我研究了最热门的200种AI工具，却发现这个行业有点饱和

一大部分集中在数据 pipeline，包括数据管理、贴标签、数据库 / 查询、数据处理和数据生成。数据 pipeline 工具可能也想成为一体化平台（all-in-one platform）。由于数据处理是项目中最耗费资源的阶段，一旦有人在你的平台上放置他们的数据，那就很有可能给他们提供预构建或预训练的模型。

建模和训练工具大多是框架。当前深度学习框架之争有所平静，主要集中在 PyTorch 和 TensorFlow 这两者之间，以及基于这两者解决 NLP、NLU 和多模态问题等特定任务的更高级的框架。分布式训练领域也有一些框架。还有一个出自谷歌的新框架 JAX，每个讨厌 TensorFlow 的谷歌员工都力捧这个框架。

存在一些用于实验追踪的独立工具，一些流行深度学习框架还有内置的实验追踪功能。超参数调整很重要，所以出现专门用于超参数调整的工具并不奇怪，但是它们似乎没有一个流行起来。因为超参数调整的瓶颈不是设置，而是运行它所需的算力。

尚未解决但最令人兴奋的问题在部署和服务空间中。缺少服务方法的原因之一是研究人员与生产工程师之间缺乏沟通。在有能力进行人工智能研究的公司（常常是大公司），研究团队与部署团队是分开工作的，两个团队仅通过 P 打头的经理：产品经理、程序经理、项目经理互相交流进行沟通。而员工可以看到整个堆栈的小公司就会受到即时产品需求的限制。

只有少数几家初创公司能够缩小差距，这些公司通常是由已有成就的研究人员创建，并且有足够的资金雇佣优秀的工程师。而这样的初创公司将会占据人工智能工具市场很大一部分。

开源和开放内核（open-core）

作者选择的 202 种工具中有 109 种是开源软件（Open Source Software, OSS），并且没有开源的工具也常常与其他开源工具绑在一起。

开源软件的出现和发展由多种原因促成，以下是所有开源软件支持者谈论数年的一些原因，包括透明度、协作、灵活性以及合乎伦理道德。客户可能不希望使用无法获取源代码的新工具。否则，如果不开放源代码的工具无法使用，则必须重写代码。这是初创公司经常出现的状况。

开源软件并不意味着非盈利和免费，开发者有其更深远的目的。需要看到，开源软件的维护耗时且花费不菲。传闻 TensorFlow 团队的成员数接近 1000 人。一家企业提供开源软件肯定有其商业目的，举例而言，越来越多的人使用某家公司的开源软件，那么该公司的名头就会越来越响，人们也就更加信任这家公司的专业技术，最终可能会购买他们的专有工具，甚至加入他们的团队。

这样的例子比比皆是。谷歌不遗余力地推广他们的工具，其目的是想用户使用其云服务。英伟达维护 cuDF，旨在售卖更多的 GPU。Databricks 免费提供 MLflow，但也售卖他们的数据分析平台。

此外，网飞公司最近成立了专门的机器学习团队，并推出了自己的 Metaflow 框架，从而也加入到了机器学习（ML）的发展大潮中，以吸引人才。Explosion 免费提供 SpaCy，但同时对 Prodigy 收费。HuggingFace 是一个特例，它免费提供 transformer，但不清楚究竟如何盈利。

随着软件开源成为一种标准，初创公司找到一种行之有效的商业模式变得很困难。任何刚起步的工具类公司都必须与现有开源工具竞争。所以，如果初创公司选择开源内核的商业模式，则必须决定开源软件中涵盖哪些功能，付费版本中包含哪些内容才不显得贪得无厌，以及如何让免费使用工具的用户开始付费。

未来展望

关于 AI 泡沫是否破裂的讨论此起彼伏。很大一部分的 AI 投资流向了自动驾驶汽车，但我们已了解完全自动驾驶的车辆离落地应用还有很长的路要走，一些人猜测投资者将会对 AI 完全丧失信心。

谷歌暂停了 ML 研究人员的招聘，优步也解雇了 AI 团队中一半的研究人员。这些决策都是在新冠肺炎爆发之前做出的。此外，有传言称，由于选择攻读机器学习的人数太多了，市场上 ML 的工作需求却远远少于掌握 ML 技术的人才。

那么问题来了，现在进入 ML 领域还是好时机吗？不可否认，AI 炒作确实存在，在某种程度上，这种热度需要「降温」。这一点可能已经发生了。然而，作者并不认为 ML 会消失。可能越来越少的企业能够支撑得起 ML 研究，但依然会有企业需要工具将它们的 ML 付诸生产。

由此，如果必须在工程和 ML 两者之间选择，作者建议选择工程。优秀的工程师学习 ML 知识更加容易，但 ML 专家想要成为优秀的工程师就比较困难了。如果可以成为一位能够构建优秀 ML 工具的工程师，那真是再好不过了！

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!