2021年正值科技摩擦之际，我采访到一位工业机械公司的技术负责人，向他问到：“制造领域有没有一些“卡脖子”的情况？”
他提到，“工业智能制造的核心要素，可以归纳为“三软三硬”。三软主要是指大数据、人工智能和工业软件，三硬主要是指核心装备、制造工具和材料。卡脖子这个问题，在各行各业各个领域都普遍存在”。
“反倒是深度学习框架，现在的情况还好，没有卡脖子。TensorFlow是开源框架，虽然也是国外的，但目前还没有封闭，不过也不排除它后期还会封闭。这也是为什么我们公司选择国产深度学习框架，一是使用门槛更低，二是防患于未然。客观地说，国产框架离TensorFlow还有一定的差距，但这个差距在肉眼可见地缩小。”
从传统的深度学习模型时代，到方兴未艾的大模型时代，都离不开AI框架的平台化支撑，其重要性不亚于芯片。但和芯片不同的是，与大模型发展相适配的国产AI框架，基本实现了自保。
这是基础技术领域一个非常大的进步，也是中国为什么没有错过这一轮大模型AI热潮的原因之一。
2021-2024的短短数年，从机器学习到大模型，新旧技术“沧海桑田”，科技行业风云变幻，但AI框架之于产业的重要性，却从未改变。
如果说，从信息化、数字化到智能化的漫长进程，就像鱼类走向陆地的进化变迁，那么AI框架，就处于算力层与应用层的中间地带，犹如海洋与陆地之间的那道“海岸”，支撑着各行各业与智能浪潮的交融。
那么，究竟什么是大模型所需要的AI框架？AI框架是如何满足产业链需求的？国产AI框架与海外框架的差距或差异又在哪里？
本文就让我们深入AI产业链的中枢地带，沿着AI框架的“海岸”一探究竟。
鱼要经由海岸，进化成两栖动物，适应陆地，才能具备在新环境的生存能力，拓宽种群的边界。同理，AI模型从训练到推理的全流程落地，开发者也需要一种基础设施作为助力，这就是AI框架。
一个底层AI框架，至少具备几个特质：
1.通用性。AI框架作为基础设施，广泛覆盖各类模型，同时简化了AI开发过程，对多种算法进行模块化封装，让开发者不需要“重复造轮子”，可以快速搭建AI模型。比如对多元异构计算硬件的适配兼容，支持大分发多类型任务调度的分布式能力，核心算子库等，是开发各类算法模型都需要的，都要在框架层去解决。
2.全流程。AI框架集成了模型开发所需要的工具，为开发人员提供全流程的开发环境。具体来说，训练、调优、测试和部署的一整个标准化流程中，所需要的相应组件，都能够在一个平台获得，进行全流程的项目提升，高效满足各类场景的定制化建构需求。
3.生态化。从产业链全局来看，AI框架下接芯片，上承应用，是芯片厂商、应用开发者、软件服务商等多个行业主体都汇聚的中枢地带，形成了非常关键的AI生态系统。拥有一个集聚产业链的自研AI框架，就如同拥有了一条生态丰富、自主可靠的海岸线，是一企乃至一国守住AI疆域的关键。
因此，当ChatGPT代表的大模型爆火之后，焦虑无处不在，“我们没有大语言模型怎么办？”“高端算力卡被禁了怎么办？”“基础软件卡脖子怎么办？”但同样至关重要的底层AI框架，却没有出现“什么时候才能有自己的框架”的焦虑。
试想一下，如果国计民生重点行业的大模型，建立在海外企业的框架上，开源许可证的断供风险、数据安全风险可想而知。幸好，国产AI框架，早就做好了准备。
目前，国际有两大主流AI框架TensorFlow（谷歌）、PyTorch（Meta），而中国自研的AI框架，按照其厂商可以分为三类：
一是以百度为代表的AI头部科技企业推出的，如飞桨paddlepaddle，基于先进模型和产业生态积累，布局AI框架，建立智能业务的体系化优势。
中国软件产业40年功勋人物、“国家卓越工程师”称号、百度CTO的王海峰，曾回忆文心一言的开发过程：2023年要在算力需求爆发、供应紧缺的条件下，快速跟上ChatGPT的趋势，正是基于百度的深度学习框架飞桨paddlepaddle，下游跟主流的芯片厂商做了适配，任何好的算力，我们都能用得起来，很快完成了大模型训练。
二是以华为云为代表的AI云服务厂商推出的，如昇思mindspore，通过AI框架，在云基础设施和行业云用户之间搭建起桥梁，提供完整的云端大模型服务。
去年大模型的百花齐放，就是很多ToB企业和软件公司，利用华为云上的AI框架昇思mindspore，以及盘古大模型、昇腾AI云服务等，支持国内各类开发者、服务商等结合行业应用场景，做出原创模型，支撑了国内多个领域训练并首发大模型，加速了大模型走向产业化的进程。
三是垂类AI服务商、研究者推出的深度学习框架，具备某些独特的技术特性或应用场景，比如旷视科技（Megvii）在计算机视觉领域的专长，使其MegEngine框架在图像处理任务上表现突出；清华大学计算机系推出的Jittor，特别适合于研究和教育领域，便于快速实验和算法原型开发；腾讯优图的NCNN框架专为移动端和嵌入式设备优化，适合资源受限的环境或边缘计算；一流科技的Oneflow，也是业内完整的深度学习框架类产品。
不同于英伟达基于芯片构建的软件生态体系，国产AI芯片厂商受限于产品规模，自研软件配套的应用范围比较有限，有待发育，就不详述了。
综上，面对大模型掀起的这一轮AI浪潮，海外框架平台生态蓬勃，起到了一个“海阔凭鱼跃”的作用。国产AI框架也没有缺席，为各行各业探索大模型，奠定了基础，汇聚了力量。
AI框架之所以没有缺席，是中国产学界人士“板凳甘坐十年冷”，一点一滴地构筑而成的。这个过程，遵循了技术领域的“双漏斗”规律，是一个从扩散到收敛，从收敛到扩散的过程，其间经由开发者不断选择和淘汰，最终演化成了今日格局。
第一阶段：早期时期的扩散漏斗（Diversity Phase）
新技术出现的初期，由于技术尚未成熟，新的想法和产品层出不穷，市场和用户对于哪种技术会最终胜出存在很大的不确定性，因此会出现多样化的技术流派。
PC操作系统、移动互联网OS都经历过百花齐放、多家争鸣的阶段，AI框架也不例外。深度学习大行其道的时候，数据、算法和算力激增，工程复杂度提高，开发者非常需要减少“重复造轮子”，直接调用某些模型或工具，这时候各大厂商都开始将自研算法和工具封装为软件框架，供开发者使用，涌现出了Theano、Caffe（伯克利大学）、Torch、DistBelief（谷歌，TensorFlow前身）等多款框架。
同一时期，国内还没有互联网企业或科技公司做框架，部分高校在学术科研角度做了一些零散的工作。构建完整的深度学习框架，是2013年百度开始。因为很早就关注到深度学习技术，百度更早遇到了深度学习应用上的一些挑战，比如所有的算法从头写，开发效率低，经常出错；每个深度学习开发团队写的程序差异很大，模块无法复用，兼容性也不高，急需一个统一框架。于是2013年，百度开始在框架上投入。据了解，当时百度内部也是框架百花齐放，开发了多个深度学习框架，解决不同业务的不同问题。
值得注意的是，早在此时起，国内外的框架就已经显露出差异化的特质。以Caffe、Torch为代表的海外框架，更偏向于学术、工程师使用；以百度为代表的国內框架，从产业土壤上生长出来，一开始就很注重实用性、功能性、分布式训练、硬件优化等产业特性。
第二阶段：竞争时期的收敛漏斗（Consolidation Phase）
随着时间的推移，更主要是AI巨头如谷歌、Facebook、百度的优势框架相继开源，其他框架逐渐被淘汰、合并，多样化的框架格局开始向几家主导“收敛”。
2015年开始，谷歌大脑宣布TensorFlow开源，2016年百度飞桨宣布开源，2017年Meta人工智能研究院（FAIR）宣布PyTorch开源。开发者逐渐集中到几个主导者生态中。
曾经的热点框架如Theano、CNTK（微软）、Keras、Caffe2都相继停止维护，或被主流框架收编，百度内部也开始将多款框架收敛为paddlepaddle，并正式对外开源。
这一阶段，海内外并不“同此凉热”。
一方面，PyTorch凭借极强的学术灵活性、易用性，迅速崛起，已经发布很快成为爆款，成为围剿谷歌“框架霸权”（TensorFlow不兼容其他开发框架）的生力军。
另一方面，当时国内很多企业的AI意识还没有觉醒，以计算机视觉为代表的深度学习技术，很难满足产业落地的精度需求。因此，当海外AI巨头围绕框架“火星四溅”的时候，中国的深度学习框架依然是“冷板凳”，企业中只有百度一家在坚持做。
如果说，当时海外框架是因竞争而主动收敛，那国内框架就是因为遇冷而被动孤守。
第三阶段：摩擦时期的再生漏斗（Renewal Phase）
当主导框架不再适应时代需求，就会出现新的创新浪潮，导致技术的多样性再次增加。“TensorFlow、PyTorch两分天下”的局面被改变，国产AI框架的创新再生大爆发，是在2019-2020左右，中美科技摩擦逐渐增多，需求侧和供给侧都发生了诸多变化。
从供给侧来看，海外框架爆出安全漏洞，而AI又涉及国计民生核心领域，供应链风险不得不重点考虑，自主可靠的国产框架成为必需，供给增多。这一阶段，国产AI框架进入加速发展期，除了飞桨PaddlePaddle，华为、阿里巴巴、腾讯、旷视科技等产业界，以及清华萨血等学术界，也都相继推出了自研框架，丰富了国产框架的活力。
从需求侧来看，随着AI渗透率提升，中国各行各业的开发者需要中文框架，更贴合中国市场的工具与数据集，更符合中国开发者需求的社区生态，更能满足中国产业需求的AI平台。
有开发者曾提到过，偏底层的TensorFlow，没有为开发者考虑到大量细碎问题；习惯了邮件沟通的海外平台社区，无法满足中文开发者实时交流、社群互动的本土化开发需求；需求分散、场景多样的国内中小企业，很少有技术人员，TensorFlow、PyTorch纯开源框架不能提供成熟低门槛的解决方案，这种模式无法支撑AI广泛落地。
当前阶段：大模型时期的再收敛漏斗
AI框架从深度学习到大模型阶段，从扩散到收敛再到扩散，技术革新与格局嬗变的背后，一条主线从未改变，那就是从学术到产业化，变得越来越易用、实用。对开发者和产业更友好，更具应用优势的框架，生态的吸引力更强，框架的生命力也就更长，最终从群雄逐鹿的赛场中厮杀出来，成为主导。
目前，源于中国产业实践的国产AI框架，也逐步收敛到更懂产业应用场景、更具技术先进性和生态规模优势的飞桨与昇思。
具体表现在，飞桨和文心一言，昇思与盘古大模型，与产业结合的广度和深度，已经超越了其他国产框架的生态规模。
同时，形成了全链路、低门槛的大模型服务能力，提供从算力、模型到应用、商业层的多元多层支持，凝聚更加广泛的开发者。
产业链角色的多样性与开放性也格外显著，与模厂、硬件厂商、应用开发者、软件企业、ISV服务商等行业伙伴，都建立起了较好的相互赋能关系，构建起智能服务的产品结构体系。
进入大模型时代的新阶段，AI基础设施的重要性，也被拔高到了前所未有的高度。
正如基础通用模型不可能人人都做，如果企业和科研机构无差别入场做基础模型，会造成算力人力的极大浪费，也会让使用者的精力分散在各种模型的试错上，无法快速凝聚到技术更强的模型上，框架也是类似的逻辑。
一个底层框架的技术优势、工具完整度、生态规模，需要长期积累、聚沙成塔，而基础软件又格外需要生态的发展和汇集。逐步收敛到飞桨、昇思等更具潜力和繁荣的产业化框架上，构筑AI战略底座，将是大势所趋。
如前所说，AI框架是技术浪潮与产业大陆的连接地带，只有在一次次潮起潮落后，仍然坚守下来的平台，才能成为中国AI产业链的坚定守护者。
经由时间和市场的洗练，国产框架与海外框架的特性差异，也变得越来越清晰。而这，可以作为一个侧影，让我们看到中国AI的差异化亮点。
还记得ChatGPT横空出世之后，大家总能听到这样的言论，“中美AI差距有十年”“OpenAI一心底层创新，中国AI还没长大就得出去赚钱”“百模大战是同质化的浪费资源”……
从AI框架可以看到，更强的产业化能力，本就是中国AI的底色，也是亮色。
基础能力上，以飞桨、昇思为代表的AI框架，在产业AI方面的实践更多、积累最早，理解也最为深刻，因此可以很好地支持AI模型开发与部署，让产业迅速、更大规模应用这些新技术。
举个例子，面向科研、强调学术研究灵活性的PyTorch，对产业应用的推理部署需求，做得是比较薄弱的，而国产框架为大模型到产业铺设了一条高效通道。
飞桨很快上线了对大模型开发的功能支持，提供了一系列模型封装能力，加速大模型的产业化落地。昇思MindSpore提供了一整套高效、易用的大模型使能套件，形成了端到端的使能大模型开发能力。
通过AI框架，开发者与行业少走弯路，不重复造轮子，快速高效地把大模型用起来，这是中国的基座通用大模型快速跟进、行业大模型爆发的前提。
产品体系上，源于产业需求的国产AI框架，能力布局更加全面、细致，可以更好地满足产业落地AI大模型的实际需求。
纯开源的海外模型，常常会强调自己的技术有多厉害，有多强，对开发者就主打一个“野蛮生长”，这与其数字化水平、数字人才等都有直接关系。
然而中国企业的小、分散、需求长尾，决定了AI框架作为产业基础设施，是不能轻易“放养”的。
比如硬件适配，海外以英伟达为主导的硬件市场，也不像中国面临多元异构算力问题的巨大挑战。作为国产AI框架，必须进行软硬件结合的深度融合优化，做特别多的工程开发工作，来降低开发者的硬件适配成本。
再比如模型库。模型库不是深度学习框架核心的组成部分，底层框架厂商投入精力去打造更细分的模型，看起来好像是把精力分散到了外围一些无关紧要的东西上，而不是底层核心技术。但从产业应用的角度来看，中国存在大量企业，没有专门的研发人员能够使用核心框架，从头完成一个模型的自研工作，AI也没有办法落在产业需求中。
利用框架平台的AI解决方案、模型和开发套件，进行微调改写，就能得到一个贴合场景的定制化模型，这更符合中国的产业实际。
源于产业、面向产业、托举产业，以国产AI框架为基，如同隐藏在漫长时光深处的“海岸”，在技术潮水涌动之际，才能看出战略价值，支撑住中国产学政各界对大模型技术的期待。
处于产业链中枢地带的AI框架，以稳定的底座、全产业链的贯通、较低的门槛，吸引了大量行业和从业者在这里栖身，适应并探索AI新技术；
在这里“进化”，从非数字原生组织，生长出数字化、智能化的能力；
在这里“融合”，多种产业角色在这里交流、融合、创新，汇聚起丰富的AI生态。
最终，经由AI框架的“海岸”，开发者和行业一步步向AI时代迁徙，开启产业智能进化的新篇章。
免责声明：此文内容为第三方自媒体作者发布的观察或评论性文章，所有文字和图片版权归作者所有，且仅代表作者个人观点，与极客网无关。文章仅供读者参考，并请自行核实相关内容。投诉邮箱：editor@fromgeek.com。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
