近日，共達地聯合英特爾發布《AutoML平臺應用白皮書》（以下簡稱“白皮書”），對超大規模應用及算法精細化趨勢下，人工智能如何與硬件端有機結合，實現更高效的交付與更流暢的部署進行了系統闡述。這是硬件產業AI化升級的一次前瞻性嘗試，為AIoT的全面落地及AI賦能產業智能化轉型的加速實現進行了重要探索。

對于本次合作，英特爾認為，AI的廣泛應用是近年來最具顛覆性的趨勢之一，推動 AI算法在實際業務中的應用，已經成為企業實現智慧化轉型、挖掘數據價值的重要方式。得益于英特爾與共達地的合作，用戶不再需要關心算法流程，只需定義場景和需要部署的算法，便可使用共達地 AI 自動化訓練平臺和自動化算法商城訓練的算法快速在英特爾® 平臺上進行部署，從而降低部署門檻與成本。

共達地創始人兼CEO趙叢博士認為，共達地此次與英特爾的合作，通過共達地 AutoML 平臺與英特爾® 視頻AI計算盒的整合應用，實現了算法從數據分析、模型設計、超參調節、模型訓練到模型部署、迭代優化的全流程自動化，真正讓企業不用成立AI團隊，也能順暢使用AI技術。

共達地x英特爾，算法精細化趨勢下的強強聯合

近年來，得益于云計算、大數據等領域的快速發展，AI開始充分與硬件結合，實現超大規模應用。IDC 調研數據顯示，包括軟件、硬件和服務在內的 2022 年全球人工智能收入預計同比增長 19.6%，達到 4,328 億美元，預計 2023 年可突破 5,000 億美元大關。

但是AI模型的構建、訓練、優化與部署通常伴隨著高門檻、高成本、長周期等特點，這使得當下的人工智能技術主要應用于安防監控、金融風控、智能手機等需求統一、場景單一的業務領域，形成頭部玩家集中、中小企業競爭激烈的格局。

與此同時，隨著數字經濟建設與產業智能化轉型加速，真實業務場景中出現越來越多碎片化、長尾化的需求。例如，在智慧城市建設中，除通用的安防監控外，也需要通過AI技術識別高空拋物、煙火、占道經營等風險以實現智能化管理；在工業領域，除人臉識別打卡外，針對成百上千種不同類型零部件的多種缺陷進行自動化檢測，對提高生產質量和生產效率至關重要。然而，因場景碎片化、需求個性化、數據難采集等特點，市面上已有的算法適配度低，定制化開發新算法成本高、復用性低，導致需求長期無法得到滿足。但這類需求約占據人工智能應用市場的96%，并呈井噴式發展趨勢，是“隱形的主流需求”。

在此背景下，AutoML的概念進入舞臺中央。AutoML是指通過AI開發流程自動化，在無需專業算法工程師介入的前提下，實現快速、高效地AI開發與部署，以適配碎片化場景下的個性化算法定制需求。共達地就是一家立足于為行業提供自動化、平臺化人工智能開發服務的公司，通過共達地的AI全自動化訓練平臺，企業無需搭建專業算法工程團隊，就能即刻擁有小時級的 AI模型生產能力，大幅降低 AI 開發成本、部署周期和使用門檻，工業化實現精細場景中AI算法的高效定制及端到端的重構、訓練、優化與部署。

本次共達地與英特爾的廣泛合作，將充分利用英特爾® 至強® 可擴展處理器、英特爾® 視頻 AI 計算盒、以及英特爾® OpenVINO™ 工具套件分發版（OpenVINO™ 工具套件）等軟件工具，實現硬件與AI技術的彈性結合，為企業與開發者在多元場景下適配更易用、更流暢、更靈活的智能硬件提供了成熟答案。

AutoML深入產業，提升產業轉型效率

白皮書顯示，共達地的AI全自動化訓練平臺目前已在智慧城市、智慧園區、智慧社區、智慧交通、智慧金融網點、明廚亮灶、智慧工地、智慧工廠、智慧油站等多個領域應用落地，為客戶帶來低門檻、高效率的轉型體驗。

例如，在某智慧城市建設項目中，共達地與平安智慧城市達成合作，針對城市治理中的碎片化需求，構建了“自動發現、自動預警、即時處理”的一站式AI解決方案。面對層出不窮的新場景、新需求，傳統解決方案從需求評估到到測試迭代通常需要數月時間，但共達地AI自動化訓練平臺可在數小時內完成違規停車、井蓋丟失、損壞檢測、煙火檢測、占道經營等多個碎片化場景的算法模型訓練。目前這些模型已經率先在平安智慧城市的多種機器人中搭載上線，在實際應用中準確率遠超行業平均水平。

在與某大型牧場的合作中，客戶想要加強對奶牛的精細化管理，但這類需求很難在既有算法市場得到滿足，同時囿于數據采集困難、復用率低等特點，定制難度較大，給牧場轉型帶來了極大的障礙。共達地通過接通牧場的監控錄像進行數據提取，完成了基礎數據采集和標注工作，并在數小時內完成了AI能力的建構，一周后便進行了有效交付。AI 算法對奶牛的站臥狀態檢測、進食自動噴淋檢測和草垛狀態檢測均取得了良好效果，還能以天為單位采集現場的數據，回傳給自動化訓練平臺，進行算法的自主學習、快速迭代，幫助牧場實現更科學、更精細的飼養。

除了針對通用場景中碎片化需求的快速定制和針對特殊場景的算法強化，共達地還基于對行業上90%常見任務的理解，推出“算法商城”以滿足中小企業在碎片場景的迫切需求。目前算法商城包含近百個場景中適配百余款芯片的5000多種高精度算法，供客戶以0代碼、即插即用的方式，快速將AI算法應用于業務鏈條中，實現智能化升級。

實驗數據顯示，相比于傳統方式，共達地 AutoML 技術在模型調參上可節省約80%的時間，在模型搭建上可以節省超90%的時間。也就是說，對于客戶而言，產業智能化轉型將不再是一場耗時數月甚至數年的復雜工程，共達地AutoML自動化AI訓練平臺通過高效率、高適配、高精準，重新劃定了產業智能化轉型的起跑線，通過技術變革讓轉型進入快車道。

共達地針對不同用戶需求的支持方案

軟硬一體+生態聚合，讓AI為產業發電

人工智能和機器學習領域的國際權威學者吳恩達曾樂觀地宣稱：“人工智能是新‘電能’……正如100年前電能幾乎改變了所有行業一樣，今天我真的很難想到有哪個行業在未來幾年內是不會被人工智能改變的。”然而研究表明，AI領域的人才缺口在2022-2024年將達到150萬。此外，高門檻帶來的高薪資，也給這項技術的廣泛商業化帶來現實障礙。

從這個角度講，作為推動產業變革的人工智能產業本身就需要一場內部革命，即變革算法的生產模式，以更輕量、更靈活的方式適配業務需求，產生真實可見的產業價值，并在這個過程中推動業務數據沉淀，反哺算法迭代，形成“技術-產業”間的正向循環。

“軟硬一體化”是人工智能落地的重要前提。本次共達地與英特爾的合作，就是讓算法賦能硬件，讓“大腦”指揮“四肢”的一次重要嘗試，為實現個性化場景下的標準化交付提供了技術基礎與生態基礎。

在技術方面，交付周期的縮短和準確率的保障，為產業質變提供了效率基礎。傳統 AI 算法大多使用公開數據集進行模型訓練，在部署到實際落地場景時，還需要工程師采集現場數據并進行針對性的迭代優化，耗費時間可能長達 1~2 年。共達地可快速部署算法，并使用 AutoML 訓練平臺自動收集現場數據，以天為單位進行自動迭代優化，從而能夠高效滿足用戶需求。

更重要的是，實驗數據顯示，在同等數據條件下，由共達地 AutoML 方案自動化訓練實現的模型精度優于中高級算法工程師所實現的模型精度。以 “鳥類識別”算法為例，算法工程師訓練 RetinaNet 網絡實現的檢測準確率（MAP）為 4.8%，傳統算法使用網絡結構搜索（NAS）與超參數優化（HPO）實現的準確率為 15.2%，而共達地使用數據分析 + 自動方案設計實現的準確率可達 78%。再以銷釘缺陷檢測為例，算法工程師訓練 CNN 檢測銷釘實現的檢測準確率（MAP）為 88%。而共達地使用自動方案設計與工作流編排實現的檢測準確率可達 98.9%。

共達地的算法訓練平臺與其他方案的精度比較

在生態方面，共達地基于AutoML搭建的自動化AI訓練平臺即是對生產關系的全新探索。通過讓AI生產AI，一方面將寶貴的專業AI算法工程師解放出來，去拓寬人工智能的邊界；另一方面以領先技術為基礎，共達地堅定地站在人工智能應用生態的中間層，不僅為行業提供成熟的算法商城，還針對有算法定制需求的企業，提供了定制服務和訓練平臺，以適配不同場景對AI的不同期待。此外，通過廣泛適配百余款芯片，共達地將可用算法快速部署至各類硬件終端，以解決軟硬件適配難題。

通過這種方式，共達地以一個平臺為基礎，構建了一個聯合上下游算法公司、硬件廠商及解決方案公司的良性生態，聚成合力共同為產業轉型賦能。在這個基礎上，超大規模應用趨勢下的場景碎片化現狀與算法高精度、快交付需求之間的矛盾將得到極大的緩解，硬件適配性差、利用率低等方面的固有困擾也將不再成為轉型卡點。最終形成以業務場景為驅動，技術賦能產業，產業反哺技術的良性互動。

技術革命的歷史證實，技術推動效率，效率引發規模，規模孕育質變。在人類歷史上，洗衣工、人力車夫、電梯操作員、計算員曾是重要的工種，但如今技術的發展不僅替代了這些重復、低價值的工作，還為創造新的產業提供了土壤。同樣，共達地與英特爾及更多生態上下游的企業正致力于通過領先技術，提供更充足、更穩定的AI能力供應和更低門檻、更高效率的AI服務，讓AI這項“新電能”真正普惠百業。