軟體工程思想家傑拉爾德·溫伯格曾經給「問題」下了個定義：問題，就是理想狀態和現實狀態之間的差別。
我們的工作，就是應對問題的挑戰。問題可能是「我想要產品檢測更準確」，「我想要快速完成重複的任務」， 或者，「我想要沙漠變成綠洲」。
「我想要沙漠變成綠洲」這個問題，是高鴻志提出來的。他是個大學生，來自甘肅省古浪縣。在這個緊貼騰格裡沙漠的縣，有幾位被稱為「治沙六老漢」的固執老農，用 38 年造林 21。7 萬畝，在風沙中一寸寸奪回耕地，保護農田。
「治沙六老漢」三代治沙人合影 | 圖片來源：視覺中國
高鴻志也想做同樣的事。不過作為自動化專業的學生，他想換一種方法。他和朋友們開發出栽種和養護樹苗的智慧機器人，這些小傢伙能在複雜沙漠地形中，找到合適的地方栽下樹苗；在巡視林地時能識別樹苗根部，精準澆水和施肥。
成為時代楷模的「治沙六老漢」憑藉毅力和人定勝天的信念，靠雙手阻住了風沙的腳步；在人工智慧（AI， Artificial Intelligence）的幫助下，高鴻志找到了解決問題的新方法，讓新時代的治沙人，有了新的眼睛和新的手腳。
那麼，AI 是怎麼幫人解決問題的？
01、智慧時代的作業系統
AI 是計算機科學的分支，它嘗試讓機器去做到那些傳統上只有人能做到的事情——聽起來很簡單，但是要實現卻很困難。自上世紀五十年代 AI 的概念提出以來，這個蘊含希望的領域讓人們激動了兩次，又失望了兩次。直到 2006 年，多倫多大學的傑弗裡·辛頓教授提出一種基於多層人工神經網路的機器學習方法，AI 才迎來了第三次發展浪潮。
人工神經網路模仿了神經元相互傳遞訊號的方式，它會在訓練資料的幫助下逐漸學習，做出的判斷越來越準確。而多層神經網路，是在資料輸入層和結果輸出層之間，夾著更多 「隱藏層」的神經網路。各層中的神經元彼此相連，構成類似大腦皮層的複雜結構。
這種讓多層神經網路從訓練資料中學習的方法，就是大名鼎鼎的「深度學習」。它是目前最受重視的機器學習方法，也是近年來 AI 迅速發展的基礎。無論是打敗李世石的 AlphaGo， 還是能聽懂我們說話的小度音箱，都是基於深度學習技術；處理人類的自然語言、看到和識別物體、轉換不同資料形式，都是深度學習技術能夠分擔人類工作的領域。
簡單人工神經網路和深度人工神經網路
在這項技術發展的早期，往往是研究者自己編寫神經網路，經由資料訓練，轉化成能解決問題的深度學習模型。很快地，人們把構建深度學習模型的幾個必要過程提煉出來，形成穩定通用的組合，構成「深度學習框架」。它們隱藏了複雜的底層工作，大幅降低深度學習的使用門檻。因其重要，框架被稱為「智慧時代的作業系統」，成為大多數 AI 使用者的入口。
許多 IT 企業都以開放原始碼的方式釋出了自己的深度學習框架，希望能將 AI 引入更多行業中。在世界上，谷歌的 TensorFlow，Meta（原臉書）的 PyTorch ， 百度的飛槳 PaddlePaddle，亞馬遜的 MXNet 都擁有大量使用者，吸引了大批開發者和研究者；2020 年以來，國內又相繼出現了曠視 MegEngine、清華大學 Jittor、華為 MindSpore、一流科技 OneFlow 等等一批開源深度學習軟體框架。
但是，並不是所有的框架，都適合所有企業和場景。
網易雲音樂就碰到了獨特的問題。作為規模巨大的音樂社群，網易雲音樂希望能向用戶推薦合口味的音樂、歌單甚至直播。但是它的資料很特別：型別多，規模大，動態程度高。網易雲音樂的資料型別從聲音、資料條目直到文字都有，9，000 萬首歌，28 億個歌單，還有 2 億活躍使用者每天產生的海量評論和互動，資料關係高達千億級別以上。
經過連番測評，大多數框架都敗下陣來。最終，網易雲音樂以「飛槳圖學習」（PGL， Paddle Graph Learning） 元件為基礎升級了推薦系統，提升了冷門歌曲分發、雲村廣場、陌生人一起聽等等業務場景的效率，最高甚至提升了近一倍。
百度飛槳是目前國內最受歡迎的開源深度學習框架，綜合市場份額第一。但是，飛槳想做的並不僅僅是框架。它的目標是成為 AI 時代的基礎設施，讓 AI 能力成為即需即用的資源，像電，像自來水，像移動網際網路。
只有 AI 能力靈活可用且隨時可得時，它才能真正發揮作用，真正幫助各行各業跨入 AI 時代。那些在行業中真正實踐的人，那些面對真正問題的人提出需求、定義問題，AI 就能以強大的能力，幫助他們解決。
在網際網路高速發展的時代，IT 企業中都會有產品經理，他們是發現需求、定義問題，再組織資源去解決問題的人。好的產品經理可遇不可求。今天，在 AI 的幫助下，產品經理更需要的是懂得如何運用前沿的 AI 技術，更好更容易地解決問題。
時代變了，關鍵在於能不能提出好問題。
02、有 AI 的未來
世界是由提出問題的人推動的。提出一個好問題，往往比找到答案更重要。當萊特兄弟不再模仿鳥類飛行，而開始研究空氣動力學的時候，人類才真正能飛翔。
那麼，有 AI 的未來會是怎樣的？
百度飛槳認為，AI 應該幫助各行各業提升能力，更便捷地解決問題。AI 能力應該像大工業生產那樣標準化、模組化、自動化，讓任何人都能容易地學習和使用。
這也是目前 AI 平臺面臨的普遍問題。正如亨利·福特所說，「如果我去問人們想要什麼，他們會說想要更快的馬。」技術的發展往往先於大眾認知，有問題的人們未必意識到 AI 可以幫助他們解決問題；AI 技術的門檻還是偏高，人們未必會容易學會使用 AI 來解決問題。
飛槳想要解決這些問題，成為智慧時代的增長引擎。從 2016 年開放原始碼以來，飛槳一直致力於與開發者社群、與各種行業和企業合作，提供針對行業獨特需求的 AI 能力，最佳化與硬體的適配，以及降低學習和使用門檻。
北京大興區長子營鎮有一座植物工廠，廠長李開一個人最多可以照看 100 畝地——是過去的 5 倍。提供助力的，依然是 AI：計算機視覺元件不僅會自動識別蔬菜是否健康、能否採收，還能及時發現害蟲。搭建這樣的系統也並不困難：飛槳提供了 EasyDL 零門檻 AI 開發平臺 ，將構建深度學習模型的過程轉變成搭積木般的活動。
這是相對簡單的 AI 能力。在其他內容更繁雜、上下游更多樣的行業，飛槳使用另一種策略：開發預訓練大模型，並針對任務和行業最佳化，形成基礎能力、任務能力、行業能力的組合。
提高 AI 的「智力」，關鍵在於演算法、資料和算力。解決問題能力強的深度神經網路，需要大量資料和強大計算能力的支撐。神經網路會透過學習訓練資料，在內部為一些變數賦值，這些變數被稱作「模型引數」，是深度學習模型解決問題能力的關鍵。而預訓練大模型，就是引數很多的、用大量資料預先訓練好的深度學習模型，可以幫使用者降低建立和訓練 AI 模型的成本。
更強的計算能力，更多的資料，這是「大力出奇跡」的思路，往往有效。從 2019 年到 2021 年，模型引數的數量每年都增加一個數量級：微軟的 T-NLG 有 170 億引數， OpenAI 的 GPT-3 有 1，750 億個引數，谷歌的 Switch Transformer 的引數更是達到了 16，000 億。
大模型引數數量的迅速攀升
同樣迅速猛增的，是大模型的訓練成本。GPT-3 使用了 285，000 個 CPU 核心，10，000 個 GPU， 以每秒 400Gb 的高速網路連線 GPU 伺服器；這樣的配置，足以在全球超級計算機排行榜前五中佔據一席。在超大算力的需求下，GPT-3 訓練一次就要用掉 19 萬度電，花掉 460 萬美元。
這樣的發展是不可持續的。雖然大模型通用性強，但提升效果所需的成本增加得更快。而且，通用性強並不意味著在具體問題上表現更好。
使用者以為自己想要更快的馬，但是他們真正想要的是更快、更安全、更方便的交通工具；使用者使用某種工具，是為了解決某個問題。市場營銷大師西奧多·萊維特曾說：「使用者不想要四分之一英寸的鑽頭。他們想要的是個四分之一英寸的洞。」
AI 大模型要與應用場景匹配，才能更好地解決問題。所以，飛槳文心大模型將能力分了類。基礎大模型沉澱知識與認知推理能力，任務大模型為特定任務最佳化，行業大模型再疊加行業特有的資料和知識，來讓 AI 獲得更好的認知，幫助人們做出更好的決策。在 5 月 20 日的 Wave Summit 2022 深度學習開發者峰會上，飛槳文心大模型一口氣釋出了十個大模型，涉及多種專項任務，以及能源電力和金融兩個垂直行業。
與行業合作，讓能源電力和金融領域的任務提升效果，意味著強大的 AI 能力開始幫助人們解決重要問題了。
但是這還不夠。工具要易學易用，才能廣泛使用；飛槳文心大模型還配套了開發套件、API 以及內建了文心大模型能力的 EasyDL 和 BML 開發平臺，努力降低使用門檻，爭取讓人人都可以成為 AI 開發者。開放良好的生態，才能帶來更多創造，文心大模型共創共享飛槳生態，推出大模型創意和探索社群暘谷；飛槳平臺已經凝聚 477 萬開發者，服務 18 萬個企事業單位，建立 56 萬個解決問題的 AI 模型。依託飛槳這個平臺，百度協同產學研培養了超過 200 萬 AI 人才。
飛槳的目標很明確：讓更多人意識到，AI 可以幫助人們解決問題；讓更多人知道，如何使用 AI 來解決問題。
03、未來屬於提出問題的人
畢竟，世界是以問題來組織的。世界不在乎學科門類，只是向人們丟擲挑戰。
未來正在變得越來越快，越來越不確定。適者生存，未來屬於能敏銳地發現問題、提出問題的人。
然後，他們將和 AI 一起，面對世界的挑戰。
提出問題的人，將不僅是政治家、商業領袖或學者；他們可能是創業者，小團隊，行業專家，以及任何想把世界變得更好的人。