鱼羊 发自 凹非寺
量子位 报道 | 公众号 QbitAI

今年的华为，着实遭遇了不小的困难。

尤其是供应链，包括芯片方面的打击，让华为轮值董事长郭平坦承“的确对华为的生产、运营带来了很大困难”。

但命运跌宕之下，华为却仍在全联接的现场，传递出信心：

“永远面向阳光，阴影就会被你甩在身后。”

华为也用具体业务的成绩、未来的投入，来证明这种信心并不仅仅是喊口号。

以华为云为例，郭平表示，云是释放算力的最佳平台，是智能世界的数字底座。而经过3年的持续努力，华为云目前已经在全球拥有23个区域中心，服务150万开发者。

而更能直接说明“未来”的，是在产品上的持续投入。

具体如何，从2020华为全联接大会压轴推出的ModelArts 3.0上，就可见端倪。

话不多说，一起来看。

ModelArts作为华为云AI开发平台集大成之作，可以提供包括数据标注准备、模型训练、模型调优、模型部署等AI应用开发服务。

在2018年推出之后不久，就刷榜斯坦福DAWNBenchmark。在图像识别（ResNet50-on-ImageNet，93%以上精度）的总训练时间上，以10分28秒的成绩，比第二名提速近44%，拿下当时的全球第一。

而在经过去年2.0版本的迭代之后，华为云ModelArts就已经进化成为甚至可以0代码完成模型训练、一键部署的全流程极简、专业的一站式AI开发管理平台。

那么今年，ModelArts 3.0还能有怎样的新突破？

在全联接现场，华为云人工智能领域首席科学家、IEEE Fellow田奇揭晓了答案。

田奇介绍，ModelArts 3.0作为面向AI在行业落地提供的AI开发平台，针对“如何用极少数据训练出高精度模型”、“如何降低企业应用AI门槛”、“如何解决企业对数据安全使用的顾虑”等等问题进行了探索和研究，并为此带来了四大全新特性。

现在，自动机器学习、小样本学习、联邦学习、预训练模型等等华为云长久以来积累的AI能力，都能够即插即用地部署于ModelArts平台，助力AI落地。

首先，是通用预训练模型架构EI-Backbone的全新发布。

其目的是打造预训练模型+小样本微调的高效训练模式，全面提升行业AI落地能力和体验。

也就是说，EI-Backbone会通过提供通用预训练模型和行业定制化开发流程，使得成型的开发经验能够做到规模化复制，降低AI的使用门槛。

如果以NLP领域的预训练模型为标杆，那么EI-Backbone的长远目标，就是打造CV领域的BERT。

BERT之所以被称为「NLP新时代的开端」，不仅仅是因为诞生之初，就刷榜各大NLP榜单。更是因为，基于BERT预训练模型，只需要简单的迁移策略，就能让NLP模型在下游任务中获得良好的性能。

这无疑大大推动了自然语言处理领域的研究发展。

而EI-Backbone就致力于为CV领域的开发者复刻BERT的体验。

以医疗影像分割为例，过去需要成百上千例标注数据才能进行的训练，在EI-Backbone的加持下，只需要几十例甚至十几例标注数据即可完成，节省标注成本90%以上。

田奇介绍，过去需要大量专家经验和试错成本的模型选择和超参调节，通过EI-Backbone提供的全空间网络架构搜索和自动超参优化技术，都可以在无需人工干预的情况下快速完成，且大幅提升精度。

结合华为云的计算资源调配和数据管理，模型训练、测试、验收、部署的开发全流程，在加载EI-Backbone集成的预训练模型后，可以缩短到几小时甚至几分钟内完成，训练成本降低90%以上。

目前，EI-Backbone已经在10余个行业有了成功的案例验证，并且斩获10余个业界挑战赛冠军。围绕EI-Backbone，华为云也已经发表了100余篇相关论文。

相关模型架构会逐步开源。

第二个新特性，是ModelArts 3.0加入了联邦学习特性。

数据无疑是AI应用的基础，只有基于多样化的数据，才能实现AI智能感知。

但在实际的AI落地中，往往存在这样的问题：数据分散在不同的数据控制者之间，受限于隐私、安全等问题，这些数据并没有办法轻易打通，而是形成了一个个「数据孤岛」。

这就使得落地到实际产业中的AI算法训练效果受到了限制。

针对这个问题，华为云ModelArts提供联邦学习特性，用户各自利用本地数据训练，不交换数据本身，只用加密方式交换更新的模型参数，就能实现联合建模。

对于AI开发而言，有丰富数据作为基础，完成模型训练，并不意味着大功告成。

模型性能的评估和调优同样是一项重要，且对开发者自身经验要求很高的工作。

而ModelArts 3.0在这一环节中提供的特性，是AI智能评估。

其模型评估功能，是在得到首次训练的模型之后，将模型推理结果、原始图像和真实标签送入模型评估模块中。

这个模块会从数据、模型两个方面对模型的综合能力进行评估，评估指标包括精度、性能、可信度和可解释性：

在性能方面，ModelArts 3.0能提供算子级别的时间、空间消耗统计分析和多种整体的性能指标，并且针对模型的表现给出相应建议，如模型量化、蒸馏等；

在可解释性方面，ModelArts 3.0能提供热力图，用以展示模型做出推理判断所依据的区域；

在可信方面，ModelArts内置多种模型可信相关评测方法，能提供多角度模型安全能力评估指标，并依据当前模型表现给出相应的防御建议。

最终，评估模块会针对可能存在的问题输出一些改进模型能力的诊断建议。

也就是说，Debug这样繁重的工作，ModelArts 3.0也能给它自动化了，并且还是对数据到模型训练整体过程的全面评估。

除了自动化开发方面的能力，作为一站式AI平台云服务，ModelArts当然也提供了算力支持。

并且，为了更好地支持超大算力需求的AI研发，华为ModelArts平台在集群规模，任务数量，以及分布式训练都做了针对性的优化。

不仅能够管理上万的节点，更好的支持大型训练任务需求。通过优化服务框架，ModelArts平台还能支持10万级别的作业同时运行、支持万级芯片的大规模分布式任务。

并且，为了帮助企业在AI落地过程中进一步降本增效，ModelArts 3.0还具备弹性训练这一核心能力。

也就是说，可以根据模型训练速度的要求，自适应匹配最佳资源数。

具体在产品上，ModelArts提供两种模式。

一是Turbo模式，可以充分利用空闲资源加速已有训练作业，在大多数典型场景下加速效率大于80%，训练速度提升10倍，并且不会影响模型收敛精度。

二是Economic模式，可以通过最大化资源利用率，给开发者提供极致的性价比，在大多数典型场景下可以提升性价比30%以上。

所以，ModelArts现如今的能力，应该如何评估？

不妨直接用数据说话。

ModelArts平台支持10万级别的企业任务同时运行，支持10万级别的用户规模同时使用。

而实现大规模集群分布式训练的关键能力，要看分布式加速比。

在MLPerf benchmart上的测试结果显示，在512芯片的集群规模下，华为云ModelArts成绩为93.6秒，优于英伟达V100的120秒。

MLPerf benchmart是学术界、产业界合作打造的一个通用基准，用于衡量机器学习硬件、软件和服务的训练、推理性能。

纸面上的数据，还只是一部分。

实际上，在能源、汽车、政务系统、教育、工业机器人等10余个行业中，华为云ModelArts已经实现了160+个落地案例。

比如在下面这只国产机器狗身上，就有ModelArts赋予的AI能力。

这只机器狗名叫“绝影”，由杭州云深处科技有限公司出品。