2017年，当谷歌AlphaGo在围棋比赛中打败等级分排名世界第一的选手柯洁时，柯洁用了两个字来形容自己的感受：震撼！
而支撑AlphaGo运转的底层技术框架就是大名鼎鼎的TensorFlow。
TensorFlow是谷歌开发的一个深度学习平台，2015年11月，谷歌宣布将TensorFlow开源。迄今为止，从搜索、营销、城市安全、医疗、农业到石油化工领域，很多公司都在利用TensorFlow搭建自己的人工智能产品。例如，利用TensorFlow训练的各类智能语音助手，谷歌搜索引擎和Airbnb上的智能图片分类，Amazon上的商品推荐等等。
打个简单的比方，TensorFlow相当于AI时代的手机系统，各大智能手机厂商都可以在后者的基础上搭建出适合自身的APP。
应当指出的是，虽然TensorFlow是全球最知名的开源深度学习框架，但并不是唯一的一家。
目前，全世界主流深度学习框架包括蒙特利尔理工学院2008年推出的Theano、加州大学伯克利2013年推出的Caffe，旷视2014年内部开始研发的MegEngine，Amazon 2015年底开源的MXNet，Facebook 2017年开源的PyTorch，还有百度2016年开源的PaddlePaddle等。
值得一提的是，中国人工智能独角兽旷视早在2014年就开始研发其深度学习框架MegEngine。过去5年里，这套深度学习框架被旷视全员使用，支撑着整个旷视的科研及产品化。同时在框架的基础之上，旷视研究院还提出了“三位一体”概念，将数据和算力平台融合，构建了集“算法、数据和算力”于一体的 AI 生产力套件 Brain++。
截至目前，旷视已夺得27 项全球 AI 竞赛冠军，其中包括国际顶级计算机视觉大赛的MS COCO 三连冠，在今年的新冠疫情期间，旷视用不到10天的时间即研发上线了AI测温产品，这些都归功于其自主研发的AI生产力平台Brain++。
互金行业评论获悉，旷视将在3月25日开源Brain++最为核心的部分—能够批量生产算法的深度学习框架MegEngine，开源的代码主要面向高校师生、传统产业和中小企业的AI开发者。旷视希望通过开源MegEngine，逐步将Brain++的生产力赋能给学术界和产业界。旷视的这一开源举动，有望为中国AI开发生态注入新活力。
旷视Brain++有望不再让开发者重复造轮子
据介绍，旷视的AI生产力平台Brain++由三大支柱构成：深度学习框架MegEngine、深度学习云计算平台 MegCompute 和数据管理平台MegData。2019年的世界互联网大会上，旷视联合创始人兼CTO唐文斌曾表示， Brain++是一套端到端的AI算法平台，目标是让研发人员获得从数据到算法产业化的一揽子技术能力，不用重复造轮子也可以推进AI快速落地。
目前，旷视已经基于Brain++开发出了大量部署于云端、移动端、边缘端全计算平台的先进深度神经网络，并打造了以人工智能驱动的物联网解决方案，实现在个人物联网、城市物联网、供应链物联网三大垂直领域的广泛落地。
综合来看，Brain++具备以下几点优势：
首先，算法平台涵盖端到端的全流程，从数据准备、数据训练、到算法模型的封装，应用环节实现无缝对接。
Brain++涵盖了深度学习算法开发的所有环节。从数据的获取、清洗、预处理、标注和存储开始，到研究人员设计算法架构、设计实验环节、搭建训练环境、训练、加速、调参、模型效果评估和产生模型，到最终的模型分发和部署应用，Brain++为研发人员提供了一站式全流程的AI工程解决方案。
而MegEngine作为Brain++最核心的引擎部分，不仅能够高效、批量生产算法，还具备独特的训练和推理一体化技术架构,同时集成了行业领先的自动机器学习(AutoML)技术，可以让算法来训练算法，让AI来创造AI。
此外，MegEngine框架具有良好的易用性。根据不用的行业特点和应用已经封装成半成品，广泛涵盖能源电力、医疗、物流、汽车以及到智能智慧城市复杂整体应用的模块，新用户可以根据自己行业的应用选择不同组合的封装产品，减少开发和应用的难度。
在关键指标上，即使和主流的开源框架TensorFlow、PyTorch相比，MegEngine依然有很强的竞争力。这也是旷视有信心将MegEngine面向国内外开发者开源的原因。
中国亟需自主AI框架解决“卡脖子”难题
如今，从自动驾驶、购物、医疗到工业制造，人工智能的身影无处不在，正在深刻的改变人类生产和生活的方方面面。国务院2017年7月发布的《新一代人工智能发展规划的通知》指出，人工智能是引领未来的战略性技术，是新一轮产业变革的核心驱动力，要把人工智能发展放在国家战略层面系统布局。
毫无疑问，人工智能将成为未来经济发展的新引擎。埃森哲在一份报告中预测，AI（人工智能）可将劳动生产率提高40%；到2035年，人工智能能将年度经济增长率提高一倍。
我国人工智能发展起步较晚，与发达国家相比有一定优势也有一定劣势。中国工程院院士高文曾在分享中指出，中国在基础研究算法和核心器件方面相对落后，另一方面，有影响的开源开放平台基本在国外，中国缺少有影响力的开源平台且缺乏高端人才。也有很多专家认为，中国人工智能产业过度依赖国外开源代码，在核心技术上容易被“卡脖子”。
而对于产业界来说，在人工智能技术和产业深度融合层面，深度学习底层框架已经成为一个主要瓶颈。华为海思计算芯片产品总监王晓雷曾表示，“我们在提供算力的时候发现主要瓶颈在于框架，我希望有更多的人投入研发，指导算法发展，从而推动芯片设计。”
众多周知，人工智能分为三个层面：基础层、技术层和应用层。其中，基础层包括芯片、传感器等硬件，也包括云计算、大数据等；技术层包括三个部分：深度学习框架（TensorFlow、MegEngine）、算法模型（卷积神经网络、决策树等）、通用技术（语音识别、自然语言处理、计算机视觉等）。
最上层才是应用层，包括行业解决方案，例如金融、医疗、城市安全、教育、交通等；具体到产品层面，则包括自动驾驶汽车、机器人、智能客服等等。
可以毫不夸张的说，深度学习框架上承各种商业化应用、下接芯片等硬件，起到了承上启下的作用，堪称智能时代的操作系统。但是，在2015年以前，国内并没有开源的深度学习框架，国内开发者只能利用TensorFlow和PyTorch等平台进行人工智能算法和模型的开发、训练和部署。即便是到了今天，国内也只有百度的PaddlePaddle一个开源深度学习平台。
国产化的深度学习框架的缺乏，势必制约中国人工智能产业的长期发展。在智能手机领域，美国掌握了IOS和安卓两大操作系统，导致中国手机巨头步步被动，谷歌禁止华为使用安卓套件就是最深刻的教训。如今，如果中国在人工智能底层框架上再丧失自主权，那么未来也将不具备硬科技的国家竞争力。此次，旷视Brain++的深度学习框架MegEngine加入开源阵营，必将成为国内人工智能产业里程碑的一个大事件，有望助力中国人工智能产业加速与传统产业深度融合。
附：什么是深度学习框架？
要理解MegEngine、TensorFlow、Pytorch为代表的深度学习框架，有必要简单了解一下深度学习/机器学习/人工智能的历史。
人工智能是一个范围较广的概念，它泛指一切能够像人一样“思考、行为”的电脑程序。机器学习则是人工智能的一个分支，或者说是实现人工智能的一个工具。实际上，在2015年以前，在谷歌搜索热词里，人工智能的出现频率还要超过机器学习。
在人工智能发展早期，需要专家编写专门的程序去解决相应的问题，例如，IBM“深蓝“国际象棋电脑在设计时，不仅输入了100年来所有国际特级大师开局和残局的下法，而且还将众多国际象棋大师对对比赛的理解编成程序用来指导“深蓝”。但这种方法的弊端是，需要特定领域的顶尖专家支持，成本昂贵且耗时，不适合大规模的商业化推广应用。
机器学习则前进了一大步。人们只需要将大量相关数据输入到电脑，然后人工提取数据特征，接着“喂”给计算机，计算机学习数据中的规律，形成一个算法。机器学习的典型应用包括垃圾邮件拦截、电商商品推荐等。
但机器学习并非用来处理简单的任务比较有效，但如果涉及数据量庞大，则依靠人工提取特征就难以胜任了。这时候就出现了深度学习。
所谓深度学习，就是利用算法处理数据，并模拟人类大脑的思考过程来处理语言、识别图像等。例如，短短不到三个月，谷歌AlphaGo曾在短短3个月内就完成了从业余六段到职业九段的跨越，这是很多顶尖棋手穷尽一生都无法完成的任务，由此可见深度学习的惊人能力。
在深度学习早期，每个深度学习研究者都需要写大量的重复代码。后来，为了提高工作效率，这些研究者就将这些代码写成了一个框架放到网上让所有研究者一起使用，这就是开源深度学习框架的由来。我们做个简单的比喻，开源框架对于开发者来说，就像乐高的说明书一样，让开发者们编写神经网络变得像搭积木一样简单。谷歌TensorFlow、PyTorch就是其中最具代表性的平台。
但是在整个人工智能产业中，开源框架不仅仅是个工具，更是是连接算法和硬件，沟通研究和落地的关键节点。目前TensorFlow和PyTorch在市场中的占有率极高，虽然这个两个框架已经很大程度上为开发者的开发环境提供了改观，但仍旧都有很多的问题，要么是体验糟糕，接口混乱，调试困难，要么难以支持工业界产品研发，多机训练和量化支持差强人意。
因此单就开源框架这个市场来看，开源框架产品还有很大的提升空间。本就起家于人工智能产业的旷视科技在深度学习框架方面有了一套自己的方法论，此次能够将自用的开发工具开源，无论是在科研还是产业实践过程中，对于开发者们来说多一个选择总归不是一个坏事，真正能做到高效易用，体验友好才能被越来越多的用户青睐。