萬萬沒想到，我和小伙伴們被曠廠拿去「煉丹」了。

沒錯，就是這個煉丹爐！

站在爐子中央，各種算法代碼眼前飛閃，讓我體驗了一把時空穿梭的快樂。

OMG！真·顱內高潮...

業界認為「煉丹」過程正如算法研究過程。

眾所周知，AI的三大支柱分別是數據、算法、算力。

那么在煉丹過程中，數據便是金木水火土等自然元素，算法框架是用來煉丹的爐子，算力就是煉丹爐下的三昧真火。

元素全不全，爐子好不好，火旺不旺決定了AI開發者能不能練出一顆AI的「靈丹妙藥」。

從2014年至今，中國新一代煉丹宗師曠視經過多年的磨練打磨，打造了「煉丹房」—— Brain++。

MegEngine（深度學習框架天元）是丹爐，MegData（數據管理平臺）是元素，MegCompute（深度學習云計算平臺）便是那三昧真火。

這次，「煉丹房」 Brain++ 迎來了全新升級！

升級后的煉丹房，「自動」成為最大特色，煉丹師們不再需要經過九九八十一天這么漫長的時間來煉制丹藥。

這個平臺提供了怎樣的最新功能，讓AI開發者們更輕便地生產算法？

Brain++「神助攻」：一個「旗幟檢測」算法誕生

熟悉曠視的人都應該知道，Brain++ 是曠視在AI領域創業多年的致勝法寶。

它將算法、算力和數據能力集為一體，核心能力包括：

數據的處理、清洗和管理能力，算力的共享、調度和分布式能力，算法的訓練、推理及部署能力。

全面覆蓋了從 AI 生產（輸出算法模型）到應用（實現算法工程化封裝）各環節。

因此，Brain++被內部定義為「AI生產力平臺」。

但時局變了，數據滿溢，算力飛升，算法無處不在。許多開發者們真正面臨的挑戰是：如何讓算法生產更加高效？

要知道，算法生產能力決定算法價值上限。

當前的算法生產不僅僅是模型的訓練，還包括需求分析、數據處理、上線部署、落地應用4個環節。

過程標準化是影響算法生產的關鍵要素，只有過程標準化才能實現算法生產的自動化。

讓算法生產邁向自動化時代，便是Brain++迎接這一挑戰的底氣！

自動化的數據管理和質檢——自動推薦合適的訓練算法和模型——自動檢查算法準確率并給出優化建議便是升級后Brain++的最新功能。

舉個真實場景中的例子，

在鋼鐵冶煉廠中，存在一些比較危險的設備。根據生產安全的要求，這些設備周圍需要插小紅旗來做警示和標志。

如何能夠檢測出小紅旗是否還插著？

這就需要做一個紅旗檢測的模型，通過安裝的攝像頭來進行自動化檢查。

需求明確后就需要進行算法生產了。

首先，Brain++提供自動化的數據管理和質檢，包含十余種質檢策略，這個過程中可以排除無意義的數據。

下面這2個紅旗就是通過自動化平臺所發現，圖片的畫風其實和我們真實場景中的差別非常大，就屬于一些無效數據，或者說噪音數據。

平臺自動檢測出后，就會在訓練模型前幫你剔除。

然后便開始模型自動化訓練，平臺會根據部署資源的要求，為開發者自動推薦最合適的訓練算法和策略。

這一環節中，就不需要開發者自己去學習到底應該怎樣去選擇算法或者調優模型。

接下來便是算法調優分析，Brain++集成十余大類不同的結果分析和對應的調優策略，比如漏檢/誤檢結果呈現。

當紅旗檢測模型訓練完成后，將其放到實際應用場景中測試，黃色框就是一次訓練后的算法檢測出來紅旗的位置。

說明這一算法存在明顯誤檢問題，特別可能在這樣的一個場景誤檢率比較高，AI生產力平臺便可幫助開發者自動發現問題，并給出針對性優化建議。

總的來看，當我們分析完想要做一個旗幟的檢測需求之后，首先需要2個小時來做一個圖像的質檢和旗幟的標注，之后選擇一個GPU的訓練環境，模型訓練的時間大概花費一個小時左右的時間。

在上線部署后，根據剛剛提到的分析和調優策略，研究人員進行了2輪左右的迭代，一個「旗幟檢測」算法就誕生了！

你所感受到的便捷，是曠視通過總結過去10年算法生產落地的海量經驗，探索出一套「快速、低成本生產算法」的模式，并將其沉淀在Brain++。

這十年，曠視AI創新走過怎樣一個歷程？

7月16日，由曠視首席科學家、研究院院長孫劍領銜的技術團隊在2021曠視技術開放日（MegTech 2021）上分享了曠視十年來在AI技術上的實踐和思考。

十年實踐，首席科學家孫劍發AI「靈魂」三問

今年，是曠視成立的第十年。

我們來聊一聊曠視這十年的進階之路。

首席科學家孫劍以曠視為例，總結了過去十年中國AI技術價值的發展歷程。

2011年前后，AI發展的重點是基礎科研。基礎科研的關鍵點是突破單點算法，讓AI率先在互聯網等數字化程度高等領域應用落地，變得真正可用。

2015年起，AI需求越來越多，AI商業化落地也越來越多。這個過程中，算法在不斷拓展應用的邊界，從算法到軟硬結合，AI創造的價值越來越大。

從2020年開始，AI成為新基建的重要部分，持續降低算法門檻，讓AI生產變得更加容易，基礎設施需要AI普惠化。

AI有沒有用？AI在哪里用？AI易不易用？

這是AI行業的「靈魂」三問，是所有AI企業需要回答的問題。

孫劍認為，AI有沒有用歸根到底是看AI基礎科研有沒有突破。

基礎科研是AI創新突破的基石，需要長期主義的堅持。

對曠視來說，要構建科學價值和產業價值統一的基礎科研體系。

十年來，曠視不斷突破創新：

在學術上發表85篇頂級會議論文，在競賽上斬獲40項冠軍，在實用上研發了包括ShuffleNets系列在內的眾多基礎模型，已經廣泛應用在手機等智能設備上，推動軟硬協同發展。

基礎科研有了，落地才是科研的價值，這就需要解決「AI在哪里用」的問題。

對于曠視，一直瞄準的是消費物聯網、城市物聯網和供應鏈物聯網三大場景。

AI是核心能力，IoT是落地場景，在數字世界與物理世界融合的智能化時代，AI算法正在為產品帶來更多的價值提升。

曠視認為，「算法不只讓很多產品從好變更好，更能讓產品從不可能變可能。」

在曠視十年的AI實踐落地中發現，算法已不再僅僅是「軟件物料」，而是成為「核心組件」。

從科研到落地，算法正在創造越來越大的價值，也在開始重新定義軟硬件。

曠視研究員范浩強在MegTech 2021上的分享

AI落地是我們所有人都在講的問題，但是當前，大量算法生產過程還是非標準化。因為非標準化所以算法生產過程充滿不確定性。

曠視認為，落地實用是檢驗算法的最高標準之一，而生產落地實用算法的過程「只有先標準化才能自動化」，才能更進一步實現規模化的普惠易用。

從2014年至今，持續打磨升級的AI生產力平臺Brain++，就是曠視推動算法生產邁向自動化時代的AI基礎設施。

為什么是曠視？

不是煉丹「上癮」，是AI進化

曠視是一家靠算法起家的公司。

準確來說，可以細分為兩類：

一類是以深度學習（DL）和計算機視覺（CV）為基礎的核心算法。

另一類則是行業算法 （或者稱AIoT算法）。

曠視的算法之路，經歷了從核心算法突破，到行業算法落地和創新，再到算法生產平臺的拓展過程。

MegTech 2021上，曠視展示了其算法量產星空圖。

算法量產不是一個單一產品，更不是「上癮」，而是一種生產模式的理念革新和生產力進化。

曠視現場通過一系列技術Demo演示，系統展示了其最新的技術成果。

曠視研究院推出了面向服務器和下一代AI芯片的通用模型RepVGG，其在開源后Github star已超過1800。

還推出全景視頻實時拼接算法。

全景視頻拼接的實現，需要多個攝像頭在同一場景下采集不同方向視頻，然后逐幀地將各個方向的視頻幀拼接起來，最終得到360度全景視頻，甚至360度*180度的球面全景視頻。

其核心是運用基于光流的多攝AI拼接算法，同時依靠實時動態無縫拼接網絡模型，解決了多攝拼接計算量大、拼縫明顯，以及拼接無法動態更新的技術難題。

還有單目3D車路感知：僅用單目可見光相機，就可以實現車路信息的3D感知。

曠視MegTech 2021上還展示了，目前性能最強的端到端實時全卷積全景分割算法，以及挑戰經典，目標檢測架構創新的YOLOF。

從基礎科研，到行業落地，再到基礎設施，這是人工智能技術價值躍遷的三個關鍵。

曠視正是沿著這樣的路線在不斷創新，務實落地。預研一代、孵化一代、交付一代，這是曠視技術創新研發模式。

在技術開放日現場，曠視將這一套創新研發模式首次對外完整的呈現出來。

孫劍總結道，「聚焦最優秀的人才，一起做最好的科研，通過產品讓科研成果創造價值，不斷探索新領域，這是曠視的秘訣，也是AI技術價值躍遷的秘訣。」

對了，忘了告訴你，這是一個北京新晉AI網紅打卡圣地。

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的旷视AI「炼丹房」Brain++ 再升级 首席科学家孙剑发AI「灵魂」三问的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。