才云：在礦井水壩中落地人工智能

趙艷秋

人工智能一定要定制化才能落地。

一條條裝載著烏黑閃亮煤塊的傳送帶從井底向井上不停運轉。在悠長、復雜的傳輸中，不時會突發危險事件——作業礦工意外跌入傳送帶，引發危及生命的事故；異物掉落在傳送帶上，將昂貴的傳輸帶卡住、撐斷……

煤礦管理人員特別需要實時、智能化的監控系統，幫助他們及時發現安全隱患，并快速響應。現在，基于人工智能的監控方案，能快速識別出傳送帶上的“非法入侵物”，及時將報警圖片發送給指揮系統，管理者或系統會立即叫停傳送帶。

在礦井的井上和井下，還有許多類似的“安全禁地”。現在，安全監控智能系統正被快速復制到各個場景下，對安全事件進行識別、預警和響應。

不僅是煤礦，在很多工業企業都有著靠人工很難解決的問題。像水電站，當蓄水池水位達到一定高度時就需要及時開閘泄洪。不久前，一家水電站因為泄洪不及時，讓下游兩個村莊遭受水災。這家水電站的管理者很頭疼——怎樣才能對100多米高的水壩中的水位進行準確預測，制定合適的泄洪時間表？

現在，基于人工智能的預測系統，通過學習過去10年甚至更長時間的龐大歷史數據，包括水壩水位、降雨量、地表干燥度、氣候變化等，來預測未來一段時間內的水位情況，精度可達厘米級，并給出恰當的泄洪時間點。

“人工智能、深度學習正在幫助我們解決靠人工很難突破的復雜場景問題和需求。” 才云首席方案架構師杜寧說。才云科技（Caicloud ）已為上述工業企業提供基于人工智能的解決方案。

人人都能用的谷歌開源技術

才云科技是一家創業公司，成立于2015年，幾位創始人來自谷歌和亞馬遜。在他們中間，CEO張鑫是原谷歌集群管理組核心成員，曾管理谷歌世界級的數據中心和龐大的服務器集群；CTO鄧徳源是容器技術K8開源代碼項目全球前十的代碼貢獻者；首席大數據科學家鄭澤宇基于谷歌內部深度學習系統，提出產品聚類項目，用于銜接谷歌購物和谷歌知識圖譜（Knowledge Graph）數據，開啟在谷歌搜索頁面投放谷歌購物廣告的業務。

“創辦才云很大的契機是當時Kubernetes技術開源。”鄭澤宇說。Kubernetes是谷歌集群管理系統的開源版，幾個月后，谷歌又將其深度學習框架TensorFlow開源。這些開源技術能從底到上把云計算和大數據很好地融合。而才云的年輕人希望把谷歌技術分享給更多外部行業企業，讓大家享受到技術福祉。

那么，才云怎樣提供有價值的服務呢？ 它希望提供從底到上的整體解決方案——這更有助于大數據、人工智能技術落地。

原來，Kubernetes開源版本僅提供核心技術——就像一個新鮮椰子，如果你沒有工具，是喝不到殼中的椰汁的。于是，才云根據每家企業現有的硬件環境，把Kubernetes需要的計算、網絡和存儲資源對接好。之后，因為Kubernetes只能管理一個集群，才云為企業搭建“集群聯邦”，實現企業多個環境，如開發環境、測試環境、不同子公司的一體化管理。這些服務幫助企業將Kubernetes容器技術落地。

再之后，在基礎設施之上，TensorFlow落地需要的工作就更重要了。TensorFlow只是一個非常核心的工具包，它在生產環境中的穩定性，它的調度、監控、用戶管理都還不完善。企業需要一個對TensorFlow設計理念有深入了解的團隊，幫他們在生產環境中去落地。才云就提供這樣的落地服務。

深度學習像當年的Hadoop

為什么深度學習生態還不完善，這是因為深度學習在全球都還是新興技術。“現在的TensorFlow，有點類似于2008年的Hadoop，是一個突破性技術，但需要付出學習成本。”鄭澤宇說。

為了幫助大家去熟悉TensorFlow，鄭澤宇出版了第一部TensorFlow中文書，并與國內高校，如他的母校北大和一些培訓機構合作推廣TensorFlow。

除了谷歌的TensorFlow，大企業相繼對自身的深度學習框架開源，包括亞馬遜MXNet、Facebook的Torch以及百度的PaddlePaddle，目的是競爭標準，瓜分火熱的深度學習市場。

“我們選擇TensorFlow很重要的原因，是底層環境的Kubernetes和上面的TensorFlow源自谷歌，因此它們也最融合。還有一個重要原因是TensorFlow在國內呼聲最高，用戶最廣。”鄭澤宇說，“你從出書的情況也能看出幾分，TensorFlow有5本中文書，Caffe有一本，MXNet我還沒看到。”

據悉，谷歌已有上萬個項目應用TensorFlow。而在圖像、機器人領域應用較多的Caffe，廣度上不如TensorFlow。TensorFlow的積累從2011年就開始了，比其它深度學習平臺要早幾年。

人工智能落地要定制化

目前，國內外大企業如谷歌、亞馬遜、阿里云都在提供現成的AI產品，才云這類企業提供的開源AI落地服務還有價值嗎？

“大企業提供的AI針對的是非常通用的場景。”鄭澤宇說。如果企業的需求能歸納成通用需求，如要用OCR（光學字符識別）識別紙上的文字，可以使用通用AI服務。但對于大部分具體行業中的具體場景，如在昏暗的礦井下識別異物，通用AI是肯定解決不了問題的。

“這就牽扯一個問題，為什么人工智能出來這么久，但落地不是特別好？這是因為人工智能是一種對定制化要求非常高的技術。”鄭澤宇說，“至少在三五年內，在絕大部分場景下，通用人工智能提供不了幫助。人工智能一定要定制化才能落地。”

這就需要一批提供人工智能服務的企業，提供貼合企業場景的方案，把“智能”落地到業務中去——

他們要結合企業原有系統，構建從底層基礎設施到上層人工智能算法的整套解決方案。這個過程要考慮與原有系統的兼容性，并與原有系統打通。

他們要針對特定行業和場景，如煤礦監控采集數據，訓練模型算法。并且還要通過深度學習，加速人工智能方案在不同場景下的遷移，降低成本。

鄭澤宇解釋說，在深度學習技術出來前，人工智能應用的場景非常專，遷移很難，甚至不大可能。有了深度學習，之前AI系統學習到的技能，可以成為新技能的基礎。就像人們學會了普通話，再學一門方言要快得多一樣，現在，才云人工智能技術處理一個新場景的時間是原來的1/4到1/8，在1個星期到1個月之間，這更有利于人工智能落地。

聊出來的需求

除了要解決技術落地的挑戰，鄭澤宇他們遇到的另一個挑戰是找到企業可能的需求。“因為做技術比較久，怎么把技術與企業的痛點做一個結合是件困難的事”。這也是他回國后做得最多的一件事。

鄭澤宇發現，國內傳統企業思想很開放，“都在向技術型企業轉型”。他們會關注最新技術，希望利用新技術來解決他們的問題。一旦技術被證明能幫助他們解決問題，對他們的吸引力就很大。

“我現在的方法就是與搞業務的人多聊，了解他們最煩惱、最不方便的事，到處多看，這就是找需求的秘籍。” 鄭澤宇說。

現在，才云團隊正與一家火電廠探索節能降耗的解決方案。在谷歌，通過人工智能技術，監控調節數據中心制冷設備的運行參數，一年就能節省6000萬美元。這樣的應用理念正被搬到國內。

在這家火電廠，排煙溫度每降低1度，就能節省1000多萬元成本。如何降低排煙溫度問題，靠人的經驗很難解決。“我們利用深度學習，分析當發電機組的哪些閥門和傳感器進行調整，可以把溫度降下來。”杜寧說，目前項目正在進展中。