数据及平台驱动的AI创新 微软智能云和智能边缘

崔宏禹

随着智能设备的发展，预计在2020年，全球的物联网设备所产生的数据将达到20B。那么这些设备所产生的数据应当如何处理？这是一个非常棘手的问题。

微软的世界观将我们的智能云平台的某些能力，延伸到边缘设备中，形成我们所倡导的智能云业务。因为如果将所有数据处理都放到云端，那么云端的计算将无法承受。所以我们尽可能将云端的计算能力与人工智能迁移到边缘。

我们将这一观点分为三个层面：第一，AI开发者。针对AI开发者我们运用的方法非常简单，只需要开发者运用人工智能和数据背后的能力即可。第二，AI数据科学家。目前每个企业都存储了大量数据，而数据科学家掌握数据算法，所以我们将数据科学家所掌握的算法，运用到我们的数据中。第三，AI公司。目前，运用深度学习技术的成本较高，所以我们建立了基于数据的开源平台，来深入到某些特定的行业中，来解决成本问题。

如何打造云计算的智能平台？我们将其分为三个阶段：第一，认知；第二，开放的机器学习与深度学习平台；第三，边缘计算。

在第一个部分，我们把与认知相关的服务开放出来，包括人脸识别、情绪识别、年龄识别等，我们在三年前就已经将认知服务开放出来并形成认知图谱，如今该图谱已积累了100万个使用者。

如果有些服务无法满足用户需求，那么客户可以自行制定机器所需要学习的场景，包括图片、视频、语音、CV等。此外，该图谱的所有能力，都可以部署到公有云与私有云平台，以及移动和物联网设备中。

什么是对话式人工智能？当语音数据产生时，我们可能会利用知识图谱或者人机对话以及工具等方式将其展现。

为什么我们会强调对话式人工智能服务？因为我们想赋予机器与人交流的能力。怎么样构建简单的对话式人工智能服务？我们在两年前开发了Bot Services，目前全球有30万开发者在使用该项技术。

Bot Services具备规划、部署和体验以及端到端的能力。现今要打造机器人客服，可直接使用知识图谱和人机交互技术，便可以迅速构建。

介绍一下我们的Azure平臺，微软如何构建机器学习和深度学习？

第一，最佳数据资产。目前，微软已经将自己用来进行机器训练的数据，全部贡献出来与大家共享，用户可以直接将这些数据下载后加以利用。

第二，我们提供大量的工具链。人们在运用机器学习时，需要分析数据背后的规律，而寻找数据规律最重要的环节就是算法，算法的编写十分困难，而且开发该项技术的人工成本也相对较高，所以我们就要降低人工使用机器学习算法的难度。

我们的平台是一个开放的平台，所以解决这一问题我们运用了托拉拽的方式来实现机器学习，包括参数调整、算法选择和训练集与教练集的分类等。

第三，最优算法。什么是最优算法？因为在大多数机器学习算法中，在开源的算法社区里，总会找到适合的场景算法。而在我们的平台中，微软的工程师已经将业界最优的算法放置在平台中，用户可以自行选择是否使用该算法。通过拖拉拽的方式实现机器学习过程后，便可以实现分布式部署，最终形成规律和算法。

为什么我们要在开源中开放数据？微软已经将业界最新型的深度学习算法整合到我们的平台中，并建立了开放的人工智能模型，可提高微软云计算平台的计算能力。

通过计算，用户可以将算法部署到任何想部署的环节当中。同时我们也提供高效的算力平台，该平台可以解决GPU的硬件设备算法和GPU的调度问题，并提供完整的端到端的解决方案。

我说过不能将所有工作放到平台的后端，因为大量数据处理需要在后端完成，在数据处理后就需要将它们迁移到前移的边缘设备中。微软有一个IoT Hub平台，在这个系统中所有操作系统的传感器全部是开源的。该系统可以通过我们最典型的安全协议，每秒可向云端上传1000万的数据量。

目前有很多汽车企业与共享单车企业，都在利用IoT Hub快速收集数据的能力。比如当一辆共享单车要解锁时，如果没有网络，用户的解锁请求就无法传递到后端。但当我们把云端的处理能力迁移到设备端时，共享单车就可以不需要网络进行解锁。

IoT Hub也是一个开源的平台，用户可以把程序运行放入在设备端，并在后台进行训练。无论是人脸识别模型、声音识别模型，还是设备开关的处理能力，都可以在这个平台中进行使用。

从最简单的AI能力，一直到机器学习和深度学习平台以及边缘设备上的智能能力，就形成了微软的云平台，与此同时，微软也希望与更多的合作伙伴进行合作，共同扩展云与人工智能的能力。

（根据演讲内容整理，未经本人审核）