2

反碎片化是AI+農(nóng)業(yè)的關鍵

我們都知道,AI目前正在走向大規(guī)模落地的過程中,但這個過程并不一帆風順,其特點就在于即使耗資鉅萬訓練出來的強大模型,在實際部署中仍然需要二次、多次開發(fā),而由于AI開發(fā)人員的稀缺,使得需要多次開發(fā)的項目很難具有真正的費效比。

而這還是發(fā)生在信息化程度已經(jīng)很高的領域里,大家可以想見的是,既懂農(nóng)業(yè)又懂AI的人才該有多么稀缺。

圍繞這個問題,行業(yè)的解決思路有了分歧,有人認為,部分AI企業(yè)應該加強工程化能力的建設,但這雖然解決了落地難,卻沒有在本質(zhì)上降低成本,而成本才是大規(guī)模普及的關鍵要素。

百度則采取了另一種思路,一方面大規(guī)模普及AI教育,提出了5年培養(yǎng)500萬AI人才的計劃;另一方面,百度又堅信,只有把使用AI的能力真正交到使用者手中,才能從根本上降本增效,并具備持久的反碎片化能力。

前文提及的EasyData正是這種思想的產(chǎn)物,而EasyData則是EasyDL的一部分,EasyDL是一套世界領先的、能夠讓應用者實現(xiàn)零算法基礎定制高精度 AI模型的工具,目前已有超過90萬企業(yè)用戶,在工業(yè)制造、安全生產(chǎn)、零售快消、智能硬件、文化教育、政府政務、交通物流、互聯(lián)網(wǎng)等領域廣泛落地。(關于EasyDL可以參閱本號前文《深科普:走近EasyDL》)

如果說EasyData幫助AI+農(nóng)業(yè)落地闖過了數(shù)據(jù)關,那EasyDL就實現(xiàn)了農(nóng)業(yè)AI化中的反碎片化,把使用AI的主動權交到了真正的務農(nóng)者手中。

病蟲害是農(nóng)作物減產(chǎn)的主要誘因,據(jù)全國農(nóng)作物病蟲測報網(wǎng)監(jiān)測和專家會商分析,2021年小麥、水稻、玉米等糧食作物重大病蟲害呈重發(fā)態(tài)勢,預計全國發(fā)生面積21億畝次,同比增加14%。

在上萬年的農(nóng)業(yè)生產(chǎn)史中,“蟲口奪糧”是一個貫穿始終的主題,但這一工作的最基本要素——蟲情監(jiān)測,是最初依靠務農(nóng)者的經(jīng)驗,而后是依靠專業(yè)技術人員完成的。

寧波微能云數(shù)據(jù)公司就是想靠AI“死磕”蟲情監(jiān)測的一家創(chuàng)業(yè)公司。

這套系統(tǒng)的核心原理并不復雜——利用昆蟲的趨光性,將害蟲吸引到燈下,殺死害蟲后自動拍照,然后將圖片上傳至云端服務器,并利用百度的AI能力,對六種水稻常見害蟲進行分類與統(tǒng)計,進而為技術人員指導水稻田內(nèi)農(nóng)藥、化肥的使用配比與相關操作提供決策依據(jù)。

這一切的核心關鍵在于,如何開發(fā)一套微能云智能蟲情測報系統(tǒng),并自行升級、開發(fā)、擴展這些能力。

如果在兩三年前,最好的辦法可能是請百度的工程師駐場指導,但隨著AI應用的普及,百度自身的AI技術人員即使全部用于AI的社會化落地,也遠不敷分配。

說到這類問題的解決,就不得不提及EasyDL所植根的基礎——百度飛槳產(chǎn)業(yè)級深度學習平臺,這一平臺推出五年后,市場份額從零起步,已經(jīng)成為中國第一、世界前三的深度學習平臺,其“產(chǎn)業(yè)級平臺”的特性,更使得其指向非常精確——這一平臺集成了數(shù)百種從產(chǎn)業(yè)實際環(huán)境中抽離出要素后精心開發(fā)的基礎模型,這些模型可以根據(jù)用戶的需求,幻化為幾萬、幾十萬種模型,解決難以計數(shù)的碎片化能力。

可以說,EasyDL是飛槳的超輕量版,也可以說,EasyDL是飛槳的便捷入口……無論如何譬喻,這一工具的本質(zhì)還是為了解決千千萬萬碎片化場景的解決者如何能夠在零算法門檻基礎上使用AI的能力。

說來也簡單,要解決微能云的問題,其實飛槳EasyDL早有成熟的方案——AI物體檢測模型,而工程人員要做的就是,用EasyDL開發(fā)出一套具體可用的的害蟲計數(shù)與種類識別模型,然后將之變成一個API接口,從而實現(xiàn)極為簡便地部署,幫助農(nóng)業(yè)種植戶遠程自動化采集蟲情信息,準確地預測蟲害的發(fā)生。

AI的一個好處是,一類精心訓練的能力,可以有效地泛化為諸多的小模型,解決方方面面的問題。

例如,大家都知道百度是無人駕駛領域的國家隊,那么,能夠在極端復雜的城市交通環(huán)境中應付裕如的無人駕駛能力,在場景相對單一的農(nóng)業(yè)機械的應用中,就更具備了降維打擊的能力。

熟悉袁隆平院士生平的讀者大概都知道,水稻是我國三大主糧之一,而水稻田的田間管理復雜、重復度高(諸如打藥、鋤草等)且工作極其繁重,客觀上成為了諸多務農(nóng)者跳出“農(nóng)門”的動力之一,而如果能夠開發(fā)出一種農(nóng)業(yè)機器人,可以自動駕駛,可以根據(jù)水稻秧苗的種植情況實時調(diào)整航向,避免壓苗等情況出現(xiàn),更好地保養(yǎng)和管理水稻秧苗,這無疑是中國水稻文明史上的一次革命。

去過農(nóng)田的人知道,水稻是按列種植的,列與列之間近似互為平行,似乎這對于自動駕駛來說是“小菜一碟”,但事實上,由于不同時段的光照條件、水田里的浮萍、藍藻等與秧苗特征相似的植物夾雜生長等要素,真正要精確駕駛,并不是一件容易的事。

如果說EasyDL是一套列裝齊全的輕武器庫,那基于飛槳平臺的開發(fā)套件,就是一套重武器體系。

圖像處理是自動駕駛的基石之一,而其中的一個重要環(huán)節(jié)就是圖像分割,也就是從一張自動拍攝的圖片中分割出特定的要素,這一領域是諸多深度學習模型競爭的焦點,而飛槳的圖像分割開發(fā)套件PaddleSeg,無疑是諸多方案中的佼佼者。

蘇州博田的工程師需要考慮的是,如何把秧苗按“列”從背景中分割出來,再在這個基礎上,實現(xiàn)秧苗“列”的中心線的精準提取。

而他們驚喜地發(fā)現(xiàn),這個問題其實早就被飛槳的工程師解決了,而解決方案是一個名為Image Cascade Network(ICNet)的語義分割網(wǎng)絡,這套系統(tǒng)可以在高分辨率圖像的準確性和低復雜度網(wǎng)絡的效率之間獲得平衡,從而加強實時處理的能力。

△從左到右示意圖:

圖像分割結果示意圖、原圖特征點提取示意圖、秧苗列中心線提取結果示意圖

“飛槳是一個寶庫,但如果要入寶山而不空手回,需要深入地了解這個體系,而這不是一天就能實現(xiàn)的”,蘇州博田的工程師指出了問題的關鍵——事實上,在發(fā)現(xiàn)對應的模型后,剩余的工作變得相對簡單——基于ICNnet實現(xiàn)了秧苗列中心線的精準提取后,準確率能達到95%以上,處理每幀圖像耗費的時間僅300ms左右,完全滿足農(nóng)機作業(yè)環(huán)境下的速度要求。

這其實是告訴我們,有時候,所謂的AI化也未必是一次艱難困苦的長征——現(xiàn)代農(nóng)業(yè)的工業(yè)化、自動化已經(jīng)有了很好的基礎,其向智能化的飛躍,并非需要全局推翻重來,而在于是否能找到AI化的關鍵點。換言之,絕大多數(shù)的基礎能力已經(jīng)儲備在飛槳里,而部署和調(diào)用也極大的簡化,真正考驗的是找到那個能扭轉(zhuǎn)全局的關鍵要素,一個從自動化到智能化的關鍵點。

顯然,更適合找到這個關鍵點的,不應該是AI應用平臺的開發(fā)者,而應該是這一應用的最終用戶——他們熟悉需求、了解系統(tǒng),他們積累了大量的know-how并且深知問題的關鍵,讓他們提出解決問題的路徑,比讓百度的AI工程師從熟悉一套陌生的環(huán)境再去找解決方案,要有效且直接的多。

但問題的關鍵就是,這些人往往是某個領域的專業(yè)人士,但并不一定具備AI的思維和視角,他們需要EasyDL這樣拉低門檻的開發(fā)工具,但更需要的是一套基于AI去解決問題的思維習慣,如果沒有這套思維,就永遠也無法實現(xiàn)AI能力和現(xiàn)實問題的碰撞。

任何革命,首先是思想的革命,然后是工具的革命,最后才是真正的變革的到來,AI的發(fā)展,也必須遵循這個規(guī)律。

所以,我們除了看到百度不斷的用工具降低AI的門檻,更關注到AICA首席AI架構師培養(yǎng)計劃的推出,這一計劃專注于深度學習產(chǎn)業(yè)落地和應用,讓“AI的火種們”可以與百度最有經(jīng)驗的專家閉門研討,從剖析百度AI生態(tài)企業(yè)中業(yè)務需求與AI技術結合的典型案例中學習,最終為中國產(chǎn)業(yè)界培養(yǎng)高端復合型AI人才。

始于工具,強于平臺,而決勝于人才,這是百度AI生態(tài)的一個重要特點。

目前,AI行業(yè)正在渡過黎明前最黑暗的一段時間,從資本市場到商業(yè)落地,一次強烈的爆發(fā)已經(jīng)醞釀很久但遲遲不來。

其中的關鍵正是場景碎片化,無論是百度還是所謂的“AI四小龍”,以及近五年內(nèi)崛起的上萬家AI創(chuàng)業(yè)公司都遇到這個問題——即缺乏一種能夠提供正向費效比的通用方案,使得強大的AI能力在部署時需要大量的二次、三次開發(fā),這成為AI發(fā)展命運的咽喉。

資深的分析師甚至指出,如果不突破AI大規(guī)模落地的碎片化問題,AI甚至可能迎來史上的第三次冰封期。

對于很多早期AI公司來說,人們再用一種理性的角度來審視時,會發(fā)現(xiàn)其動人的故事往往是針對某一特定領域的定制方案,而這些方案在解決泛化問題時往往費效比極低。

AI企業(yè)講故事的日子已經(jīng)結束了,現(xiàn)在到了兌現(xiàn)承諾的時候——而在這個過程中,我們暫時還沒有發(fā)現(xiàn)比“授人以魚不如授人以漁”更好的方法,從這個角度來說,零門檻工具、開發(fā)套件是一方面,人才、生態(tài)的培養(yǎng)又是另一個方面,我們不能希望百度靠一己之力解決全部問題,一個健全的生態(tài)才是更好的路徑。