隨著核心演算法的突破、計算能力的迅速提高及海量資料的可用，人工智慧(AI, Artificial Intelligence)終於迎來了質的飛躍。以AlphaGo為代表的圍棋AI，對人類最頂級的選手，取得了碾壓式的勝利。人工智慧成為了全球矚目的科技焦點，各路資本、各行各業也紛紛佈局人工智慧，以便在這個關乎未來的關鍵賽場上贏得先機。

人工智慧的需求快速膨脹，從業人員的薪資也水漲船高。據估計，國內AI人才缺口在數百萬以上，與AI密切相關的演算法工程師，平均薪資已接近30萬。如此火熱的行情，吸引了越來越多的學生、程式設計師轉行人工智慧。

         然而，透過人工智慧發展的表面喧囂，華為提供的一組數字，又讓人感受到了 “冷靜”：

1. 只有4% 的企業已經投資或部署了AI；
2. 只有約2% 零售商已經投資或部署了AI；
3. 2017年只有約10%的智慧手機內建了AI；
4. 全球AI人才的供需比僅有1%。

問題分析

         在演算法效能突飛猛進之後，是什麼限制了AI技術的落地？總結起來，以下幾方面因素，正在成為普通企業擁抱人工智慧、程式設計師們轉行人工智慧的攔路虎：

• 模型訓練耗時長：這輪人工智慧浪潮的核心是深度學習，它需要構建複雜的深度神經網路來完成各種任務。這些神經網路可能有成百上千的層數、數十億的節點與訓練引數。這種複雜模型的訓練，往往需要數天甚至數月。這種訓練速度嚴重製約了應用創新。
• 算力成本大：算力是AI的基礎。英偉達(Nvidia)的GPU顯示卡是深度學習主要的算力平臺。得益於人工智慧的火爆，英偉達的股價在過去三年增長了近10倍。然而，以GTX、Tesla等為代表的顯示卡，有著動輒數千甚至數萬的售價。對於個人或業務剛剛起步的公司，AI算力成為一筆昂貴的投入。
• 學習與開發門檻高：人工智慧的基礎涉及高等數學、概率統計、線性代數等，又與程式設計、分散式計算、影象處理與自然語言處理等密切關聯。許多人對人工智慧雖然興趣濃厚，卻不知學習該何處下手。許多公司，面臨人才短缺、開發環境難建等難題，AI業務難以開展與落地。

困難就是機會，需求就是商機。在美國西部淘金熱的時代，真正淘金髮財的少之又少，為淘金客提供飲水、衣服與盆鏟的李維斯們，卻大發其財、綿延至今。現在，AI應用的熱度幾與淘金可比，那麼，面向AI提供算力、環境配套與培訓等服務，是否又是巨大的商機呢？與這個認識可印證的是，

公司篩選

      帶著這個認識，我們盤點了國內提供算力、環境配套與培訓等AI基礎服務的企業。我們關心有以下業務方向的企業：

1. 提供經濟實惠的算力。鑑於Nvidia一家獨大，AI晶片只見熱炒不見售賣，我們將目標投向那些提供GPU算力租賃的企業。需要指出的是，CPU算力是非常便宜實惠的，但CPU在深度學習計算上效率不高，不是深度學習的主要算力來源。
2. 提供AI開發相關的配套服務。AI開發，以Linux為主，需要安裝Tensorflow、PyTorch等至少一種框架，往往還需要安裝OpenCV、Pandas、Numpy等軟體包。如果要分散式訓練，還需要分散式框架的支援。整個過程配置繁瑣、複雜、易出Bug。租賃的主機，能夠預裝這些常用開發包，可大大節省開發人員的時間。
3. 提供AI學習相關的培訓服務。市面上的AI培訓課越來越多，但不少是借AI之名將Linux系統、前後端開發、資料分析等內容重新打包，缺少真正的AI培訓課。箇中緣由，一是AI發展很快，培訓課需頻繁更新；二是人才奇缺，優質人才都在做開發。優質AI培訓，是市場的急需。

算力是以上問題的核心。我們以算力共享租賃作為主要的標準來尋找公司。

傳統上，雲端計算是一種主要的算力共享模式。許多大公司，如Google、亞馬遜、微軟及國內的華為、阿里、騰訊、百度等，均提供GPU雲主機。提供雲主機的創業公司UCloud，發展迅猛，與AI Challenger等AI競賽的合作也進一步放大了它的影響力。去年Nvidia推出了一項政策，用於雲與資料中心的顯示卡，與個人客戶的顯示卡相比，算力相近時售價差近十倍。因此，雲主機的租賃，十分火爆的同時，我們的感覺就是一個字—“貴”。

另一種租賃方式是共享主機。它仍採用普通PC或伺服器，不受Nvidia政策的限制，可採用相對經濟實惠的GTX顯示卡(其實GTX 1080Ti高達7~8000千的售價，也是貴！)。使用者可以按需租用這些主機，由於採用了共享經濟的理念，這種方式比較經濟實惠。這些主機可以公司自建，也可以採用P2P方式。最近，這個方向湧現了一批公司。我們所知，

1. 國外：FloydHub、VectorDash、Vast.ai與ClusterOne。
2. 國內：EasyAI與易學智慧。

它們都怎麼樣呢？且聽下回分解。

比較

我們共選擇了9家相關公司，三家雲服務公司(華為雲、美團雲與UCloud)、四家提供分散式主機的國外公司(見上)、兩家提供分散式主機的國內公司(見上)。資訊如表1所示。

由於相關資料有限，描述未必完全準確，詳情請到公司官網瞭解。提供雲服務的廠家如過江之鯽，這裡只是列出了三家，其他家的價格與服務都差不多。

表1公司官網

閒言少述，直接上表格。各指標的詳細解讀，請閱文後附錄

表2服務指標比拼-1

表3服務指標比拼-2

表4 算力共享服務總體感受

國內廠家的優惠活動

擼羊毛是大家關心的，下面是各家的優惠活動。

表5優惠活動

總結

可以看到，首先，由於Nvidia政策的原因，傳統雲主機並不是提供GPU算力的經濟方案。可以說，採用這樣的雲主機，還不如自購自建平臺(這樣，Nvidia能賣更多顯示卡，壟斷者都心黑啊)。其次，分散式GPU算力平臺是一個新興方向，相關的企業還比較少，國內外都處於剛剛起步的階段。再次，由於GPU算力的稀缺，這個方向，成長空間巨大。

由於眾所周知的原因，國內使用者使用國外GPU主機是不要想了。就國內而言，簡單AI實驗室處於推廣期，學習資料比較豐富；易學智慧作為後起之秀，提供了比較完備的解決方案，最近又在搞各種優惠活動。這兩家，大家可以去擼羊毛~~~。

附錄：指標詳解

我們採用的11項指標如下：

• 價格：以1080Ti或算力相近的顯示卡為例。
• 開發環境配套：虛擬機器是否預裝深度學習框架及常用軟體包
• 資料集配套：公開資料集主要包括兩類，一是用於學術的公開資料集，二是各種AI競賽的資料集。
• 培訓配套：AI學習的配套教程，既包括算力平臺的使用，也包括AI知識技能的學習。
• 討論社群配套：AI開發所採用的各種框架、開發包，本身就在急速發展中。可以預見，AI開發面臨的bug必然是層出不窮，一個AI學習與討論社群，對於算力租賃是十分必要的配套。
• 分散式訓練：加速AI演算法的訓練與執行，併發是主要手段。然而，現在的併發方法都很複雜很不好用。方便易用的併發執行，對AI開發者很有吸引力。
• 使用者自有資料：具體的AI業務，當然要用業務相關的資料來訓練。支援使用者自定義資料上傳，算力平臺才能支撐各種實際業務的開發。
• 使用者資料加密：使用者資料的隱私保護，重要性不需多言。能否將私人資料保護好，也是使用者挑選算力平臺的重要依據。
• 儲存與算力的可擴充套件：任務的不同，所需要的資料量與計算量，差別可以很大。這就要求算力平臺提供足夠的靈活性，可以讓使用者按需擴充套件資源。
• 主機形態：共享經濟是好東西，優點是實惠，缺點是可靠性可用性的損失。一種形式是公司自建算力平臺，分時租給不同使用者；還有一種徹底的共享——P2P方式，提供主機的也是散落各地的普通使用者。
• 遠端除錯：直接在遠端主機程式設計並不方便。因此，現在有些IDE已經支援遠端除錯。遠端除錯需要遠端主機開啟相應的埠與服務，本地還需要進行配置。雖然工序複雜，但對使用者而言，體驗很好。