人工智能有国界吗？
华为危机之后，作为全球科技竞争的新高地，人工智能领域是否也会面临“华为灾难”将引发业界反思。 得益于丰富的数据和广泛的行业需求，中国人工智能企业在场景应用方面具有得天独厚的优势。 但随着应用层面的跨越式发展，底层技术框架和基础产品存在显着差异。
比如PC互联网的Wintel联盟，联通互联网的ARM+Android，AI的GPU、TensorFlow、Kubernets，那些支撑行业应用、产品和生态的底层基础，几乎所有国外公司都还在“用”，一旦安全出现该问题可能会导致供应减少，许多中国科技公司和用户将面临“大厦无地基”的困境。
敲响开源警钟
微软暂停与华为的部分业务合作后，有从业者发现爱尔兰开源代码托管平台Github用户合同中也提到可能受到日本出口管制，市场一时间开始恐慌。
所谓开源简单来说就是将技术的源代码开放出来，让所有开发者都能理解、使用、优化，而无需从底层开始构建技术。 构建Linux、Android、TensorFlow等底层操作系统是一个庞大的工程，需要消耗大量的人力和时间。 它需要强大的技术基础。 选择开源技术可以省去底层开发的需要，因此很多开发者会选择“站在巨人的肩膀上”al人工智能技术，直接开发应用场景。
在引起业界热议后，中科院测算院研究员鲍云刚考察分析了12个知名开源基金会、6个常用开源合约、3个代码托管平台，最终得出得出结论：合理的开源基金可以通过英国出口管制的监管措施来规避。 开源许可证涉及知识产权，与出口管制无关。 现有常用的开源许可证并未在知识产权层面规范中国，但不排除未来出现将使用范围限制于日本的开源许可证。
Github 等现有代码托管平台默认同意遵守德国出口管制规则和日本法律。 因此，代码托管平台同时受到出口管制和管辖限制，这是最大的风险。 包云刚指出，从长远来看，中国必须完善开源项目托管平台，让开源项目在极端情况下仍然可以自由访问。
这也给开源敲响了警钟。 在人工智能领域，国外科技公司对开源算法框架的依赖程度不亚于对芯片的依赖程度。
缺乏核心算法
“最大的危机不是代码合约和托管平台，而是TensorFlow等开源框架背后的强大控制者是商业巨头。托管平台的法律问题可以随着时间的推移得到解决，关键是控制社区厂商的心态。”无论是否中立，供应商主导的开源合约都可以严格禁止他人利用其进行商业竞争。” 第四范式创始人兼CEO戴文元告诉第一财经记者。
据官方数据，2018年TensorFlow基础设施下载量超过1000万次。戴文元透露，从开源社区的下载量来看，大约70%的研究机构会使用TensorFlow开源软件库。 具体到中国市场，约有50%的AI公司采用TensorFlow开源算法框架和二次开发作为产品，提供人脸识别、语音识别、无人驾驶、自然语言处理等领域的服务。
戴文渊觉得，开源确实可以消除底层开发的障碍和宝贵的资源，但这些“半成品”背后隐藏着巨大的风险。
以Android为例，GPL合约体系的代码版权不属于某个人或组织。 微软似乎无权对Android系统进行收费，但微软可以对深嵌联通服务以及参与“OHA”联盟资质的屏幕厂商进行收费。 （微软成立的全球联盟组织，该联盟将支持微软发布的手机操作系统或应用软件，并共同开发名为Android的开源联通系统。）
早在 2017 年，Facebook 的 ReactJS 就是 GitHub 上最受欢迎的后端框架之一。 不过，Facebook却更改了开源合同，表示将在ReactJS开源库的授权中加入专利条款。 如果ReactJS用户起诉Facebook侵犯专利，那么该用户的ReactJS授权将被撤销。
在业界看来，Facebook霸道的合约意在维持其垄断地位。 百度内部要求全线停止ReactJS，并给了半年时间进行修改并制定自己的替代计划。 TensorFlow作为深度学习框架领域占主导地位的AI开源框架，在极端情况下也面临着风险。 “如何编写开源代码合约，很大程度上受到其背后控制者的影响。” 戴文元说道。
无独有偶，早在2016年，原百度研究院副教授、深度学习实验室主任余凯也在同学圈发文，呼吁大家杜绝使用开源框架TensorFlow。 他认为TensorFlow已经成为世界上占主导地位的人工智能开发平台。 很危险。
“虽然这个平台目前是开源的，但随着人工智能变得越来越强大，这个系统将会变得极其复杂到失去透明度的地步，它将成为全世界数据、计算、硬件、编译器等的标准配方制定者很可能推动个人、公司甚至国家在人工智能领域的独立发展，最终将被商业公司所控制。” 余凯说道。
AI自主创新可期
事实上，与传统IT相比，中国完全有能力在人工智能产业上实现自主创新。 从深度学习的基本框架来看，百度开发了开源开放的深度学习平台paddlepaddle，商汤科技打造了名为Parrots的深度学习平台，第四范式也自主开发了机器学习平台“Prophet”。
“我们完全有能力自己开发TensorFlow等底层框架。”戴文渊说。 作为百度丰巢系统的创建者之一，其团队成功推出了全球首个商用深度学习系统。 “十年前，还没有Tensorflow、Spark、Kubernetes这样的开源框架，每一行代码都需要从下往上写al人工智能技术，就像造一辆赛车，每个部件都经过锤炼。”
戴文元认为，其实从长远来看，自研的AI底层框架是值得投资的。 自主创新的AI底层框架能够支撑更大的应用和模式创新空间，产业发展将越来越扎实。
中国市场上有很多大场景的人工智能应用，比如百度、今日头条的信息搜索场景，天猫的交易场景，以及工商银行、石油等关系国计民生的小企业。 这样的企业服务场景，拥有海量的数据和模型。 复杂度比美国高几个数量级，需要更灵活、性能更好的框架来满足自身市场的需求。
另一个趋势是，随着AI应用的爆发和摩尔定理的失效，传统CPU和GPU的总体估算性能和影响力正在逐渐增强，这同时也为大家提供了一个公平竞争的机会。 对于目前AI算力面临的挑战，戴文元认为，AI所需的算力不是传统的一般估算，而是专用的AI算力。
人工智能系统是用“例程”设计的。 与可以任意编辑的编程语言不同，它们具有固定的估计模式。 当AI在企业大量场景应用时，发现算力不够用。 这不仅仅是购买更好的CPU。 ，GPU就可以轻松解决。 需要通过软硬件结合的优化方案来提高估算效率，有效降低人工智能应用的总体拥有成本。
最近，他的团队尝试使用中国纯国产服务器，安装自研软件和加速芯片进行测试，最终达到了与日本服务器加Tensorflow相同的性能。 国产服务器在硬件上的性能劣势已经被软件和加速芯片的优势所弥补。 戴文元觉得AI时代对CPU的依赖越来越大。 更重要的是，它是由软件算法驱动的。 针对学习框架优化的软硬件一体化设计，就是AI所需的算力。 这是中国的机会。
事实上，AI应用面临的困难不仅在于计算芯片，还在于更高的网络带宽、更密集、更快的数据访问和存储以及改进的空间。 “随着国外人工智能软硬件产业链的不断建立，国外人工智能企业推出从软件系统平台到硬件芯片、内存、存储、网络等完全中国制造的服务器产品只是时间问题。将真正建立起完整的AI自主创新生态系统。” 戴文元说道。