斑馬技術:以人工智能去中心化為前進方向

當今中國市場，企業和創新主體均對新技術始終保持高熱情，AI技術正向社會各領域加速滲透。據IDC預計，中國人工智能市場規模到2026年將超過264.4億美元。而從全球范圍來看，去年6月，Meta發布關于實行“去中心化組織結構”的人工智能（AI） 戰略轉型公告，指出將采取一種新的方式來開展和管理AI工作，即將原本的中央式AI 團隊轉變為更緊密整合到各個產品組中的去中心化 AI 團隊，同時專注于前沿研究。科技界巨頭的這一舉動印證了Bernard Marr等未來學家所注意到的一大趨勢：AI的專業性以及通過AI獲益的途徑正在變得民主化。得益于諸多工具（如谷歌的Vertex AI 和低代碼/無代碼平臺），AI正從核心的專業領域轉向業務前線。

以“去中心化”應對專業勞動力短缺

如今的企業要利用AI取得真正的成功，一個顯著的挑戰在于如何在現有工具和創建AI應用所需的技能之間取得平衡。有些供應商專注于某些功能，為特定領域的AI工程師和研究人員提供工具。

AI研究的專業工具用例有很多（例如用于跨團隊共享實驗的Weights & Biases以及幫助研究人員實現GPU 編排的Run: AI），而創建和生成應用程序所需的高水平AI工程師和研究人員有限，難以跟上市場需求的發展。因此，如果說一方面我們看到了AI的去中心化，那么另一方面我們也看到了AI專家亟需新的工具幫助他們更快速地開展更多工作。

當前的勞動力市場缺乏足夠的工程師正是工具得以發展的一大主要推動力。如果再細化到對有經驗的AI工程師和研究人員的需求，這一勞動力短缺的問題則更為普遍，而當前科技公司的裁員潮可能會導致原本就稀缺的AI人才進一步流失。

隨著業界對AI技能需求的持續增長，各企業爭相成為其所在領域的“主導者”，力求通過“AI去中心化”實現AI應用的開發，并部署到數以百萬計的邊緣設備（AIoT）。企業也愈發重視創建一個可在任何地方（云、本地、邊緣或混合部署）進行AI數據處理的環境，例如NVIDIA的 Launchpad和微軟的 Azure IoT Hub。

為了同時滿足AI專家和非專家的需求，供應商致力于提供完整的端到端的低代碼/無代碼和專業AI平臺。因為通用AI模型無法發揮最大成效，因此開發人員也需要與其專業水平和業務領域相匹配的工具，就像員工和團隊需要具備符合行業所需的專業能力一樣。

如此一來，企業就能更多地專注于提升自身附加值，并讓專業的終端用戶能夠騰出時間開展AI研究等工作，讓一線員工承擔更高價值的任務。優秀的AI不僅能夠提高人類的知識水平，還能使用戶能夠集中時間和精力專注于關鍵的工作和決策。

全新的現成AI工具讓專業及非專業群體共同受益

簡單的拖拽式低代碼/無代碼AI平臺是大勢所趨，讓經驗豐富的AI專家和非專業人士能夠以不同的方式受益于這一趨勢，當下也有這種平臺可以同時服務于不同群體。

對于專業人士來說，一些平臺提供了適合其專業水平的現成空間和經過測試的模型，同時也為他們提供了發揮空間，讓他們能夠在非專業人員無法駕馭的環境中進行按需構建、測試和調整。對于非AI工程師來說，圖形拖拽式軟件使其不需要耗費大量時間學習代碼就能夠創建解決方案。

斑馬技術提供機器視覺和深度學習軟件平臺，可以簡化生產、倉儲和運輸環境中質量檢測應用的部署，同時也為經驗豐富的程序員和數據科學家提供了創造自己的工作成果的空間。讓有經驗的專家和非專業人士都能更便利、更直觀地獲取AI資源，企業可以顯著優化整體運營流程中的分析和決策流程，并通過AI和其他技術及勞動力投資來實現高投資回報。

初創企業和大型企業面臨的機遇和挑戰

在未來 3-5 年內，隨著無服務器功能和容器部署等基礎設施模塊的構建逐漸成熟并成為主流，AI應用程序開發和部署將越來越普遍。與此同時，收集訓練AI模型所需的獨特數據集以及利用自身領域的經驗來解決新用例需求的企業將具備顯著優勢，因其無需從頭開始構建應用程序，也不需要那么多AI工程師和研究人員。

需要注意的是，這一發展對不同規模的企業意味著不同的機遇和挑戰。隨著AI的成本和所需技能水平的降低，進入市場的成本也會隨之降低，因此初創企業會以更快的速度進入市場，甚至以其解決方案顛覆市場；而另一方面，更大、更成熟的企業仍會擁有更多的人力和更多的資源。

未來，這些專業的AI工具也有可能被更大的企業收購以加速其自身平臺的發展。業界也許會出現幾個主導的企業，它們擁有低代碼/無代碼專業現成解決方案，這些解決方案成本較低，并且以大批量部署為前提。

無論如何，企業領導層和數據科學團隊負責人都需要立即采取行動，以了解如何利用自身的數據和業務領域的經驗，推動面向客戶的產品向前發展，否則將面臨落后的風險。