AI框架歷史演進和趨勢探索

電子發燒友網報道（文/李彎彎）AI框架是一種底層開發工具，是集深度學習核心訓練和推理框架、基礎模型庫、端到端開發套件、豐富的工具組件于一體的平臺。

有了AI框架，工程師在工作時調試算法，就可以更快速、更高效。通俗一點講，AI框架相當于是AI時代的操作系統，如同PC時代Windows，移動互聯網時代的iOS和安卓。

AI框架發展現狀和趨勢

AI框架的歷史并不算長，從2010年誕生的Theano算起，至今不過十二年時間。2017年后，早期的Theano、Caffe、Torch等框架逐漸銷聲匿跡，2016年前后出現的TensorFlow（谷歌）、PyTorch（Facebook）、飛槳（百度）逐漸占據市場。

從目前市場占有情況看，產業界以TensorFlow為主，學術界以PyTorch為主。與TensorFlow過于注重工業，PyTorch專注學界不同，飛槳的特性在于工業學界兩手抓，通過動態圖自動解析編譯靜態圖的技術，兼顧了學界的靈活，同時也實現了產業界希望的高效。

除了TensorFlow、PyTorch、飛槳，深度學習框架還包括由Amazon設計研發并開源的MXNet、微軟在github上開源的CNTK、華為推出的MindSpore、北京一流科技有限公司開發的OneFlow，以及清華大學自研的Jittor，和騰訊、字節跳動、360開源的Angel、BytePS、TensorNet。

過去這些年，AI框架已形成較為完整的技術體系，當前主流AI框架的核心技術演化出三大層次，分為基礎層、組件層和生態層，其中基礎層實現AI框架最基礎核心的功能，具體包括編程開發、編譯優化以及硬件使能三個子層。

從技術生態體系中的功能定位看，AI框架對下調用底層硬件計算資源，對上支撐AI應用算法模型搭建，提供算法工程化實現的標準環境，是AI技術體系的關鍵核心。

AI框架技術持續演進，歷經萌芽階段、成長階段、穩定階段，當前已進入深化階段。AI框架正向著超大規模AI、全場景支持、安全可信等技術特性深化探索。

AI框架面臨的挑戰

然而在這個探索的過程中，面臨諸多挑戰。在超大規模AI方面，當前超大規模AI成為新的深度學習范式。OpenAI于2020年5月發布GPT-3模型，包含1750億參數，數據集達到45T，在多項NLP任務中超越了人類水平。這種超大規模的模型參數及超大規模的數據集的AI大模型范式，實現了深度學習新的突破。

產業界和學術界看到這種新型范式的潛力后紛紛入局，繼OpenAI后，華為基于MindSpore框架發布了盤古大模型、智源發布了悟道模型、阿里發布了M6模型、百度發布了文心模型等。超大規模AI正成為下一代人工智能的突破口，也是最有潛力的強人工智能技術。

超大規模AI需要大模型、大數據、大算力的三重支持，這就對AI框架提出了新的挑戰，比如內存墻，大模型訓練過程中需要存儲參數、激活、梯度、優化器狀態，鵬程 . 盤古一個模型的訓練就需要近4TB的內存。算力墻，以鵬程 . 盤古2000億參數量的大模型為例，需要3.6EFLOPS的算力支持，要求必須構建大規模的異構AI計算集群才能滿足這樣的算力需求，同時算力平臺要滿足智能調度來提升算力資源的利用率。還有通信墻、調優墻、部署墻等。

在全場景支持方面，隨著云服務器、邊緣設備、終端設備等人工智能硬件運算設備的不斷涌現，以及各類人工智能運算庫、中間表示工具以及編程框架的快速發展，人工智能軟硬件生態呈現多樣化發展趨勢。但主流框架訓練出來的模型卻不能通用，學術科研項目間難以合作延伸，造成了深度學習框架的“碎片化”。

目前業界并沒有統一的中間表示層標準，導致各硬件廠商解決方案存在一定差異，以致應用模型遷移不暢，增加了應用部署難度。因此，基于AI框架訓練出來的模型進行標準化互通將是未來的挑戰。

然而即使面臨諸多挑戰，過去兩年，行業一直在持續探索，并取得一定突破，如2020年華為推出昇思MindSpore，在全場景協同、可信賴方面有一定的突破；曠視推出天元MegEngine，在訓練推理一體化方面深度布局等。

整體而言，在人工智能體系中，AI框架處于貫通上下的腰部位置，下接芯片、上承應用，是一個關鍵樞紐，是推動AI應用大規模落地的關鍵力量。因此對于企業來說，克服AI框架當前面臨的挑戰，不斷探索新趨勢，進行技術創新，完善技術、功能和生態是關鍵。