企業(yè)的生產(chǎn)離不開視覺技術的輔助。比如攝像頭監(jiān)控到工業(yè)生產(chǎn)流程，如何識別這些特殊場景的內(nèi)容就成了難題。

舉個例子，港口裝配的攝像頭偶爾才能捕捉到為數(shù)不多的幾個人像，在若干遮擋物的干擾下，可能根本無法識別出特殊人員的出現(xiàn)。如果機器不能及時預警，監(jiān)控員很可能就會忽略掉，所謂的安保也就成了漏洞百出的“篩子”。

再比如，運用計算機視覺算法來識別火災等災害的特征，難以“防患于未然”。當攝像頭監(jiān)測到大量煙霧的時候，很可能災情已經(jīng)難以控制了。只有在煙霧剛剛似有若無的時候就發(fā)現(xiàn)它，AI才有可能真正發(fā)揮價值。

大家可能已經(jīng)發(fā)現(xiàn)了，工業(yè)場景對AI的要求經(jīng)常是“巧婦要為無米之炊”。需要在數(shù)據(jù)匱乏的情況下，起到技術支撐體的作用，成為人類操作員的“最佳輔助”。這可能嗎？

我們與開發(fā)者們聊了聊，發(fā)現(xiàn)這樣的“送水人”還是真實存在的，米文動力就是其中的一個。

有過AI開發(fā)經(jīng)驗的朋友會知道，場景定制化的AI功能開發(fā)，往往需要有適合自己開發(fā)任務的主板。沒有強健的體魄支撐，再聰慧的大腦也帶不動啊。而米文動力所做的是，就是在“飛槳”等深度學習開發(fā)框架上，定向開發(fā)出多種離線深度學習算法，加上英偉達的GPU硬件，打造出適合工業(yè)場景的計算平臺。

一方面，針對工業(yè)場景中數(shù)據(jù)稀疏的問題，進行了針對性的算法開發(fā)。比如針對我們前面提到的火焰煙霧的及時識別，米文一方面四處“點火”，主動創(chuàng)造訓練數(shù)據(jù)；另一方面則通過運動檢測來增強數(shù)據(jù)，把深度學習無法正常工作的場景中的數(shù)據(jù)進行擴容，從而讓系統(tǒng)能夠進一步分析和訓練算法。

另外，結合工業(yè)場景數(shù)據(jù)采集難、終端實時計算的特殊需求，打造了邊緣計算+云端的計算平臺。像是在輪船、吊車等一系列大型工業(yè)設施上，米文對硬件部分做了針對性調(diào)整，讓視覺終端可以在高溫高濕有震感的環(huán)境下長時間工作；軟件部分則借助GPU的強大算力，遠程完成模型更新與數(shù)據(jù)獲取，降低了工作人員到現(xiàn)場取數(shù)據(jù)的頻率。

這一系列工作的最終目的，都是讓AI能夠真正變成人類操作員的“眼睛”，從高強度、高風險作業(yè)中解放出來。

看到這里，是不是很驚嘆于開發(fā)者們的創(chuàng)造力？普通人眼里一樣的“AI”倆字（母），在他們手中卻能變幻出這么多奇思妙想。

除了上述幾個代表型創(chuàng)新，我們在百度AI開發(fā)者大會現(xiàn)場，還看到了幫助京東方植物工廠育苗的AI，浦發(fā)銀行的首位AI員工，以及幫助基層醫(yī)生看CT的AI……

在這些創(chuàng)造力的迸發(fā)背后，或許可以探討這樣一個問題：過去，我們總覺得AI距離普通人很遠，那些真實可用療效好的AI，到底去哪兒領？

也許最核心的關鍵詞應該是——AI開發(fā)者。

他們帶給AI的并不僅僅是一兩個爆款應用，隨著AI的持續(xù)深化，開始指向更為復雜精細的行業(yè)需求，能夠連接原始產(chǎn)業(yè)與AI能力的角色，唯有這些胸有丘壑的開發(fā)者才能觸達。