端侧AI生态的终结者

这两天看到了 Firebase ML kit的 beta 版，顿有一种利剑飞来的感觉。AI 推广的两大掣肘：一是无法跨平台跨设备，开发者不愿意维护多个版本；二是使用平台提供的有限数量api，无法解决定制场景的问题。

    反观Firebase 的ML kit，可以跨平台跨设备。在平台支持上，既支持Android，也支持iOS。在设备支持上，只要软件版本能够使Firebase正常运行即可，无特定硬件依赖。更为彻底的是，支持了端云协同，同样的api，只需使用不同的参数，即可决定在端侧运行还是在云端运行。毕竟端侧的算力和存储容量有限，下载到端侧的模型都是经过裁剪优化的，因此在计算精度和广度上都比较有限，例如OCR，如果使用纯端侧模型，只能识别有限的几种文本语言和字体类型，而要识别一些更为高阶的文字，则不得不依赖云端无限强大的算力，例如识别数学公式，识别小语种等。ML Kit 使用了端云一体的API，需要调用云端时只需增加一些参数即可，主体代码和结果回调函数都一样，开发者无需使用两套不同的代码逻辑来分别处理端侧和云侧AI调用。

   在这种策略攻势之下，如果开发者面临ML Kit和手机厂家AI平台两个选择，纵使各手机厂商端侧AI的软硬结合性能优于ML Kit，迫于开发效率和版本统一，大部分开发者也不得不选择ML Kit。跨平台跨设备的端云协同策略，不仅冲击着手机厂家的端侧AI生态，同样也对业界一些纯云端的AI生态形成冲击，因为云端调用是需要消耗资源的，超过一定量是需要付费的，而端侧调用使用的是用户资源，完全免费，开发者为了节约成本，肯定会将一部分简单通用的场景运行在端侧，这时候纯云端AI生态因为缺乏端侧接口，在面临二选一时同样也会处于明显的劣势。

最后说一下自定义训练和部署模型的重要性，很多AI生态平台基本都会提供基于云端的模型训练平台，原因就是这个世界要处理的问题千千万万，靠平台自身提供api是无法满足所有人的需求的，因此基本都是提供一组基础api供开发者开箱即用，同时提供一个训练平台让开发者训练和部署自己的模型来解决定制化的问题。ML Kit 通过 tensorflow lite 很好的实现了自定义模型训练和部署，并结合google play应用安装的机制，在用户安装应用时即可自动下载所依赖的机器学习模型，让用户在使用App时不需要等待。

总结来看，ML Kit基本解决了AI生态推广中开发者关心的主要问题，它的AI生态很大概率会走向繁荣。相比之下，手机厂家的AI生态还有很多的路要走。