未来属于提出问题的人

软件工程思想家杰拉尔德·温伯格曾经给「问题」下了个定义：问题，就是理想状态和现实状态之间的差别。

我们的工作，就是应对问题的挑战。问题可能是「我想要产品检测更准确」，「我想要快速完成重复的任务」， 或者，「我想要沙漠变成绿洲」。

「我想要沙漠变成绿洲」这个问题，是高鸿志提出来的。他是个大学生，来自甘肃省古浪县。在这个紧贴腾格里沙漠的县，有几位被称为「治沙六老汉」的固执老农，用 38 年造林 21.7 万亩，在风沙中一寸寸夺回耕地，保护农田。

「治沙六老汉」三代治沙人合影 | 图片来源：视觉中国

高鸿志也想做同样的事。不过作为自动化专业的学生，他想换一种方法。他和朋友们开发出栽种和养护树苗的智能机器人，这些小家伙能在复杂沙漠地形中，找到合适的地方栽下树苗；在巡视林地时能识别树苗根部，精准浇水和施肥。

成为时代楷模的「治沙六老汉」凭借毅力和人定胜天的信念，靠双手阻住了风沙的脚步；在人工智能（AI, Artificial Intelligence）的帮助下，高鸿志找到了解决问题的新方法，让新时代的治沙人，有了新的眼睛和新的手脚。

那么，AI 是怎么帮人解决问题的？

AI 是计算机科学的分支，它尝试让机器去做到那些传统上只有人能做到的事情——听起来很简单，但是要实现却很困难。自上世纪五十年代 AI 的概念提出以来，这个蕴含希望的领域让人们激动了两次，又失望了两次。直到 2006 年，多伦多大学的杰弗里·辛顿教授提出一种基于多层人工神经网络的机器学习方法，AI 才迎来了第三次发展浪潮。

人工神经网络模仿了神经元相互传递信号的方式，它会在训练数据的帮助下逐渐学习，做出的判断越来越准确。而多层神经网络，是在数据输入层和结果输出层之间，夹着更多 「隐藏层」的神经网络。各层中的神经元彼此相连，构成类似大脑皮层的复杂结构。

这种让多层神经网络从训练数据中学习的方法，就是大名鼎鼎的「深度学习」。它是目前最受重视的机器学习方法，也是近年来 AI 迅速发展的基础。无论是打败李世石的 AlphaGo， 还是能听懂我们说话的小度音箱，都是基于深度学习技术；处理人类的自然语言、看到和识别物体、转换不同数据形式，都是深度学习技术能够分担人类工作的领域。

简单人工神经网络和深度人工神经网络

在这项技术发展的早期，往往是研究者自己编写神经网络，经由数据训练，转化成能解决问题的深度学习模型。很快地，人们把构建深度学习模型的几个必要过程提炼出来，形成稳定通用的组合，构成「深度学习框架」。它们隐藏了复杂的底层工作，大幅降低深度学习的使用门槛。因其重要，框架被称为「智能时代的操作系统」，成为大多数 AI 用户的入口。

许多 IT 企业都以开放源代码的方式发布了自己的深度学习框架，希望能将 AI 引入更多行业中。在世界上，谷歌的 TensorFlow，Meta（原脸书）的 PyTorch , 百度的飞桨 PaddlePaddle，亚马逊的 MXNet 都拥有大量用户，吸引了大批开发者和研究者；2020 年以来，国内又相继出现了旷视 MegEngine、清华大学 Jittor、华为 MindSpore、一流科技 OneFlow 等等一批开源深度学习软件框架。

但是，并不是所有的框架，都适合所有企业和场景。

网易云音乐就碰到了独特的问题。作为规模巨大的音乐社区，网易云音乐希望能向用户推荐合口味的音乐、歌单甚至直播。但是它的数据很特别：类型多，规模大，动态程度高。网易云音乐的数据类型从声音、数据条目直到文本都有，9,000 万首歌，28 亿个歌单，还有 2 亿活跃用户每天产生的海量评论和互动，数据关系高达千亿级别以上。

经过连番测评，大多数框架都败下阵来。最终，网易云音乐以「飞桨图学习」（PGL, Paddle Graph Learning） 组件为基础升级了推荐系统，提升了冷门歌曲分发、云村广场、陌生人一起听等等业务场景的效率，最高甚至提升了近一倍。

百度飞桨是目前国内最受欢迎的开源深度学习框架，综合市场份额第一。但是，飞桨想做的并不仅仅是框架。它的目标是成为 AI 时代的基础设施，让 AI 能力成为即需即用的资源，像电，像自来水，像移动互联网。

只有 AI 能力灵活可用且随时可得时，它才能真正发挥作用，真正帮助各行各业跨入 AI 时代。那些在行业中真正实践的人，那些面对真正问题的人提出需求、定义问题，AI 就能以强大的能力，帮助他们解决。

在互联网高速发展的时代，IT 企业中都会有产品经理，他们是发现需求、定义问题，再组织资源去解决问题的人。好的产品经理可遇不可求。今天，在 AI 的帮助下，产品经理更需要的是懂得如何运用前沿的 AI 技术，更好更容易地解决问题。

时代变了，关键在于能不能提出好问题。

世界是由提出问题的人推动的。提出一个好问题，往往比找到答案更重要。当莱特兄弟不再模仿鸟类飞行，而开始研究空气动力学的时候，人类才真正能飞翔。

那么，有 AI 的未来会是怎样的？

百度飞桨认为，AI 应该帮助各行各业提升能力，更便捷地解决问题。AI 能力应该像大工业生产那样标准化、模块化、自动化，让任何人都能容易地学习和使用。

这也是目前 AI 平台面临的普遍问题。正如亨利·福特所说，「如果我去问人们想要什么，他们会说想要更快的马。」技术的发展往往先于大众认知，有问题的人们未必意识到 AI 可以帮助他们解决问题；AI 技术的门槛还是偏高，人们未必会容易学会使用 AI 来解决问题。

飞桨想要解决这些问题，成为智能时代的增长引擎。从 2016 年开放源代码以来，飞桨一直致力于与开发者社区、与各种行业和企业合作，提供针对行业独特需求的 AI 能力，优化与硬件的适配，以及降低学习和使用门槛。

北京大兴区长子营镇有一座植物工厂，厂长李开一个人最多可以照看 100 亩地——是过去的 5 倍。提供助力的，依然是 AI：计算机视觉组件不仅会自动识别蔬菜是否健康、能否采收，还能及时发现害虫。搭建这样的系统也并不困难：飞桨提供了 EasyDL 零门槛 AI 开发平台 ，将构建深度学习模型的过程转变成搭积木般的活动。

这是相对简单的 AI 能力。在其他内容更繁杂、上下游更多样的行业，飞桨使用另一种策略：开发预训练大模型，并针对任务和行业优化，形成基础能力、任务能力、行业能力的组合。

提高 AI 的「智力」，关键在于算法、数据和算力。解决问题能力强的深度神经网络，需要大量数据和强大计算能力的支撑。神经网络会通过学习训练数据，在内部为一些变量赋值，这些变量被称作「模型参数」，是深度学习模型解决问题能力的关键。而预训练大模型，就是参数很多的、用大量数据预先训练好的深度学习模型，可以帮用户降低创建和训练 AI 模型的成本。

更强的计算能力，更多的数据，这是「大力出奇迹」的思路，往往有效。从 2019 年到 2021 年，模型参数的数量每年都增加一个数量级：微软的 T-NLG 有 170 亿参数， OpenAI 的 GPT-3 有 1,750 亿个参数，谷歌的 Switch Transformer 的参数更是达到了 16,000 亿。

大模型参数数量的迅速攀升

同样迅速猛增的，是大模型的训练成本。GPT-3 使用了 285,000 个 CPU 核心，10,000 个 GPU, 以每秒 400Gb 的高速网络连接 GPU 服务器；这样的配置，足以在全球超级计算机排行榜前五中占据一席。在超大算力的需求下，GPT-3 训练一次就要用掉 19 万度电，花掉 460 万美元。

这样的发展是不可持续的。虽然大模型通用性强，但提升效果所需的成本增加得更快。而且，通用性强并不意味着在具体问题上表现更好。

用户以为自己想要更快的马，但是他们真正想要的是更快、更安全、更方便的交通工具；用户使用某种工具，是为了解决某个问题。市场营销大师西奥多·莱维特曾说：「用户不想要四分之一英寸的钻头。他们想要的是个四分之一英寸的洞。」

AI 大模型要与应用场景匹配，才能更好地解决问题。所以，飞桨文心大模型将能力分了类。基础大模型沉淀知识与认知推理能力，任务大模型为特定任务优化，行业大模型再叠加行业特有的数据和知识，来让 AI 获得更好的认知，帮助人们做出更好的决策。在 5 月 20 日的 Wave Summit 2022 深度学习开发者峰会上，飞桨文心大模型一口气发布了十个大模型，涉及多种专项任务，以及能源电力和金融两个垂直行业。

与行业合作，让能源电力和金融领域的任务提升效果，意味着强大的 AI 能力开始帮助人们解决重要问题了。

但是这还不够。工具要易学易用，才能广泛使用；飞桨文心大模型还配套了开发套件、API 以及内置了文心大模型能力的 EasyDL 和 BML 开发平台，努力降低使用门槛，争取让人人都可以成为 AI 开发者。开放良好的生态，才能带来更多创造，文心大模型共创共享飞桨生态，推出大模型创意和探索社区旸谷；飞桨平台已经凝聚 477 万开发者，服务 18 万个企事业单位，创建 56 万个解决问题的 AI 模型。依托飞桨这个平台，百度协同产学研培养了超过 200 万 AI 人才。

飞桨的目标很明确：让更多人意识到，AI 可以帮助人们解决问题；让更多人知道，如何使用 AI 来解决问题。

毕竟，世界是以问题来组织的。世界不在乎学科门类，只是向人们抛出挑战。

未来正在变得越来越快，越来越不确定。适者生存，未来属于能敏锐地发现问题、提出问题的人。

然后，他们将和 AI 一起，面对世界的挑战。

提出问题的人，将不仅是政治家、商业领袖或学者；他们可能是创业者，小团队，行业专家，以及任何想把世界变得更好的人。