文章图片

撰文 / 张贺飞
编辑 / 沈洁
2020年 ， 应届毕业的蒋倩成了一名算法工程师 ， 因为工作的原因 ， 蒋倩接触到了刚刚开源的昇思MindSpore 。
和许多开发者一样 ， 蒋倩对人工智能和开源社区充满了好奇心 ， 一边在社区中学习深度学习的算法原理 ， 一边和别人分享自己的算法模型和技术教程 。 用他自己的话来说：“就像是一个升级打怪的过程 ， 一开始自己也是一知半解 ， 后来参加集训营、在社群中和大家交流 ， 目前已经贡献了多个算法模型 。 ”
现在的蒋倩有了一个新身份 ， 既是自己公司的“技术大牛” ， 也是昇思MindSpore社区认证的“布道师” 。 像蒋倩这样优秀的认证开发者 ， 昇思MindSpore社区里已经有300多位 ， 其中不少人属于小白到大神的进阶式提升 ， 他们在社区中不断学习成长的过程 ， 形象地勾勒了昇思MindSpore在过去两年中的价值和意义 。
借助MindSpore TechDay的机会 ， 我们不妨将目光聚集到开源的另一面 ， 即一个开源社区和开发者们的成长历程 。
01 产业导向的进化 在昇思MindSpore正式开源前 ， AI框架已经流行了一段时间 ， 经历了Caffe、Theano代表的浅层框架 ， 到TensorFlow、PyTorch代表的通用框架的过渡 。 可这些框架并不能很好地适应工业需求 ， 要么为了性能牺牲了易用性 ， 要么为了灵活调试而牺牲了性能 ， 无法同时满足易开发、高效执行的要求 。
相较于那些学术性质的框架 ， 昇思MindSpore有着鲜明的产业导向 。 在华为的AI战略布局中 ，Atlas系列硬件、异构计算架构CANN、全场景AI框架昇思MindSpore、昇腾应用使能MindX以及AI应用使能ModelArts等共同构成了相对完善的昇腾AI基础软硬件平台 ， 其中昇思MindSpore可以在云、边、端等不同环境下进行开发部署 ， 瞄准的是科研创新和产业应用 。
蒋倩就是因为项目落地的需求 ， 尝试了海内外的多个AI框架后 ， 最终和昇思MindSpore结下了不解之缘 。 所以不同于市面上的其他框架 ， 昇思MindSpore的进化过程呈现出了两个典型特征：
一是立足于实际场景的落地应用 。
昇思MindSpore在1.0版中就达到了生产商用的标准 ， 开发者可以放心部署在实际的生产场景中；开源一周年时推出的面向入门级开发者的新工具 TinyMS ， 被不少开发者形容为“无痛上手极好用”；不久前更新的昇思MindSpore 1.6版本中 ， 针对开发效率进行了进一步改进 ， 控制流性能得到提升并支持副作用训练 。
二是将大模型作为开发的新范式 。
大模型是连接技术生态和商业生态的桥梁 ， 也是科研创新走向产业应用的重要枢纽 ， 昇思MindSpore相继支持了鹏程.盘古、紫东.太初等千亿级参数的大模型 ， 目的正是使能大模型的训练开发 ， 推动大模型在不同行业进行应用落地 ， 进而串联起产业链上下游的开发者 ， 打通AI的产业化路径 。
基于这样的产业布局 ， 昇思MindSpore的不少特性被开发者点赞 ， 诸如自动并行、二阶优化、动静态图结合、全场景部署、全栈协同加速等等 ， 同时也让昇思MindSpore在市场上迅速站稳了脚跟 。 截止到2021年底 ， 昇思MindSpore已经支持300多个网络模型 ， 涵盖CV、NLP、推荐等主流模型 ， 服务了超过5000家企业 ， 并在医疗、交通、金融、制造、能源等领域进行了商业化应用 。
如果说两年前的昇思MindSpore还是一个新生的婴儿 ， 目前已经步入到了风华正茂的青年时代 ， 在飞速前进的时代步履下 ， 正在扮演许多行业、许多企业、许多开发者奔向人工智能康庄大道的“同行者” 。