華為的人工智慧方法論
“外界一直在傳華為在研發AI晶片，今天我要告訴大家：這是事實！”華為輪值董事長徐直軍如是說。
為期三天的2018華為全聯接大會上，徐直軍用一種別開生面的方式正式公佈了華為的人工智慧戰略，並在三天的會議中圍繞華為“有什麼”、“做什麼”、“怎麼做”的邏輯全面梳理了華為切入人工智慧的思路。
為什麼要做人工智慧，華為的答案很直接：“AI太重要了”。除了一場以AI為核心的全聯接大會，華為在2017年底就為人工智慧改變了集團的使命願景。只是相比於網際網路玩家和創業者，華為人工智慧戰略的出爐似乎晚了一些，卻也不乏謀定而後動的野心。
不同於BAT們的轉型計劃，華為有著一套自己的AI方法論。
逆向思維
早在1956年的時候，達特茅斯會議上就提出了“人工智慧”的說法，並在此後的60年終引爆了兩輪AI熱。但遺憾的是，社會對人工智慧的期望往往超越了ICT產業的實際水平，以至於2016年AI重新熱起來的時候，仍有人憂慮擔心是否會重複前兩次的悲劇。
這種悲觀情緒並非沒有基礎，距離人們想象中的人工智慧仍有很長的路要走，而在人工智慧成為全民話題的同事，又暴露出了一起起“造假”事件，乃至有人感嘆：有多少人工，就有多少智慧。
徐直軍提出了一個有趣的觀點，“我們應充分聚焦人工智慧能解決的問題、聚焦其創造價值的領域，而不是把精力花在人工智慧不能解決的問題或不能創造價值的領域。因為選擇正確的問題比尋找新奇的方案更重要。”
經濟學家們認為，人類發展到今天離不開通用技術，而在維基百科給出的26種通用技術中，人工智慧恰恰是其中之一。然而不少人對通用技術抱有過高的預期，篤定可以在短期內迅速提高生產效率，習慣性的忽視了通用技術普及與生產率增長之間的“滯後效應”。
一個直接的例子：1890-1920的30年間，相繼發明了電動引擎和燈泡，但大多數人並沒有意識到電力作為通用技術的價值，畢竟到了上世紀70年代，工廠裡的蒸汽動力機器才逐漸被電動引擎存在，電動汽車取代內燃機的革命至今還沒有完成。
麻省理工學院的ErikBrynjolfsson教授，嘗試作出下面幾種解釋：
一，通用技術從發展到成熟，再到提高國民經濟生產率增長，會經歷比較長的時間週期；
二，要發揮通用技術的潛力，必須依賴與其相關的創新技術的發展，以組合式創新推動生產率的大幅度提升；
三，通用技術的發展需要極為耗時的額外創新和投資。
華為選擇在人工智慧戰略上不“冒進”，並非沒有道理。大多數人仍在思考人工智慧能否創造價值，亟不可待地尋找新奇的解決方案。如此也決定了行為方式上的不同，其他人先畫一張餅，然後逐漸把餅變成真的。華為的逆向思維考慮的是：當前階段的人工智慧技術能夠解決哪些問題。
見招拆招
華為並不是今天才開始發力AI。
2017年9月的時候，華為釋出了面向企業、政府的人工智慧服務平臺華為雲EI；在今年4月份，華為又釋出了面向智慧終端的人工智慧引擎HiAI；Ascend910和310兩款行業領先的AI晶片，無疑也折射了華為籌謀已久。
這在華為人工智慧的發展節奏中可以看出端倪，先是面向華為內部，持續探索支援內部管理優化和效率提升，然後才是電信運營商、消費者、企業和政府、普惠AI。
華為資深管理顧問黃衛偉在與媒體溝通時講述了任正非對人工智慧戰略的“內訓”：華為AI聚焦內部兩個方向，一是產品智慧化；二是不斷改進內部的管理和效率。華為不做AI大的架構規劃，先單點突破、橫向拉通再建立起產業的平臺，把平臺開放給客戶甚至競爭對手。
先從內部入手，見招拆招式的打法對華為的人工智慧戰略有很大的影響。
比如當前AI開發最大的挑戰是什麼？華為雲BU總裁鄭葉來回答了兩點：“第一，開發效率低，標註、訓練、部署整個過程非常耗時；第二，AI基礎資源尤其是算力稀缺且昂貴。”與之對應的，華為雲釋出的ModelArts開發平臺，涉及了資料標註與準備、模型訓練、模型調優、模型部署等AI開發全流程，和華為內部在AI實踐中的踩坑不無關係。
再比如AI有哪些落地場景？華為戰略Marketing總裁徐文偉有著自己的思考：
場景1是海量重複型場景，比如圖片/影象鑑定，單據稽核等，重複的，目標明確，但是海量任務。AI應用在該類場景的核心價值是提升效率；
場景2是專家經驗型場景；很多行業因為關鍵專家稀缺，比如醫療行業，全國只有不到5000名達標的宮頸癌篩選專家，需要20年才能把全國適齡女性篩查一遍；
場景3是多域協同的場景；比如城市智慧交通系統，現代化製造等等。一個交通訊號燈的控制，與時間、天氣，車道、路網、以及重大活動等等多個維度變數有關，靠人腦顯然無法做出分析和判斷。
由此就不難理解華為為何拿出了全棧全場景AI解決方案，當然也透露著華為的野心。
道法自然
人工智慧還處於初級階段，這個前提的規則就是：技術形態是第一位的，商業形態是第二位的。不管是華為還是其他廠商，目的都很明顯，打造自己的技術生態，不斷提高在AI領域的聲量，吸引更多的開發者，進而構建AI生態圈。
就這個角度出發，華為的全棧全場景AI可以歸納為5個數字：1、2、4、5。
1指的是達芬奇專案。此前就有訊息稱華為內部存在代號為“達芬奇”的人工智慧專案，也終於在華為全聯接大會上浮出水面，不僅僅是晶片本身，還涵蓋了一系列軟硬體結合的解決方案，最終為使用者提供全場景的服務。
2指代兩款人工智慧晶片。晶片是人工智慧的血液，框架是人工智慧的大腦和靈魂，華為哪一個都沒有放過。
4代表了華為全棧AI的四個部分，也是值得展開說明的內容：
一是Ascend (昇騰)AI IP和晶片，皆是基於達芬奇架構。晶片分為5個系列，Max、Lite、Mini、Tiny、Nano，目前已經公佈了昇騰910（max）和昇騰310（mini）；
二是CANN，中文翻譯為神經網路定製的計算架構，是高度自動化的運算元開發工具，可以3倍提升開發效率，也兼顧運算元效能；
三是MindSpore框架，友好地將訓練和推理統一起來，並全面適應端、邊、雲等全場景。這是與各類已有框架，比如谷歌的TensorFlow、百度的PaddlePaddle、Facebook的PyTorch、亞馬遜的MXNet等的最大不同；
四是應用使能，是一個機器學習PaaS (平臺即服務) ，包括由ModleArts服務提供全流程服務，分層分級API，以及預整合方案。用於滿足不同開發者的不同需求，促進AI的應用。
5有兩種解釋，包括消費終端、公有云、私有云、邊緣計算、IoT行業終端 5大類場景，也指華為AI戰略的五個方面，投資基礎研究、打造全棧方案、投資開放生態和人才培養、解決方案增強、內部效率提升等。
可以看到，華為人工智慧全棧戰略的縱向戰線佈局很深。原因在於，人工智慧的應用才剛剛開始，開發者面臨著這樣和那樣的痛點，抓住生態鏈的每一個環節，讓使用者和開發者留在自己的生態圈內，畢竟沒有縱深，沒有粘性，就沒有壁壘。
而在橫向戰線上，當縱向框架完善後，便可以適用這樣的乘數效應：收益=深度x廣度。華為的人工智慧戰略覆蓋了全場景，既是內部應用的經驗總結，也順應了華為本身在端（手機、IoT等）和雲方面的佈局。可以說是道法自然，水到渠成。
當然，除了技術和應用上的生態，華為一直在倡導“普惠AI”的概念，不斷降低通用技術的應用門檻，並宣佈將投入10億元用於AI人才培養，計劃三年培養100萬開發者。一整套的組合拳背後，生態圈開始漸自成型。
