来源：新智元

【导读】从深度学习算法、计算机视觉算法到AIoT算法，从开源框架旷视天元到AI生产力平台Brain++，旷视十年故事，旷视首席科学家、旷视研究院院长孙剑讲给你听。

万万没想到，我和小伙伴们被旷厂拿去「炼丹」了。

‍

没错，就是这个炼丹炉！

‍

站在炉子中央，各种算法代码眼前飞闪，让我体验了一把时空穿梭的快乐。

‍

‍OMG！真·颅内高潮...

业界认为「炼丹」过程正如算法研究过程。

众所周知，AI的三大支柱分别是数据、算法、算力。

那么在炼丹过程中，数据便是金木水火土等自然元素，算法框架是用来炼丹的炉子，算力就是炼丹炉下的三昧真火。

元素全不全，炉子好不好，火旺不旺决定了AI开发者能不能练出一颗AI的「灵丹妙药」。

从2014年至今，中国新一代炼丹宗师旷视经过多年的磨练打磨，打造了「炼丹房」—— Brain++。

MegEngine（深度学习框架天元）是丹炉，MegData（数据管理平台）是元素，MegCompute（深度学习云计算平台）便是那三昧真火。

‍

这次，「炼丹房」 Brain++ 迎来了全新升级！

升级后的炼丹房，「自动」成为最大特色，炼丹师们不再需要经过九九八十一天这么漫长的时间来炼制丹药。

这个平台提供了怎样的最新功能，让AI开发者们更轻便地生产算法？

Brain++「神助攻」：一个「旗帜检测」算法诞生

熟悉旷视的人都应该知道，Brain++ 是旷视在AI领域创业多年的致胜法宝。

它将算法、算力和数据能力集为一体，核心能力包括：

数据的处理、清洗和管理能力，算力的共享、调度和分布式能力，算法的训练、推理及部署能力。

全面覆盖了从 AI 生产（输出算法模型）到应用（实现算法工程化封装）各环节。

因此，Brain++被内部定义为「AI生产力平台」。

但时局变了，数据满溢，算力飞升，算法无处不在。许多开发者们真正面临的挑战是：如何让算法生产更加高效？

‍

要知道，算法生产能力决定算法价值上限。

当前的算法生产不仅仅是模型的训练，还包括需求分析、数据处理、上线部署、落地应用4个环节。

过程标准化是影响算法生产的关键要素，只有过程标准化才能实现算法生产的自动化。

让算法生产迈向自动化时代，便是Brain++迎接这一挑战的底气！

自动化的数据管理和质检——自动推荐合适的训练算法和模型——自动检查算法准确率并给出优化建议便是升级后Brain++的最新功能。

举个真实场景中的例子，

在钢铁冶炼厂中，存在一些比较危险的设备。根据生产安全的要求，这些设备周围需要插小红旗来做警示和标志。

如何能够检测出小红旗是否还插着？

这就需要做一个红旗检测的模型，通过安装的摄像头来进行自动化检查。

需求明确后就需要进行算法生产了。

首先，Brain++提供自动化的数据管理和质检，包含十余种质检策略，这个过程中可以排除无意义的数据。

下面这2个红旗就是通过自动化平台所发现，图片的画风其实和我们真实场景中的差别非常大，就属于一些无效数据，或者说噪音数据。

平台自动检测出后，就会在训练模型前帮你剔除。

然后便开始模型自动化训练，平台会根据部署资源的要求，为开发者自动推荐最合适的训练算法和策略。

这一环节中，就不需要开发者自己去学习到底应该怎样去选择算法或者调优模型。

接下来便是算法调优分析，Brain++集成十余大类不同的结果分析和对应的调优策略，比如漏检/误检结果呈现。

当红旗检测模型训练完成后，将其放到实际应用场景中测试，黄色框就是一次训练后的算法检测出来红旗的位置。

说明这一算法存在明显误检问题，特别可能在这样的一个场景误检率比较高，AI生产力平台便可帮助开发者自动发现问题，并给出针对性优化建议。

总的来看，当我们分析完想要做一个旗帜的检测需求之后，首先需要2个小时来做一个图像的质检和旗帜的标注，之后选择一个GPU的训练环境，模型训练的时间大概花费一个小时左右的时间。

在上线部署后，根据刚刚提到的分析和调优策略，研究人员进行了2轮左右的迭代，一个「旗帜检测」算法就诞生了！

你所感受到的便捷，是旷视通过总结过去10年算法生产落地的海量经验，探索出一套「快速、低成本生产算法」的模式，并将其沉淀在Brain++。

这十年，旷视AI创新走过怎样一个历程？

7月16日，由旷视首席科学家、研究院院长孙剑领衔的技术团队在2021旷视技术开放日（MegTech 2021）上分享了旷视十年来在AI技术上的实践和思考。

十年实践，首席科学家孙剑发AI「灵魂」三问

今年，是旷视成立的第十年。

我们来聊一聊旷视这十年的进阶之路。

首席科学家孙剑以旷视为例，总结了过去十年中国AI技术价值的发展历程。

2011年前后，AI发展的重点是基础科研。基础科研的关键点是突破单点算法，让AI率先在互联网等数字化程度高等领域应用落地，变得真正可用。

2015年起，AI需求越来越多，AI商业化落地也越来越多。这个过程中，算法在不断拓展应用的边界，从算法到软硬结合，AI创造的价值越来越大。

从2020年开始，AI成为新基建的重要部分，持续降低算法门槛，让AI生产变得更加容易，基础设施需要AI普惠化。

AI有没有用？AI在哪里用？AI易不易用？

这是AI行业的「灵魂」三问，是所有AI企业需要回答的问题。

孙剑认为，AI有没有用归根到底是看AI基础科研有没有突破。

基础科研是AI创新突破的基石，需要长期主义的坚持。

对旷视来说，要构建科学价值和产业价值统一的基础科研体系。

十年来，旷视不断突破创新：

在学术上发表85篇顶级会议论文，在竞赛上斩获40项冠军，在实用上研发了包括ShuffleNets系列在内的众多基础模型，已经广泛应用在手机等智能设备上，推动软硬协同发展。

基础科研有了，落地才是科研的价值，这就需要解决「AI在哪里用」的问题。

对于旷视，一直瞄准的是消费物联网、城市物联网和供应链物联网三大场景。

AI是核心能力，IoT是落地场景，在数字世界与物理世界融合的智能化时代，AI算法正在为产品带来更多的价值提升。

旷视认为，「算法不只让很多产品从好变更好，更能让产品从不可能变可能。」

在旷视十年的AI实践落地中发现，算法已不再仅仅是「软件物料」，而是成为「核心组件」。

从科研到落地，算法正在创造越来越大的价值，也在开始重新定义软硬件。

旷视研究员范浩强在MegTech 2021上的分享

AI落地是我们所有人都在讲的问题，但是当前，大量算法生产过程还是非标准化。因为非标准化所以算法生产过程充满不确定性。

旷视认为，落地实用是检验算法的最高标准之一，而生产落地实用算法的过程「只有先标准化才能自动化」，才能更进一步实现规模化的普惠易用。

从2014年至今，持续打磨升级的AI生产力平台Brain++，就是旷视推动算法生产迈向自动化时代的AI基础设施。

为什么是旷视？

不是炼丹「上瘾」，是AI进化

旷视是一家靠算法起家的公司。

准确来说，可以细分为两类：

一类是以深度学习（DL）和计算机视觉（CV）为基础的核心算法。

另一类则是行业算法 （或者称AIoT算法）。

旷视的算法之路，经历了从核心算法突破，到行业算法落地和创新，再到算法生产平台的拓展过程。

MegTech 2021上，旷视展示了其算法量产星空图。

算法量产不是一个单一产品，更不是「上瘾」，而是一种生产模式的理念革新和生产力进化。

旷视现场通过一系列技术Demo演示，系统展示了其最新的技术成果。

旷视研究院推出了面向服务器和下一代AI芯片的通用模型RepVGG，其在开源后Github star已超过1800。

还推出全景视频实时拼接算法。

全景视频拼接的实现，需要多个摄像头在同一场景下采集不同方向视频，然后逐帧地将各个方向的视频帧拼接起来，最终得到360度全景视频，甚至360度*180度的球面全景视频。

其核心是运用基于光流的多摄AI拼接算法，同时依靠实时动态无缝拼接网络模型，解决了多摄拼接计算量大、拼缝明显，以及拼接无法动态更新的技术难题。

还有单目3D车路感知：仅用单目可见光相机，就可以实现车路信息的3D感知。

‍

旷视MegTech 2021上还展示了，目前性能最强的端到端实时全卷积全景分割算法，以及挑战经典，目标检测架构创新的YOLOF。

从基础科研，到行业落地，再到基础设施，这是人工智能技术价值跃迁的三个关键。

旷视正是沿着这样的路线在不断创新，务实落地。预研一代、孵化一代、交付一代，这是旷视技术创新研发模式。

在技术开放日现场，旷视将这一套创新研发模式首次对外完整的呈现出来。

孙剑总结道，「聚焦最优秀的人才，一起做最好的科研，通过产品让科研成果创造价值，不断探索新领域，这是旷视的秘诀，也是AI技术价值跃迁的秘诀。」

对了，忘了告诉你，这是一个北京新晋AI网红打卡圣地。

不要太燃～

推荐阅读

• 【重磅】斯坦福李飞飞《注意力与Transformer》总结，84页ppt开放下载！

• 分层级联Transformer！苏黎世联邦提出TransCNN: 显著降低了计算/空间复杂度！

• 清华姚班教师劝退文：读博，你真的想好了吗？

• 2021李宏毅老师最新40节机器学习课程！附课件+视频资料

• 最强通道注意力来啦！金字塔分割注意力模块，即插即用，效果显著，已开源！

• 登上更高峰！颜水成、程明明团队开源ViP，引入三维信息编码机制，无需卷积与注意力

• 常用 Normalization 方法的总结与思考：BN、LN、IN、GN

• 注意力可以使MLP完全替代CNN吗？ 未来有哪些研究方向？

• 清华鲁继文团队提出DynamicViT：一种高效的动态稀疏化Token的ViT

• 并非所有图像都值16x16个词--- 清华&华为提出一种自适应序列长度的动态ViT

重磅！DLer-计算机视觉&Transformer群已成立！

大家好，这是计算机视觉&Transformer论文分享群里，群里会第一时间发布最新的Transformer前沿论文解读及交流分享会，主要设计方向有：图像分类、Transformer、目标检测、目标跟踪、点云与语义分割、GAN、超分辨率、视频超分、人脸检测与识别、动作行为与时空运动、模型压缩和量化剪枝、迁移学习、人体姿态估计等内容。

进群请备注：研究方向+学校/公司+昵称（如Transformer+上交+小明）

???? 长按识别，邀请您进群！