级增长。以近些年重头发展的工业领域为例，中国是全世界唯一拥有联合国产业分类当中全部工业门类的国家,世界500多种主要工业产品当中,有220多种工业产品的产量居全球第一。在这庞大的工业体系中，一项简单的布匹检测大概需要上百种算法，如果计算所有工业门类中细分链条上的AI需求，数量将如浩瀚星辰般庞大。

在需求井喷的基础上，AI产业也正逐渐从过去的垂直整合，走向水平分工，呼唤生产力的大幅提升和生产方式的标准化。所以共达地是在上一个十年AI发展成果的基础上，让更多场景、更多需求得到满足，完成“让AI生产流程标准化”的当代使命，这是一个产业接力的过程。

这个过程类似于八九十年代的PC产业。PC产业最初也是垂直整合为主，每家企业从芯片、操作系统到软件、硬件，都是自己来做。但90年代随着微处理器的出现，PC产业逐渐走向水平分工，产业链条里的角色越来越多，有专门做操作系统的、专门做显卡的、专门做应用软件的等等。

今天的AI产业也在逐渐走向水平分工的阶段。和过去不同的是，今天行业面对的更多是碎片化场景的井喷，我们称之为“超大规模精细化”，AI越来越深入到行业中去。随着技术门槛的降低，行业的Know-how越来越重要，未来AI算法的种类和数量可能没有边际，而生产算法的人才缺口在2025年可能会超过1000万；未来生产AI算法的人，也未必都是AI工程师、算法研究员，而是很多业务人员、产线员工。

共达地希望把AI的能力下沉到各个行业和各个场景中去，赋能行业伙伴。因此我们专注于做好AI算法生产这一件事，AI应用落地的创新会发生在行业之中。

甲子光年：AI目前的行业渗透率是怎样的？

赵丛：过去在各个行业中，AI在安防、金融领域的渗透率是比较高的，安防集中在“人车非”领域，即人脸、机动车与非机动车的识别；金融领域也对AI有很多需求，比如风控、OCR。

但在其他大量的行业，比如园区、医疗、工业制造、能源、水务、农业等等，AI渗透率还不到5%。

甲子光年：AI产业链环节众多，最需要被AI赋能的是哪一个环节？

赵丛：AI产业链条中有很多角色，有数据厂商、芯片厂商、软件开发商、系统集成商、硬件厂商等等。基于前十年AI的示范效应，目前各个环节已经基本具备了分工的基础。

AI落地离不开行业know-how和行业积累，而行业中的软件开发商、系统集成商和硬件设备厂商，是离场景最近的人。

共达地面向的正是软件开发商、系统集成商，是这些定义AI的角色，是具备行业Know-how的中坚力量。我们做的是一个比较开放性的业务，合作方式也是多元的，需要行业人员、产业人员以及AI上下游企业的参与，包括集成商、软硬件厂商、行业协会、科研院所等的共同参与和共同创造。

甲子光年：共达地在AI产业中的定位是什么？

赵丛：AI这件事需要由“低门槛交付”走向“低门槛创新”。低门槛交付，是指大家现在手上有很多AI现成的需求没有得到满足，上述厂商会更加关注这些存量需求；而下一个阶段实际上是低门槛创新，让大家能够更低门槛地突破存量舒适区，去长尾市场创造新的AI应用场景。

共达地专注于提供可规模化的算法生产能力，加速行业完成从低门槛交付到低门槛创新的过渡。

共达地这个名字可以解释为共同到达目的地，因为我们在做的是一件对整个行业有利的事情，希望可以用最开放的生态和合作伙伴一起去共建、共创、共同到达目的地。

甲子光年：系统集成商做 AI 转型的痛点是什么？

赵丛：首先是成本问题。开发一个 AI 算法大概需要3个月，算法与硬件的适配调优又要耗时 3 个月左右，所以单个 AI 算法的平均交付时间大概 6 个月。预计未来三到五年，市场上AI人才缺口达到1000万。以当前AI 算法工程师的薪水来算，一个算法项目的研发需要 5 到 10 人，加上图像数据的标注成本等，AI转型的成本成了系统集成商不可承受之重。

其次，是AI的供给能力。比如，我们跟地产行业的CIO（首席信息官）交流，大家共同的看法是AI在物业、社区等会有特别特别多的应用场景，仅物业人员日常巡查这类重复的、枯燥的工作，就可以转化为300多个AI需求，但这些需求在市场上找不到合适的解决方案商，要么做不了，要么不愿意做，或者交付周期特别长。

首先，现在的AI应用场景，大家会有非常多的想法与需求，但转化是一个很大的问题。比如，我们跟地产行业的CIO（首席信息官）交流，大家共同的看法是AI在物业、社区等会有特别特别多的应用场景，但是在市场上找不到合适的解决方案商，要么做不了，要么不愿意做，或者交付周期特别长。

最后就是想象力。受限于成本和产能问题，当前中国的人工智能应用到产业中，到底能做什么、不能做什么，大家的理解程度还有很大的偏差。很多人以为“人车非”就是AI的全部能力；还有很多人则不理解，为什么一个小孩儿能干的事情，AI却干不了；这些都还需要共创和启发。

2.谈产品：做人人用得起的AI

甲子光年：AutoML通过AI算法生成AI算法，如何保证这种通过 AI 生成的 AI 是有效的、可靠的、满足需求的呢？

赵丛：AutoML本身是代替AI工程师的重复性劳动，尤其是在模型结构设计、损失函数设计、超参数调节、数据迭代等环节，存在大量重复的、琐碎的工作——在AI行业这通常被称为“炼丹”。

所以AutoML的目标，一方面是要把这些重复性的劳动自动化，让机器释放人力；另一方面是要把整个AI生产的pipeline实现连续的、完整的、端到端的自动化。

这从根本上改变了AI与产业结合的方式。以前为了让AI深入产业，必须要求AI科学家学习多种行业know-how，然而AI科学家是稀缺的，行业know-how是无限的。但基于AutoML这种新的算法生产模式，则是提供AI能力给业务专家，AI能力是标准的，业务专家是丰富的。这不仅让AI能够深入场景，更高效的落地与迭代；还可以加速启发在各行业中的售前咨询、需求定义等工作，解决业务与技术之间的鸿沟问题。

所以共达地做AutoML最有意义的地方在于，让AutoML去“炼丹”，让AI工程师有更多精力去做一些有价值的技术突破与创新。

甲子光年：谷歌与国内的BAT也推出过AutoML，共达地与之相比有哪些差异？

赵丛：今天共达地做的事情，更多是把AutoML技术去做端到端的产品化，也就是围绕AI的工程落地去做突破与创新。所以，我们的着眼点未必是单点的技术理论突破问题，而是围绕复杂的、多个环节的突破与创新。

共达地在产品化和落地方面是比较有优势的，比如当我们完成了AI算法生产全流程的自动化之后，在业务逻辑和交互上也做了改善，算法生产的门槛就大大降低了，以前必须依赖专业AI工程师团队，现在普通的业务人员也能像操作流水线一样生产算法。同步的，算法生产效率也大大提升，以前单个算法的生产周期以月度、以季度为单位，现在以小时、以天为单位。此外我们还广泛适配了市面上近百款主流芯片，这不仅能节省算法和芯片适配的时间成本，还能有效保护算法精度，提升算力利用率，这都是非常具体的、核心的问题。

在技术应用方面，共达地和国内其他厂商的路径也不太一样。如何让行业Know-how与AI技术更好的结合？大概有两种路线，第一种就是让AI技术人员、AI专家学会行业知识，这是过去大家经常实践的路线。

第二种路线是共达地的路线，就是降低AI的使用门槛，让业务专家也具备AI的能力。尤其是对于大量的行业人员来说，如果给他们一个AI工程师才能使用的工具，实际上帮助是不大的，开箱即用的AutoML产品会更有价值。

甲子光年：所以这就是共达地与大厂路线的不同。大厂用AI赋能行业，共达地让行业学会AI。

赵丛：是的。共达地选择让业务专家具备AI生产能力，把业务专家定位为共达地平台的用户，让业务专家也能够用起来，而不仅仅是一个面向工程师使用的产品。因为不管是软件开发商还是系统集成商，AI工程师仍然是稀缺的。如果是做一个面向AI工程师才能用的产品，实际上反而是给行业出难题。

甲子光年：共达地现在的市场接受度如何？

赵丛：共达地的路线在过去并非大家的共识。两年前我们刚起步的时候，是一个新事物，市场并不太理解。在我们实现产品化并商业落地之前，大家更多是听一个新故事。

但随着产业结构的调整，行业水平分工越来越明细，当我们的客户真的学会了使用共达地平台来生产算法的时候，实际上他们是非常认可与buy-in的。另一个外部原因是，AI产业逐渐形成了一个共识，就是AI没有办法像水电煤一样去集中供应，AI要到细分行业中去，在具体的场景中完成生产和迭代。

当业务与AI一旦结合，会源源不断催生新的应用场景。今天我们粗略估计，各行业中关于AI的算法场景需求，可能超过数十万了。

甲子光年：让业务人员具备AI生产能力，对于不懂编程、代码的业务人员来说，共达地是如何降低门槛的？

赵丛：其实最核心的部分就是模型的生产。过去为什么称之为“炼丹”？就是因为生产一个AI有很多环节，而且是黑盒，需要不断地试错，一遍一遍loop，没有明确的方法论。

因此，开发一个算法，就是AI工程师不断地调参、调数据、调算法、调算力的过程。到底调哪一个参数会提升效果，其实是一个玄学。所以，大家一般用“有多少个GPU的hour”来衡量AI工程师的经验。

共达地做的最核心的工作，就是用结构化的方法把AI工程师枯燥的工作自动化。正是因为我们做了算法的自动化，才使得芯片适配的难度降低了一两个数量级，所以今天市场上适配芯片种类最多的算法厂商就是共达地。

甲子光年：适配芯片的能力是客户比较关注的吗？

赵丛：这是AutoML的重要环节之一，有些客户非常关注这一点。我们发现过去大家的脱节的地方在于，算法厂商可能适配不了很多芯片，芯片厂商又缺乏算法场景，很多客户在算法与芯片上是凑不齐的。而现在，一些客户只有在共达地这里才能同时找到彼此适配的算法与芯片，软硬件都能满足。

当然，我们并不售卖芯片，客户找芯片原厂才是效率更高、成本更低的，我们的工作聚焦于做好“算法-芯片”的适配和推荐。

共达地AutoML自动化AI训练平台支持的芯片（部分）

甲子光年：业务人员使用共达地的平台，需要经过专门的培训吗？

赵丛：是的。对于一个业务人员完整掌握算法生产能力，基本上经过我们一个下午的培训就够了，而围绕解决方案做集成，还需要一些时间。比如选择什么样的摄像头，摄像头布置的角度，光线要注意什么，应该选择什么样的计算芯片，这些都是围绕解决方案去定义场景。

所以我们现在和一些合作伙伴，去做一些2天的课程，让业务人员完全具备从使用平台生产算法，到制定集成解决方案的能力。

甲子光年：软件行业有一个词叫低代码，共达地算是 AI 的低代码吗？

赵丛：IT领域大家讲低代码更多的是面向程序员工程师；现在市面上其他厂商的低代码AI平台，使用人员也还是AI工程师。

在AutoML中有一个分级，分成L1到L5五个等级。L1到L3用户的定位主要是AI工程师，主要是帮助AI工程师减少代码开发工作量。

共达地目前在做的是L4到L5的全自动化的算法生产，目的是为了让行业的业务人员、技术小白也能够自主开发AI算法，让算法的生产权限完全放开给产业链当中，从集成商、软件开发商到硬件设备厂商的各个角色，让产业+AI真正实现具备规模化落地的基础。

3.谈落地：算法不可能做成标品，但生产算法的能力可以

甲子光年：共达地的产品主要有两个，一个是训练平台，一个算法商城。这两个是分别怎么服务客户的？

赵丛：算法商城里是我们自己生产的算法，是为了连接和启发更多的合作伙伴，满足大家“低门槛交付”的需求；训练平台是让大家自助式生产自己想要的AI，称之为“低门槛创新”。

算法需求量小、解决短期需求的客户，可以直接从共达地算法商城当中采购算法，或者由共达地来帮助定制新的算法；算法需求量大，有长期AI规划，有软件集成能力和项目交付能力的客户，可以直接订阅使用共达地平台，让自己业务人员轻松上手，能够自助式的按需生产自己的算法。

目前共达地已经和很多行业的集成商、软件开发商、AI公司跑通了平台订阅合作，并且完成了落地应用。

甲子光年：这两种产品的交付模式是怎么样？

赵丛：训练平台类似于SaaS，按年收费。客户用训练平台生产算法，与他自己请AI团队生产算法相比，可以节省了大量的人力成本，效率提升10倍以上。而且找别人买算法，算法的所有权是别人的，自己也积累不下来，但通过训练平台生产的算法是可以积累的。

算法商城的交付，跟大家从市场上定制算法类似，按次或者按路收费，就是授权License的模式。

甲子光年：共达地算法商城有900+的算法模型，覆盖很多行业，我们花了多长时间来打造这样一个商城？生成其中一个模型，一般要花费多久？

赵丛：我们大概花了 5-6 个月的时间积累这些算法。算法按种类区分是900多种，如果要基于真实场景，生成不同业务功能组合的算法，或者运行在不同芯片硬件上的话，可能超过几万个算法场景了。

平均下来的话，一个产品经理生产一个算法，包含沟通需求、协调数据、使用平台生产和迭代，操作平台大概需要花费3 个小时。如果再算上等待训练、部署、迭代的端到端落地时间，大约需要一周。

甲子光年：AI这么多碎片化场景，算法数量成千上万，如何实现标准化交付？

赵丛：过去大家都希望做标品，算法也被认为是标品，但实际上做起来会比较痛苦，因为算法本身就不是一个标品，而是场景、行业Know-how与技术的结合。

从我们的角度来看，任何一个算法也都不会是标品，只不过它的这个复用性程度有所不同。有的算法只能应用在特别窄的应用场景，有些算法能够适用比较多的应用场景。

那什么是标品？生产算法的能力可能是一个标品。比如一个 AI 工程师，可能今天干工业，明天干医疗，后天干社区，在不同的行业里面生产 AI 的能力是跨行业通用的。这就是为什么共达地选择今天做训练平台这件事情，我们希望把训练平台、生产 AI 能力这件事情标准化，也解决 ROI 的问题：过去大家在生产算法上的研发投入支出是远大于算法收入的。

甲子光年：现在行业热议大模型，您如何看待大模型的发展？

赵丛：大模型在语音文本NLP领域，取得了非常突出的成就与进展。但大模型不会解决所有的AI问题，因为AI在深入行业与场景的细枝末节。

共达地所做的AutoML适合解决碎片化的场景下的AI生产问题。在今天AI模型实际上都是千变万化的，在每一个场景、甚至每一个设备上面使用的AI模型都是不同的。未来算法的个数甚至可能会超过人口数，因为每个设备都可能搭载独一无二的AI算法。

从AutoML的角度来看，大模型是一个技术手段，可以使用大模型的一些训练思路或训练技巧，但在解决实际问题时，未必要拥有大模型。大模型和AutoML两者是具有互补性的，有时候侧重点不同，比如在NLP语音文本领域大模型承担的作用更多，在视觉领域的碎片化人工智能，更多需要解决的是AutoML的问题。

END.