日前，美媒《華爾街日報》報道稱：美國羨慕中國的基礎設施，并希望加強基建以夯實美國經濟增長。事實上，對“基礎設施”的建設，除了短期內可拉動增長刺激就業外，更重要的意義是“有力地支持全領域共同繁榮”。我國的十四五規劃中，“科技創新”成為焦點，加強科技的基礎設施建設，從而更高效、高質量的實現全領域共同進步。中國科技新基建再次當先。

　　宜早不宜遲的“科技新基建”

人工智能是科技新基建的核心之一，而深度學習又是人工智能的先鋒。自 2012 年深度學習取得突破性進展，眾多深度學習框架應運而生，成為研究者和業界工作者的新寵。不管深度學習研發進行的多么火熱，都要轉化為生產力和商業價值，最終落地到產業中，而且宜早不宜遲。

實踐鑒差距?！白霾蛔龅贸鰜怼备坝貌挥玫闷饋怼辈畹耐耆恰皬?到1”的決定性距離。從早期的學術框架 Caffe、Theano，到如今有業界背景的大規模框架Pytorch，TensorFlow以及國內最早開源的飛槳PaddlePaddle來看， AI新基建絕非一朝一夕可成，需要長期持續的投入和產業實踐打磨，方可有所沉淀。

　　2016年，百度PaddlePaddle就打響了國產深度學習框架開源的第一槍，成為我國首個自主研發的產業級深度學習平臺。2019 年 4 月，在 Wave Summit 深度學習開發者峰會上，PaddlePaddle發布中文名“飛槳”，開始強調自己更適合中國開發者，以及更加專注于深度學習模型的產業實踐。2020年5月，飛槳作為百度大腦“AI大生產平臺”的基礎底座，構建“飛槳開源深度學習平臺”和“飛槳企業版”，更精準地服務各類AI模型開發訓練與部署。

其中，飛槳開源深度學習平臺已涵蓋核心框架、基礎模型庫、端到端開發套件與工具組件，為產業、學術、科研創新提供基礎底座。飛槳企業版包括零門檻AI開發平臺EasyDL和全功能AI開發平臺BML，滿足企業快速智能化需求。飛槳全平臺功能與開發流程成熟完善，完全站在使用者角度定義技術迭代。今年3月，飛槳核心框架已正式升級為2.0版本。飛槳生態凝聚了超過265 萬開發者，服務 10萬多家企業，創建超過 34 萬個模型。

權威數據調研機構IDC公布了2020年下半年深度學習框架平臺市場份額報告， 數據顯示，Google、百度、Facebook穩居前三，占據70%以上市場份額。其中，百度占比提升3.38%增速第一，綜合市場份額位列第二。

　　高性能+高效率=萬物皆智能、一切可編程

人類使用工具這事兒可以追溯到史前文明。工具的意義在于輔助勞動，省時省力，這也是飛槳作為工具存在的意義。能被廣泛開發者用起來的工具也才是好工具。要知道，這個時代對于很多人來講，搶時間就是搶市場、搶優勢、搶奪競爭力。以飛槳最新發布的框架2.0正式版為例，更便利高效且通用的AI開發與訓練部署，正方便著各個領域中的企業用AI技術建立自己的智能化領先優勢。

　　具體來看，首先此次升級后，飛槳框架2.0 可支持用戶使用動態圖完成深度學習相關領域全類別的模型算法開發，這標志著飛槳的動態圖功能已經成熟完備。不僅方便開發者隨時查看變量輸入、輸出的動態情況，更有助于調試程序便捷化，減少了憑手感與玄學的“盲調”。同時，飛槳框架 2.0 還做到了模型存儲和加載的接口統一，保證“動轉靜”之后保存的模型文件能夠被純動態圖加載和使用。就像靜態圖像與動態視頻一樣，可以一鍵“高畫質”互相轉換，實際上是方便了使用端的操作。此外，官方支持的動態圖算法數量達到了270+，涵蓋計算機視覺、自然語言處理、語音、推薦等多個領域，并且在動態圖的訓練效率和部署效率方面都有所提升。

人工智能的價值，是通過軟件編程實現虛擬化、靈活、多樣和定制化功能，并最終向各個行業和人群提供專用的智能化、定制化服務。軟件與硬件在深度融合時的核心就是API。AI時代里，API之上一切皆可編程，而API之下，則要求“如無必要不增實體”，所以API絕對是技術對外輸出、以怎樣的方式實現可用的關鍵點。飛槳框架2.0也對自身 API 體系進行了全新升級，包括體系化梳理和簡潔化處理。簡單來說，就是把AI技術對外的輸出“路徑”變得更加好用，更加兼容，方便技術的“一鍵輸出”。

在訓練層面上，飛槳框架2.0在支持萬億規模稀疏參數基礎上，也已實現支持千億規模稠密參數模型訓練。作為“從實踐中來，到實踐中去”的技術，AI的可用性與高效性，必然都是從實踐中獲得的。分布式訓練源自于百度自身的場景需求，可謂是飛槳與生俱來的特性。此外，在飛槳框架2.0 版本中，還新增支持了混合并行模式，即數據并行、模型并行、流水線并行這三種并行模式可以相互組合使用，可更高效地將模型的各網絡層甚至某一層的參數切分到多張 GPU 卡上進行訓練，從而真正支持不同場景下的千億規模稠密參數模型訓練。

　　“領先性”直接轉化為“降本”

飛槳框架2.0推出業內首個“通用異構參數服務器”技術，可使訓練任務對硬件型號不敏感，即可以同時使用不同的硬件混合異構訓練。通過異構參數服務器模式，用戶可以在異構硬件集群中部署分布式訓練任務，目的是對不同算力的芯片高效利用，獲得更高吞吐，更低資源消耗的訓練能力。異構參數服務器擁有非常高的性價比，如下圖所示，僅用兩個CPU機器加兩個GPU機器就可以達到與4個GPU機器相仿的訓練速度，而成本至少可以節約35%。

　　飛槳還著力建起業界最為完備的硬件合作生態。作為一塊“智能革命”的磚，AI必須哪里有需要就往哪里搬。所以如何“搬過去”就很關鍵了。飛槳全面深度適配各種人工智能硬件，除了英特爾、英偉達、ARM等諸多芯片廠商，還有飛騰、海光、鯤鵬、龍芯、申威等 CPU，并結合麒麟、統信、普華操作系統，以及百度昆侖、海光 DCU、寒武紀、比特大陸、瑞芯微、高通、英偉達等 AI 芯片深度融合。此外，還和浪潮、中科曙光等服務器廠商合作形成軟硬一體的全棧AI基礎設施。當前飛槳已經適配和正在適配的芯片或 IP達到 29款。

　　現如今，AI 的大規模落地已經步入快車道，深度學習技術不斷發展，以飛槳為首的國產框架迎來時代機遇。2021 年，基于飛槳的企業級開發工具庫數量越來越多，內容越來越豐富，加入飛槳生態社區的用戶越來越多，它正在成為加速這個時代走向智能化的重要驅動力。可以說， 飛槳“技術賦能萬物”的磅礴力量正在顯現。