无数公司利用机器学习解决具体问题，已经落地各行各业：落地人脸识别、落地语音识别与翻译、落地广告推荐、落地金融保险、落地自动驾驶、落地地产线提高生产效率。2004年，AI创始人马文明斯基呼吁大家不要太关注AI解决下棋、开车、翻译等具体问题，而要更多关注AI像人类一样思考和行动，但这仍然不妨碍各行业解决具体问题的努力。
深度学习框架是继Hadoop、Spark之后最重要、最核心的基础设施软件，一流科技是专注于研发新一代深度学习框架的公司。创始人袁金辉告诉36Kr，创业时就决定开源，但后来者要想做开源成功，必须有惊人的实力。按照常理来说，作为创业公司，开发通用深度学习框架很难与大厂商竞争，但这条赛道的竞争最终是产品质量的竞争，而这类产品从竞争中成功最终取决于创新能力，创业公司在创新能力上不一定弱于巨头。一流的目标是打造全球先进流行的深度学习框架，降低企业使用人工智能技术的成本和难度。而且AI之后会作为基础设施软件，每个企业都有自己的应用和演进，没有开源很难广泛应用。
OneBrain平台的操作界面
经过4年的发展，R&D团队已经从3人扩展到40人，并且已经完成了-OneFlow这一全球罕见的能够支持超大规模深度学习模型训练的深度学习框架，以及-OneBrain这一面向用户的AI开放平台。袁金辉说，OneFlow和OneBrain是通用的，可以解决各行业遇到的大部分问题，而不仅仅是具体问题。科技一流的深度学习产品拥有完全自主知识产权，获得十余项发明专利，拥有自动数据模型混合并行、静态调度、去中心化、全链路异步流执行四大核心技术，解决了大数据、大模型、大计算在异构分布式集群上训练大规模深度学习模型的挑战。在中国信通院2020年5月发布的《首轮开源深度学习软件框架测试报告》中，OneFlow框架在相同算法和硬件条件下的性能指标明显领先于国外产品。
OneFlow框架
超大规模神经网络模型的训练和应用是2019年前后由Google和OpenAI驱动的新方向。以前的神经网络虽然数据多，但模型小，层数和边数很少，只有几千万或几十亿个参数。2019年，谷歌开始打造大型模型，拥有数十亿、数十亿的模型参数。大模型的好处很简单：首先制作大模型，然后训练它们，同样的数据量会得到比小模型更好的结果。在很多场景下，小模型训练无法得到大模型的精度。经过训练后，可以去除大模型的冗余参数，对模型进行约简，最后进行部署使用。大模型在很多应用场景中已经超越了常用的卷积神经网络方法，比如非视觉应用NLP、参数量大的人脸识别、广告推荐行业。目前一流的技术客户包括之江实验室、北京致远人工智能研究院、中关村智能研究院、中国科学院自动化研究所、搜狗、沈星等企事业单位。据悉，一流的技术将在2021年探索出一种类似于雪花和Databricks验证的公共云服务的商业模式。
一流科技的四大核心技术
袁金辉告诉36Kr，用户对开源深度学习框架的主要需求如下：
运营效率：在相同的算法和硬件条件下，效率一定要快，这样可以最大限度地降低用户成本，这样才会有实用前景。这个维度在技术上是OneFlow最具挑战性、最有优势的地方；
易用性：易用性是很多AI学术和公司忽略的一点，目前易用性做得最好的是PyTorch，这也是它能大范围实用的原因之一，一流科技的目标是让OneFlow新版本像PyTorch一样容易使用；框架工具是否完备：OneBrain开放平台还要帮用户做数据标注、清洗、模型库、可视化、训练部署、集群管理等，这样用户不操心底层问题，不至于需要打仗还得去造坦克。
目标：让AI成为标准化产品
人工智能Artificial Intelligence近几年在全球范围都发展迅猛，从感知到学习，但到底具有什么样的特性才能算作AI，在Stuart J. Russell 《Artificial Intelligence A Modern Approach》的权威解释是分为四个方向：像人类一样思考，像人类一样行动，纯理性的思考，纯理性的行动。这四个方向，不同的学者和企业家都在用不同的方式去探索，涉及的学科越来越多，已经不只是单纯的数学和计算机工程：
例如图灵测试就是判断机器是否像人类一样行动，单单是这个方向就涉及了自然语言处理NLP-让机器能用英文交流、信息存储-让机器存储感知到的、逻辑分析-让机器用存储的信息逻辑分析回答问题、机器学习Machine Learning-让机器适应未知环境并在其中发现新的模式、机器视觉-让机器感知外部环境；
机器是否像人类一样思考，能否帮助人类解决问题，Newell和Simon在1961年提出了认知科学领域的General Problem Solver，GPS目的不是逻辑推理，而是模拟人类解决问题，
机器是否纯理性的思考，逻辑学在19世纪就以及开始用严谨的语句和语法来进行推理，尝试得到最理性的答案，1965年已经能将其计算机程序化；
纯理性的行动更为复杂，包含了前面的纯理性的思考和行动两部分，它就是我们常说的Rational Agent，在给定环境中采取可能最优解的行动，也是众多企业落地的方向。
根据公开信息，36氪记者稍稍对机器学习在各行业做了如下几个阶段的企业分类，如有遗漏或错误请联系36氪记者：
AI从1982年开始了商用专家系统，是建立在规则的基础上做算法；然后是80年代大家将注意力重新回到神经网络Neural Networks，但由于当时缺乏大数据和GPU硬件算力，神经网络并没有发展起来；直到90年代，统计机器学习Statistics ML兴起，才开始大面积商用来解决现实世界的问题，不再局限于模型世界，统计机器学习简单讲就是用统计优化算法推导规律，也就是用数据调整算法，并且能对未来预测，例如决策树、贝叶斯网络Bayesian Network、支持向量机、Adaboost都属于统计机器学习。这些偏传统的机器学习方法在特定领域仍有广泛应用，譬如保险金融行业，这些方面的知名企业有第四范式、九章云极等。
2012年深度学习Deep Learning兴起，神经网络的优势是不用人去设计特征，替代了传统机器学习，当时流行的深度学习框架有Caffe和Theano声明式编程风格、Chainer命令式编程风格。其中最受欢迎且一直使用至今的模型就是卷积神经网络CNN，因为卷积神经网络是受大脑视觉通路的生物神经网络的结构启发，特别适合做计算机视觉和图片分类（人脸识别除外），但不适合做NLP和广告推荐系统。凭借卷积神经网络在计算机视觉里的成功应用而快速发展起来的企业有旷视、商汤、依图、云从等。
2012年之后大家都不停去试新的神经网络结构，发论文，找应用落地，让小模型的神经网络结构得到创新发展，例如循环神经网络RNN用于学习具有前后相关的数据类型，适合进行语言翻译或文本翻译。因为所有的深度学习都属于统计机器学习，特点是数据越大用相同的算法准确率越高，也就是说可以用数据量堆出准确度，这就让大数据释放了巨大的潜能，例如现在用30亿张图片训练卷积神经网络、BERT等。目前国内外开源的适合解决大数据、小模型的深度学习框架有谷歌开源TensorFlow、Facebook开源PyTorch、微软研究院CNTK框架、Amazon MXNet，国内的企业有旷视开源MegEngine、百度开源飞浆等。
2019年之后，大模型的神经网络表现出了小模型无法比拟的优势，如何支持超大规模深度学习模型的训练成为深度学习框架的重要研发方向。谷歌基于TensorFlow开发了Mesh-Tensorflow和Gpipe等技术，微软DeepSpeed改造了PyTorch，但只支持NLP，Nvidia Megatron-LM只做NLP，Nvidia HugeCTR只做广告推荐，这些方案的通用性不够好，影响了它们的推广应用。谷歌最近在XLA上开发了GShard技术，试图解决通用性问题，但尚未开源。在这个方向上探索较深的国产深度学习框架包括华为开源的MindSpore，一流科技开源的OneFlow，和Google GShard论文描述的思路异曲同工，通用性最好。
2020年开始，小样本训练的问题也越来越引起行业的重视，重点解决数据量不够的场景，例如工业数据，用小样本训练就能完成同样准确度，颠覆深度学习，例如强化学习RL中的生成对抗网络GAN，图像数据可以通过旋转、裁切或改变明暗等方式增加数据量，目前有相当多领域透过GAN方法生成非常近似原始数据的数据，但因为比较新颖，还没有成熟的方案解决通用问题。国内在小样本训练方向探索较深的公司有暗物智能、瑞莱智慧等。
