在人工智能领域，为了便于交流和分享，往往会由学术机构或产业巨头主导形成一些通用的开放规范或标准，并在此规范基础上共享和开源相关成果及资源，我们称之为人工智能开放平台，如英特尔针对计算机视觉应用推出的OpenCV、机器学习和数据挖据库Weka、谷歌的Tensorflow、Facebook的PyTorch、亚马逊的MXNet、微软的CNTK等。 

　　这些AI开源平台连接底层硬件(CPU、GPU、ASIC、FPGA以及各种XPU等)和AI模型算法(深度神经网络模型、机器学习算法等)，为AI应用开发和运行提供极大便利，对AI产业和生态的发展有着重要影响(如图1所示)。 

　　所有的开源平台都会遵循某个开源协议。不同的开源协议对开源代码知识产权、修改、商用等方面作了规范和约定。现有的几种主流开源协议包括BSD、Apache、GPL等。由于不同的开源开放平台采用了不同的协议，因此具有不同的开源特性，对其商业化路径形成了重要影响。 

　　当前，我国的很多研究工作都是基于国外开源平台基础上进行研发，这也就意味着，主导方实质上对平台有很强的掌控权利，一旦发生商业策略变化或者商业纷争，主导方有可能修改规则或关闭平台，从而对相关的产业链造成重大影响。 

　　图1. AI平台与AI生态关系图 

　　国内平台影响力亟待提升 

　　深度学习作为此次人工智能浪潮的主推手和关键技术，是人工智能开放平台中内容最多、影响力最大的主题之一。中国的学术机构和公司很早就开始注意到AI平台的重要性， 比如百度推出的paddlepaddle深度学习框架、阿里巴巴的PAI平台、腾讯的NCNN和pocketflow深度学习平台、中科院自动化所的"诸葛·深知"深度学习平台和 QEngine深度学习量化加速框架、 鹏城实验室的OpenI平台等。  

　　总体来看，这些平台无论在影响力和用户数量方面与国外平台都有较大差距，各个机构本身对平台的投入和重视程度也不够。究其原因，首先，平台的建设周期漫长；其次，平台无法快速产生盈利，一般机构很难持续支持；此外，国内的学术界和工业界缺乏足够的分享驱动力，不愿意把好的算法和代码贡献出来。 

　　掌握话语权需加速布局 

　　人工智能开源开放平台是人工智能领域创新和产业赋能的助推器，已成为国际大公司竞争焦点。中国的企业和学术界也推出了少量的深度学习相关平台，但用户数量较少，对生态的影响力较小。同时，深度学习平台技术发展很快，当前，人工智能开源平台正在往下一代迈进，脸书(Facebook)、苹果和微软等公司联合制定了ONNX标准的中间表示语言，在动态结构、应用模块、硬件计算等方面又得到了提升。  

　　AI平台按照云端和轻量级终端演化，向着"操作系统化"发展的趋势日益明显。人工智能产业已成为国家重点发展的领域，平台对产业的发展极其重要，要提早布局，避免"卡脖子"问题出现。 

　　打造自主可控新生态 

　　我国应加速启动人工智能开放平台建设，以下几个方面值得重点关注： 

　　开源开放，拆除藩篱，联合企业和学术界共同打造建立在开放环境下的人工智能平台。借鉴WinTel联盟形式，让"平台—芯片—应用"相互支撑，发挥综合优势，建立应用生态。瞄准人工智能平台发展趋势(通用化、轻量化、模块化等)，提前部署相关前瞻性技术研发。 

　　从新应用、创新的垂直领域等薄弱地带入手，"农村包围城市"。总之，从中短期看，需要建立顶层的标准设计，从应用(开放创新平台)、芯片(围绕芯片的开发工具链)和基础算法(开源基本模型)协同入手，形成完整创新链和强大合力，建立独立自主、相互支撑的人工智能平台新生态。 

　　从中长期看，人工智能理论和应用还处在高速发展阶段，未来会不断涌现出新的方法和应用，我国应抓住机遇，集中力量发展开放开源的人工智能平台，奠定良好的人工智能底层基础，打造自主可控的人工智能产业生态。 

作者：

程健  中国科学院自动化研究所模式识别国家重点实验室研究员、南京人工智能芯片创新研究院常务副院长 

徐波  中国科学院自动化研究所所长、中科院脑科学与智能技术卓越创新中心副主任、中国科学院大学人工智能学院院长、中国人工智能产业联盟副理事长

来源：《前沿科学》2019年第2期《人工智能》专刊