除了“技术炫”，人工智能的另一大特征是“开会多”，然而，专门针对“深度学习”的开发者大会却少之又少。

究其原因，搞“技术”的AI企业，在深度学习这件事上反而被“技术门槛”所钳制。不过，这对于一直深耕技术的AI企业来说，也就成了优势，例如拥有国内唯一开源深度学习平台PaddlePaddle的百度。

4月23日，百度就与深度学习技术及应用国家工程实验室在北京联合主办了首届（2019）WAVE SUMMIT深度学习开发者峰会。

不开则已，开则“有料”。

百度高级副总裁、深度学习技术及应用国家工程实验室主任王海峰面对大批深度学习开发者，抛出“深度学习推动人工智能进入工业大生产阶段，深度学习框架是智能时代的操作系统”的言论。

这句话有两个关键词：AI的发展要进入一个新的阶段—“工业大生产”，而这个新的阶段深度学习框架将起到关键作用—“操作系统”。

深度学习在AI体系内的关键价值，使得它已经成为AI深入发展的技术堡垒，也成为各平台转型AI企业角逐AI时代的核心内容。WAVE SUMMIT 2019百度试图率先举起深度学习的旗帜，通过站位“智能时代的操作系统”扩大AI竞争优势的意图，而王海峰敢这么说，百度已有充足的自信。

AI“工业大生产”临门一脚，深度学习成为“跃迁”力量

AI深入发展的表现之一，是提出“为什么AI”的企业正逐渐减少，而提出“为什么不AI”的企业群体逐渐庞大。

当最传统的制造业等产业也开始把“智能＋”挂在嘴边时，多样化场景反过来需要平台型AI企业在各种层次上进行开放：

有些开发者只需要借助外部技术完善自家产品，例如智慧客厅场景中，OTT TV的智能互动（语音、图像等）需求，或互金平台、游戏平台等的智能客服需求，这些是目前多数AI企业在技术上所能达到的层次；

有些开发者则因为业务的特殊性，需要借助外部更基础的深度学习框架能力，如构建农业病虫害治理应用，这种AI技术呈现出“高门槛”的特征，能够提供开发者生态的少之又少。

很明显，越是高通用性的领域，AI技术越是只需要到达“表层”；越是低通用性的领域，AI技术的介入越需要切入“深层”。

问题来了，语音、人脸可以依靠通用性快速普及，那些需求越来越旺盛的AI个案应用怎么办？——AI全面发展必然要解决“个性化”与“规模化”的矛盾问题。

王海峰提到的深度学习的通用性特点，以及深度学习框架及平台的发展，正在推动人工智能标准化、自动化和模块化，进入工业大生产阶段，就是在针对这个问题。其解决方式本质是通过深度学习框架，让AI在“深层”也实现“框架能力”的通用性（对应地，AI已经在“表层”实现“应用能力”的通用性），如此，专属领域的AI应用也可以被“批量生产”。

由此，也不难理解PaddlePaddle同时在峰会上发布的中文名字“飞桨”——AI发展到了这个阶段，深度学习已经急速划动AI潮流、帮助AI跃迁进入“工业大生产”时代。

这里通过百度PaddlePaddle平台案例来理解。

在林业管理中，红脂大小蠹是非常严重的害虫灾害，过去，林业管理系统需要通过人力监测来预报和治理虫情，现在，北京林业大学在百度PaddlePaddle支撑下研发的智能虫情监测系统，30分钟可完成原本研究院一周的观察工作量，大大提升了灾害防治的效率；

此外，百度曾基于PaddlePaddle深度学习能力完成了一个“AI控烟”监测项目，数万张吸烟动作图片进行了43次深度学习模型训练，能够以较高的准确率完成吸烟人群的识别。

这些案例与人脸识别不同，都具备极强的“个案”色彩，其需求是独特而少有的，传统AI平台在应用层并不能提供对应的解决方案，开发者必须借助深度学习平台自主开发、训练和部署应用。

反过来，这些“个案”的生产实际上建立在框架能力的通用性基础之上，图像识别的深度学习还能以同样的姿势生产出更多有关“识别”的个性化AI应用。

如果类比人类历史上的工业发展变革，深度学习框架实际上也提供了“标准化、自动化、模块化”的生产平台，只不过生产的东西变成了“AI应用”。