谷歌於今年10月份推出TensorFlow 企業版，補足企業市場短板。谷歌的 TensorFlow 機器學習框架於 2015 年開源，並迅速成爲最受歡迎的機器學習平臺之一。到目前爲止，已經被下載 4600 萬次。爲了佔領企業市場，谷歌推出了 TensorFlow Enterprise，包括實施級別的企業級支持和優化的 Google Cloud 託管服務。
TensorFlow Enterprise 最重要功能之一是它將提供長期的技術支持。針對某些版本，谷歌將提供長達三年的補丁程序，所有補丁和錯誤修復將在 TensorFlow 主線代碼存儲庫中提供。另外，谷歌還將向正在構建 AI 模型的公司提供來自 Google Cloud 和 TensorFlow 團隊的工程協助。
同時，TensorFlow Enterprise 也與 Google 自己的雲服務深度集成。谷歌在它的公告中寫道：“由於 TensorFlow 由 Google 創建並開源，因此 Google Cloud 可以直接從 TensorFlow 團隊得到支持和幫助，具有獨特的優勢”， “加上我們在人工智能和機器學習方面的深厚專業知識，這使 TensorFlow Enterprise 成爲運行 TensorFlow 的最佳方法”。
由於目前市場上的商業通用AI平臺（軟件即服務，下簡稱商業AI平臺）跟AI雲服務在功能上高度重合，且商業模式不及雲服務，谷歌提供企業版之後，這些AI平臺初創企業壓力倍增。
大數據和雲企業的施壓
從2018年到現在，AI行業就頻繁傳出AI公司倒閉潮的預測。業內不斷的有聲音認爲“90%的AI企業面臨倒閉”，“會有一波大的洗牌“。
谷歌的DeepMind在過去三年裏，虧損10億美元，但未來還有10億的預算投入。AI創業企業，沒有谷歌之於DeepMind的背景，就得有自我造血功能，方能活下去。比如當初做“三維視覺感知”的強AI企業，也得朝主流的“深度學習+人臉識別”轉移，進入安防行業落地。
而商業AI平臺通常的落地場景是金融領域，如銀行業的風控、精準營銷；零售行業，如智能推薦、銷售預測…
如今，大多數企業都在談數字化轉型，爲了保持企業的營收持續增長。風控、精準推薦也是主流大數據企業的關鍵業務。而AI平臺型初創企業跟主流大數據企業相比起來優勢並不明顯。
機器學習流程原型是首先清理數據，然後提取特徵，最後經過轉換的輸入通過一個機器學習模型以創建預測結果。
機器學習算法只是其中一環。數據是機器學習應用的重中之重，數據準備佔據了60%以上人天成本。傳統大數據企業在數據治理上積累了多年的經驗，數據治理能力、數據存儲集羣管理能力也是一些大數據企業的天然技術壁壘。當商業AI平臺落地業務時，還是要面對各種髒數據，需要投入大量人力時間解決數據問題。
掙到錢，有自我造血能力才能活下去，才能進化得更好。與大數據企業同食一塊蛋糕，在這些落地場景裏，AI平臺即服務的優勢並不明顯，那麼盈利能力堪憂。
另外不可忽視的是機器學習平臺同樣需要管理和維護工具。雲服務的優勢恰恰是維護容易。且形式靈活，可支持私有云部署。
另外類似谷歌這類的主流雲服務功能上不僅提供了精準推薦、預測，還有強AI功能如語音識別和圖像處理等功能，這些強AI能力通常也有大廠的AI實驗室予以保證。並且雲服務可按需付費，商業模式清晰且受過驗證。對於谷歌和國內的BAT雲服務來說，是在雲服務應用廣泛的基礎上疊加AI能力，比起平臺即服務，AI銷售壓力較小，可有更多的力量投入到長期性的技術研發中。雲服務給平臺即服務的衝擊力同樣巨大。
開源的逼迫力量
2015年11月，谷歌第二代深度學習框架TensorFlow橫空出世。
2015年註定成爲開源的分水嶺。誰也不曾料到，後面幾年在人工智能領域裏，涌起的開源浪潮有多猛烈。
與TensorFlow同一時期，微軟亞洲研究院開源機器學習工具包DMTK。
2016年9月百度發佈“Paddle”，騰訊也在當年發佈Angel。
2016年11月宣佈將MXNet作爲官方深度學習平臺。
2017年1月，Facebook推出機器學習框架PyTorch。2017年，Uber開源了Horovod。
AI框架上承應用、下接芯片，是AI產業的軟件支柱，包含幾個層次，比如底層的芯片、含數據存儲的大數據集羣；再一層是計算框架，類似Spark這樣的ML框架、TensorFlow這樣的DL框架；再往上一層是高級API和分佈式調度框架，如Angel；最上一層，是AI業務應用，如推薦系統、智能問答、人臉識別…每個層次均有對應的開源軟件可組合使用。
這些開源平臺背後技術力量雄厚，且各有優點。
比如TensorFlow基於Python，寫的很快並且具有可讀性；在多GPU系統上的運行更爲順暢；代碼編譯效率較高；提供API的支持，可直接解決各種機器學習任務。在工業界，TensorFlow使用率達到最高。
比如Uber 開源參數服務器Horovod通過AllReduce來實現機器間模型同步，由於底層使用MPI、支持RDMA等高性能網絡，可以利用帶寬並行。同時與主流深度學習打通，Tensorflow，PyTorch等，有良好生態方便上手。
利用開源的項目，開發人員就能完成基本的任務，在開源的推動下，中國出現了近千家AI創業公司，僅次於排名第一的美國。
商用AI平臺需要在多個主要環節強於開源軟件，才能叫好並叫座。目前開源還是商業化AI平臺即服務的強有力的對手，並且這次提供的TensorFlow企業版服務提供了高達3倍的數據讀取改進（TensorFlow 讀取和緩存文件方式更改的結果）。並且已針對 Nvidia GPU 和 Google Cloud TPU 優化了企業版。TensorFlow企業版針對實際使用的硬件和平臺都做了優化，更好的提升了企業AI平臺的性能。
AutoML
使用AutoML是目前比較主流的機器學習平民化方法，被一些AI平臺當作殺手鐗。同時AutoML被認爲是解決十萬AI人才缺口的救星。
2018年1月，當時的谷歌雲首席科學家李飛飛和谷歌雲研發負責人李佳宣告Cloud AutoML的問世。
機器學習涉及到數據預處理、特徵工程、模型調參等環節。需要人工選擇參數，設計模型，驗證調整，如此反覆。AutoML讓這些自動完成，相當於讓AI來設計AI。與專業調參建模相比，AutoML的優勢在於使用門檻低，解決一些重複性勞動。
在真實世界裏，技術是流動的，永遠不會靜止，永遠不會完結，永遠不會完美。–《技術的本質》
目前的AutoML的缺點也是很明顯的，首先是一個黑盒的模塊，大量的數據預處理、特徵或者模型的嘗試，專家沒有辦法干預，因此可能會帶來一些效率低下的問題，消耗大量算力，其次是AutoML只能解決確定性的可量化的目標，對於實際情況，需要在多個不同的業務目標（比如準確率和線上延遲）之間進行權衡，以及可能需要涉及到一些不可以明確量化的目標，比如可解釋性，這些情況下目前的AutoML是無法有效工作的，甚至有些時候，人也沒有辦法一下子給出目標，需要不斷地探索。
深度學習專家 François Chollet 也曾置評這項技術：“不久之後，AutoML 就會發現他們將面臨和強化學習一樣的問題：人們會用非常具體的（有缺陷的）方法來解決許多寬泛的問題。”
有些企業的解決方式是引入人機交互的方式，但同樣需要專業的人士參與，也不能根本上解決十萬AI人才缺口的問題。目前的AutoML並達不到理想效果，還需多年的努力。
下一個趨勢是什麼
2016年，小米的創辦人雷軍說過：“站在風口上，豬都會飛”。
2016年初，Alpha Go擊敗了代表人類出戰的李世石。BAT在這一年紛紛開始了AI佈局，給予了大量的人力和財力。
中國互聯網在過去的15年中，經歷過五六個週期，每個週期主題都不太一樣。最開始的門戶網站，出現瞭如新浪、網易、搜狐等企業；然後是增值電信業務，騰訊當年靠電信業務上市；再後面是視頻網站和社交網站；然後是電商和互聯網金融企業，如阿里巴巴、京東。不嚴格劃分，就是三年一個週期。
最近三年，也可以說是AI企業涌起的週期，這條賽道同樣出現了幾百家甚至上千家創業企業。這三年，有開始的創立浪潮有最後的寒冬衰退。
商用AI平臺經歷了數年發展，如果現在還沒建起明顯的技術護城河，沒有令人信服的技術優勢，對比雲服務，功能重合，盈利模式堪憂，靠加強宣傳的方式照樣解決不了問題。
更不曾想到，在2019年底，谷歌在TensorFlow市場佔有率無敵的背景條件下再次推出企業版，強佔企業市場。
趁時勢可以起大事，但也要在“風口”中煉出真功夫，“風口”過後纔是真較量。
在與技術專家的交談中，對比商業AI平臺，專業人士也都表示更看好谷歌的TensorFlow 企業版策略。
回頭去看，這是商業AI平臺的創建者缺乏遠思嗎？除商業AI平臺之外還有很多AI落地都經過了戰略性收縮。
2018年10 月 21 日，特斯拉已經從公司官網的預訂頁面下架了長期以來提供的“全自動駕駛”選項。馬斯克曾在三年前聲稱，2017 年之前特斯拉將實現全自動駕駛，如今這個目標的實現已無定期。
2015年4月，IBM成立了獨立的Watson Health部門；到2016年，IBM第四次轉型，Watson被寄予擔綱厚望。2019年4月，投資50億的IBM醫療裁員70%。
微軟最初於2015年12月推出了針對iOS和Android的語音助手Cortana（微軟小冰）。2019年11月，微軟宣佈其語音助手Cortana戰略性收縮，將在2020年1月31日退出iOS和Android平臺（美國除外）。
通用AI一直是頂級AI專家的夢想，也是谷歌DeepMind終極目標。就像前面所說，DeepMind在過去三年裏虧損10億美元，但未來還有10億的預算投入。這樣的投入，對於一般企業來說，是望而卻步的存在。
這些AI的小敗局，不過就是告訴今天的你，有哪些技術已能見效，有哪些技術目前還不穩定還不理想；有哪些行業屬於剛需，有哪些行業還需繼續探索。未來還有什麼行業值得投入，這將決定AI企業的成敗。