2

反碎片化是AI+农业的关键

我们都知道,AI目前正在走向大规模落地的过程中,但这个过程并不一帆风顺,其特点就在于即使耗资钜万训练出来的强大模型,在实际部署中仍然需要二次、多次开发,而由于AI开发人员的稀缺,使得需要多次开发的项目很难具有真正的费效比。

而这还是发生在信息化程度已经很高的领域里,大家可以想见的是,既懂农业又懂AI的人才该有多么稀缺。

围绕这个问题,行业的解决思路有了分歧,有人认为,部分AI企业应该加强工程化能力的建设,但这虽然解决了落地难,却没有在本质上降低成本,而成本才是大规模普及的关键要素。

百度则采取了另一种思路,一方面大规模普及AI教育,提出了5年培养500万AI人才的计划;另一方面,百度又坚信,只有把使用AI的能力真正交到使用者手中,才能从根本上降本增效,并具备持久的反碎片化能力。

前文提及的EasyData正是这种思想的产物,而EasyData则是EasyDL的一部分,EasyDL是一套世界领先的、能够让应用者实现零算法基础定制高精度 AI模型的工具,目前已有超过90万企业用户,在工业制造、安全生产、零售快消、智能硬件、文化教育、政府政务、交通物流、互联网等领域广泛落地。(关于EasyDL可以参阅本号前文《深科普:走近EasyDL》)

如果说EasyData帮助AI+农业落地闯过了数据关,那EasyDL就实现了农业AI化中的反碎片化,把使用AI的主动权交到了真正的务农者手中。

病虫害是农作物减产的主要诱因,据全国农作物病虫测报网监测和专家会商分析,2021年小麦、水稻、玉米等粮食作物重大病虫害呈重发态势,预计全国发生面积21亿亩次,同比增加14%。

在上万年的农业生产史中,“虫口夺粮”是一个贯穿始终的主题,但这一工作的最基本要素——虫情监测,是最初依靠务农者的经验,而后是依靠专业技术人员完成的。

宁波微能云数据公司就是想靠AI“死磕”虫情监测的一家创业公司。

这套系统的核心原理并不复杂——利用昆虫的趋光性,将害虫吸引到灯下,杀死害虫后自动拍照,然后将图片上传至云端服务器,并利用百度的AI能力,对六种水稻常见害虫进行分类与统计,进而为技术人员指导水稻田内农药、化肥的使用配比与相关操作提供决策依据。

这一切的核心关键在于,如何开发一套微能云智能虫情测报系统,并自行升级、开发、扩展这些能力。

如果在两三年前,最好的办法可能是请百度的工程师驻场指导,但随着AI应用的普及,百度自身的AI技术人员即使全部用于AI的社会化落地,也远不敷分配。

说到这类问题的解决,就不得不提及EasyDL所植根的基础——百度飞桨产业级深度学习平台,这一平台推出五年后,市场份额从零起步,已经成为中国第一、世界前三的深度学习平台,其“产业级平台”的特性,更使得其指向非常精确——这一平台集成了数百种从产业实际环境中抽离出要素后精心开发的基础模型,这些模型可以根据用户的需求,幻化为几万、几十万种模型,解决难以计数的碎片化能力。

可以说,EasyDL是飞桨的超轻量版,也可以说,EasyDL是飞桨的便捷入口……无论如何譬喻,这一工具的本质还是为了解决千千万万碎片化场景的解决者如何能够在零算法门槛基础上使用AI的能力。

说来也简单,要解决微能云的问题,其实飞桨EasyDL早有成熟的方案——AI物体检测模型,而工程人员要做的就是,用EasyDL开发出一套具体可用的的害虫计数与种类识别模型,然后将之变成一个API接口,从而实现极为简便地部署,帮助农业种植户远程自动化采集虫情信息,准确地预测虫害的发生。

AI的一个好处是,一类精心训练的能力,可以有效地泛化为诸多的小模型,解决方方面面的问题。

例如,大家都知道百度是无人驾驶领域的国家队,那么,能够在极端复杂的城市交通环境中应付裕如的无人驾驶能力,在场景相对单一的农业机械的应用中,就更具备了降维打击的能力。

熟悉袁隆平院士生平的读者大概都知道,水稻是我国三大主粮之一,而水稻田的田间管理复杂、重复度高(诸如打药、锄草等)且工作极其繁重,客观上成为了诸多务农者跳出“农门”的动力之一,而如果能够开发出一种农业机器人,可以自动驾驶,可以根据水稻秧苗的种植情况实时调整航向,避免压苗等情况出现,更好地保养和管理水稻秧苗,这无疑是中国水稻文明史上的一次革命。

去过农田的人知道,水稻是按列种植的,列与列之间近似互为平行,似乎这对于自动驾驶来说是“小菜一碟”,但事实上,由于不同时段的光照条件、水田里的浮萍、蓝藻等与秧苗特征相似的植物夹杂生长等要素,真正要精确驾驶,并不是一件容易的事。

如果说EasyDL是一套列装齐全的轻武器库,那基于飞桨平台的开发套件,就是一套重武器体系。

图像处理是自动驾驶的基石之一,而其中的一个重要环节就是图像分割,也就是从一张自动拍摄的图片中分割出特定的要素,这一领域是诸多深度学习模型竞争的焦点,而飞桨的图像分割开发套件PaddleSeg,无疑是诸多方案中的佼佼者。

苏州博田的工程师需要考虑的是,如何把秧苗按“列”从背景中分割出来,再在这个基础上,实现秧苗“列”的中心线的精准提取。

而他们惊喜地发现,这个问题其实早就被飞桨的工程师解决了,而解决方案是一个名为Image Cascade Network(ICNet)的语义分割网络,这套系统可以在高分辨率图像的准确性和低复杂度网络的效率之间获得平衡,从而加强实时处理的能力。

△从左到右示意图:

图像分割结果示意图、原图特征点提取示意图、秧苗列中心线提取结果示意图

“飞桨是一个宝库,但如果要入宝山而不空手回,需要深入地了解这个体系,而这不是一天就能实现的”,苏州博田的工程师指出了问题的关键——事实上,在发现对应的模型后,剩余的工作变得相对简单——基于ICNnet实现了秧苗列中心线的精准提取后,准确率能达到95%以上,处理每帧图像耗费的时间仅300ms左右,完全满足农机作业环境下的速度要求。

这其实是告诉我们,有时候,所谓的AI化也未必是一次艰难困苦的长征——现代农业的工业化、自动化已经有了很好的基础,其向智能化的飞跃,并非需要全局推翻重来,而在于是否能找到AI化的关键点。换言之,绝大多数的基础能力已经储备在飞桨里,而部署和调用也极大的简化,真正考验的是找到那个能扭转全局的关键要素,一个从自动化到智能化的关键点。

显然,更适合找到这个关键点的,不应该是AI应用平台的开发者,而应该是这一应用的最终用户——他们熟悉需求、了解系统,他们积累了大量的know-how并且深知问题的关键,让他们提出解决问题的路径,比让百度的AI工程师从熟悉一套陌生的环境再去找解决方案,要有效且直接的多。

但问题的关键就是,这些人往往是某个领域的专业人士,但并不一定具备AI的思维和视角,他们需要EasyDL这样拉低门槛的开发工具,但更需要的是一套基于AI去解决问题的思维习惯,如果没有这套思维,就永远也无法实现AI能力和现实问题的碰撞。

任何革命,首先是思想的革命,然后是工具的革命,最后才是真正的变革的到来,AI的发展,也必须遵循这个规律。

所以,我们除了看到百度不断的用工具降低AI的门槛,更关注到AICA首席AI架构师培养计划的推出,这一计划专注于深度学习产业落地和应用,让“AI的火种们”可以与百度最有经验的专家闭门研讨,从剖析百度AI生态企业中业务需求与AI技术结合的典型案例中学习,最终为中国产业界培养高端复合型AI人才。

始于工具,强于平台,而决胜于人才,这是百度AI生态的一个重要特点。

目前,AI行业正在渡过黎明前最黑暗的一段时间,从资本市场到商业落地,一次强烈的爆发已经酝酿很久但迟迟不来。

其中的关键正是场景碎片化,无论是百度还是所谓的“AI四小龙”,以及近五年内崛起的上万家AI创业公司都遇到这个问题——即缺乏一种能够提供正向费效比的通用方案,使得强大的AI能力在部署时需要大量的二次、三次开发,这成为AI发展命运的咽喉。

资深的分析师甚至指出,如果不突破AI大规模落地的碎片化问题,AI甚至可能迎来史上的第三次冰封期。

对于很多早期AI公司来说,人们再用一种理性的角度来审视时,会发现其动人的故事往往是针对某一特定领域的定制方案,而这些方案在解决泛化问题时往往费效比极低。

AI企业讲故事的日子已经结束了,现在到了兑现承诺的时候——而在这个过程中,我们暂时还没有发现比“授人以鱼不如授人以渔”更好的方法,从这个角度来说,零门槛工具、开发套件是一方面,人才、生态的培养又是另一个方面,我们不能希望百度靠一己之力解决全部问题,一个健全的生态才是更好的路径。