专访旷视科技千年建盏的溯源智能化背后，算法量产是解决AI算法落地的一大路径

　　作者 韦世玮
　　**
　　＂茶兴于唐而盛于宋＂。据说始于神农时代的中国茶文化，至今已流淌了4700多年历史，随后在唐朝走向发展的黄金时代，在宋朝进入了茶文化繁荣的鼎盛时期。
　　与唐朝煎茶、元朝泡茶不同的是，宋朝流行的点茶不仅催生出了＂斗茶之风＂，还让建盏风靡了千年，在茶案上独领风骚。
　　何为建盏？顾名思义，就是建窑烧制的黑釉茶盏，发源于今福建省南平市建阳区，凭借独一无二又绚丽神奇的斑纹，享有＂入窑一色，出窑万彩＂的美誉，上至皇族、下至平民无不喜爱。＂兔毫连盏烹云液，能解红颜入醉乡。＂这正是宋徽宗在《宫词其七四》中对建盏的赞美。
　　2011年，建窑建盏烧制技艺成功列入国家级非物质文化遗产名录，并走进国际视野，引起世界收藏爱好者们的关注和热情。近年来，建盏相关企业从原来的12家猛增到7200多家，产值也从原来的100多万元发展到预计75亿元，品牌价值超160亿元。
　　建窑建盏
　　建盏巨大的商业价值和投资潜力背后，产业的隐秘角落也滋生了假冒仿制、以次充好等行业乱象，严重破坏了市场秩序和良性发展，也影响着建盏产值的发展和品牌价值。然而过去的建盏鉴定主要依赖传承人的亲笔签名、拍照，或是提供产品防伪码等，这些方式不仅效率低，人力成本也高，难以解决行业乱象。
　　直到2021年6月，建盏生态公司找到了旷视科技，提出了建盏识别和溯源的需求。通过借助＂算法量产＂，旷视科技推出了首个基于AI图像识别技术打造的建盏溯源系统，为每一只建盏赋予专属＂电子身份证＂，实现了＂一盏一图、一盏一码、图码结合＂，有效地解决仿造、伪造、以次充好等问题。
　　实际上，旷视科技AI建盏溯源系统的研发之路并不轻松。从去年6月至今，旷视科技在开发这套系统过程中，主要面临了哪些意想不到的挑战？研发背后蕴含的＂算法量产＂理念又是什么？如何加速AI落地，与实体经济进一步深度融合？
　　为此，近日36氪等媒体与旷视科技展开了一场深度对话，在探究以上答案的同时，我们也看到了作为＂AI四小龙＂的旷视科技，是如何逐渐摸索出一条属于自己特有的，具有差异化竞争力的落地路径。
　　01、识别准确率超95%，千年建盏溯源的挑战
　　最初接触到AI建盏溯源项目的旷视研究院团队并没有信心，＂因为我们认为，当人本身就难以判断盏之间的区别时，那AI大概率很难做到，并且行业也没有可借鉴的案例。＂旷视研究院算法研究员申远谈道。更重要的是，与其他瓷器相比，建盏釉面具备的金属光泽会有很强的反光，这对AI识别来说是一个巨大的挑战。
　　如何在这一堆＂不可能＂中找寻到一丝可能性，申远和同事们进行了许多探索性尝试。在这个过程中，旷视团队亲自采集了8500个建盏样本数据，并进行了初步验证，发现效果比预想的还要好一些。至此，旷视团队才第一次真正对AI建盏项目产生信心。
　　但新的问题也随之而来。
　　＂过去我们接到类似的项目，往往需要研究员花费大量时间做实验设计，在过程中进行大量算法模型参数的调优。＂旷视研究院算法量产负责人周而进说。
　　为了改善这一问题，旷视对AI生产模式进行了思考，希望能够将整个AI算法生产的过程进行标准化，从而降低算法生产的门槛。于是，旷视提出了＂算法量产＂理念，基于旷视Brain++和旷视天元训练框架，打造了一个能够适配算法量产的AI基础设施——算法生产平台AIS（AI Service）。
　　基于＂算法量产＂理念和AIS算法生产平台，并通过借鉴许多在其他生物认证识别上的经验，旷视团队迅速完成了建盏溯源算法的原型开发，并验证了可行性。
　　简单来看，这套AI建盏溯源系统细分了大量的子方向和算法，包括建盏的定位、检测、质量判断，以及最重要的纹理识别。另外针对釉面材质的反光，旷视研发了一个专门的硬件设备，形状像一个封闭的盒子，并内置可控制的光源，只要将刚出窑的建盏放进盒子里打光拍摄，就能够从物理层面大大解决常规拍摄的严重反光，导致信息丢失的问题。
　　旷视AI建盏溯源系统
　　与此同时，通过2D图像的检测和细分特征识别，旷视只需要对建盏进行多个角度的拍摄和提取特征，就能捕捉到整只建盏的3D结构信息。
　　旷视AI建盏溯源系统的诞生，不仅实现了＂一盏一图、一盏一码、图码结合＂，对兔毫、鹧鸪斑、曜变等类型建盏达到95%以上的识别准确率，还可支持移动端快速鉴别建盏的真伪。这对推动建盏产业的规范化和数字化升级，提供了一套行之有效的解决方案。
　　旷视AI建盏溯源系统支持移动端快速鉴别建盏
　　周而进告诉36氪，如今这套系统已基本能做到在正常光照环境下完成拍摄任务，但也存在不少迭代改进空间，主要集中在算法演进和识别准确性上。一是将继续提高系统对更多光照环境的适应性，让用户的拍照角度更随意；二是逐步优化系统对特征不易观测的建盏（如单色黑釉）的识别准确性。
　　对旷视团队来说，这是他们将AI算法落地到非物质文化遗产保护的第一步。
　　＂从技术角度看，建盏背后的整个算法生产模式和技术，可以被复制到许多类似非遗保护的产品上。更广一点说，做物品的鉴定、身份确认等工作，背后的技术原理是相通的。＂周而进说。
　　02、基于＂算法量产＂解决大规模算法落地问题
　　实际上，AI建盏溯源系统只是旷视＂算法量产＂理念在落地过程中的一个侧影。至今，旷视已帮助能源、教育、零售、运动健身等领域的客户实现了技术在日常生产和经营中的应用，达到降本增效的效果。
　　例如，旷视开发的明厨亮灶算法已在10余座城市的学校落地，保障学生用餐安全；基于MegEngine框架，并通过＂算法量产＂和AIS生产平台，旷视为某油田提供了烟雾检测、火焰检测、油品泄漏、配电室未佩戴绝缘手套等多项AI算法，通过＂危险化学品视频分析智能预警系统＂，提升其日常安全监管工作效率。
　　透过＂算法量产＂理念，我们不难看到旷视对当下AI行业落地产生的新思考。
　　＂大规模算法落地本身是一个系统问题，真正难点在于这个系统的复杂性。＂周而进谈道，目前各行各业都有算法在不断融入，但真正能解决问题的算法仍供不应求，整个AIoT市场的算法供给面临行业数据匮乏、算法通用性低、IoT设备繁杂、Software2.0的挑战、算法供给质量参差不齐等五大挑战。
　　AIoT市场算法供给面临5大挑战
　　为了解决这些问题，目前玩家通常采用定制化开发、预训练大模型、云端AI开发平台等不同方式进行算法生产。除此之外，一直以来的算法生产模式为＂需求-数据-模型-部署＂，该模式要求研究员具备非常高的综合能力，整体生产流程存在分工难以明确、全能型人才稀缺、培训和人才储备成本高昂、经验无法沉淀成方法的难点。
　　在周而进看来，这些算法生产方式大部分是针对某个单一算法，关注算法的＂瞬时指标＂，但在应对一个复杂问题时，光靠单点是不够的。如果要有效解决整个系统问题，就要从算法生产到算法模型，再到推理框架进行标准化，去构建算法生产体系和基础设施，去关注算法的可用标准和持续迭代能力。＂标准化才有可能让算法生产的所有环节实现自动化。＂他说。
　　基于10多年的算法研发和多行业项目实践经验，旷视提出了＂算法量产＂理念，希望通过算法量产，将AI生产过程标准化，降低算法生产门槛，从而让更多人能够加入到算法生产工作中，提升算法生产效率。
　　＂算法量产不是单一的产品，而是对AI生产模式的理念革新和生产力进化。＂周而进提到。
　　为了更好地实现算法量产，旷视一方面提出了适配算法量产的5:3:2研发体系，包括5个行业工程师，基于AIS算法生产平台进行相应的业务交付；3个算法研究员，聚焦算法的创新与探索；2个工程师，不断打磨相应的基础设施并进行AI生产力工具的开发。
　　另一方面，旷视提出了适配算法量产的AI基础设施——算法生产平台AIS（AI Service），主要基于旷视Brain++体系，构建了一套覆盖数据处理、模型训练、性能分析调优、推理部署测试等算法生产全链路的零代码、自动化的生产力工具平台。
　　旷视算法生产平台AIS
　　目前，旷视AIS平台已经支持100多种业务模型训练，最快2小时即可完成训练，同时其嵌入式管理平台已支持30种设备的管理，能有效节省IoT设备的日常开发与维护成本。＂截至今年第三季度，城市物联网板块75%的模型发版都是通过算法量产的模式来完成。＂周而进说。
　　但需要注意的是，解决大规模AI算法落地的问题并不等同于解决AI落地。
　　主要原因在于，AI落地还涉及很多其他因素，比如产品、解决方案、整体价格、客户的信息化水平等，不单是大规模AI算法落地这个单一性问题。周而进告诉36氪，这需要AI技术know-how和行业know-how的深度融合，需要有核心技术体系，有软硬协同一体的产品能力，以及产品落地行业的实践经验，才能真正加速AI算法在各行业的落地。
　　03、旷视如何面向AIoT产业发展的黄金十年？
　　如果说＂算法量产＂是旷视针对大规模算法生产落地而提出，那么＂算法定义硬件＂则是其针对AIoT海量应用场景需求下提出的另一个产品理念。
　　实际上，面对当前丰富灵活多变的AI场景需求，以及不断蓬勃发展的应用生态，大部分传统硬件的产品思路是在AI技术和产品之间、软硬件之间、技术平台之间找到一种平衡，但这种平衡往往＂鱼和熊掌不可兼得＂，要么牺牲AI算法能力，要么牺牲硬件功能。
　　在旷视看来，如果要实现真正的协同，需要将算法需求前置考虑，从算法和用户场景需求出发，反推所有技术架构和平台之间的协同设计，从而得到一个更优的产品方案。
　　基于此，＂算法定义硬件＂应运而生。
　　与＂算法量产＂的底层逻辑相通，在＂算法定义硬件＂中，算法是产品的核心要素，硬件将围绕算力的优化和算法支撑来重新设计，逐步走向标准化。同时，标准化硬件能够通过加载不同算法，灵活演变成不同的智能化硬件，从而满足海量场景的应用需求。
　　从技术角度看，＂算法定义硬件＂的底层依赖是旷视以＂基础算法科研＂和＂规模算法量产＂为核心的＂2+1＂AIoT核心技术科研体系，还有以＂计算摄影学＂为核心的＂算法定义硬件＂IoT技术体系（包括AI传感器和AI机器人）。整套科研体系涵盖从基础研究、算法生产到软硬一体化产品的AI落地全链路，这也是旷视的技术护城河，以及公司未来走向AIoT商业化成功的重要基石。
　　不可否认，AIoT产业正逐渐迎来发展的黄金十年，AI技术也将进入这万亿级的海量AIoT场景中。
　　面向这个未来，旷视将AIoT产业的发展划分为三个阶段：第一阶段是单品短闭环阶段，核心AI硬件涌现；第二阶段是产品大闭环阶段，＂云边端＂产品体系重构；第三阶段是产业全面开放阶段，AIoT生态繁荣发展。
　　对旷视来说，贯穿这三大阶段的产品理念，正是＂算法定义硬件＂。
　　结语
　　回看整个AIoT产业的发展，旷视针对建盏溯源需求提出的解决方案，不过是AI技术落地过程中的冰山一角。在这条细流之外，还有更多企业沿着不同技术路径而努力，目标都是为了推动AIoT市场未来的百花齐放和生态繁荣。
　　在这个过程中，如何找准适合自己的途径和方法，提高自我造血能力，这是旷视乃至每一个玩家正不断思考和努力解决的重要命题。如今旷视给出的解决方案是：算法要与硬件和应用结合，打造出匹配场景需求的硬件产品，这才能形成真正闭环的价值，从而激发整个AIoT生态的创新。