近日，共达地联合英特尔发布《AutoML平台应用白皮书》（以下简称“白皮书”），对超大规模应用及算法精细化趋势下，人工智能如何与硬件端有机结合，实现更高效的交付与更流畅的部署进行了系统阐述。这是硬件产业AI化升级的一次前瞻性尝试，为AIoT的全面落地及AI赋能产业智能化转型的加速实现进行了重要探索。

对于本次合作，英特尔认为，AI的广泛应用是近年来最具颠覆性的趋势之一，推动 AI算法在实际业务中的应用，已经成为企业实现智慧化转型、挖掘数据价值的重要方式。得益于英特尔与共达地的合作，用户不再需要关心算法流程，只需定义场景和需要部署的算法，便可使用共达地 AI 自动化训练平台和自动化算法商城训练的算法快速在英特尔® 平台上进行部署，从而降低部署门槛与成本。

共达地创始人兼CEO赵丛博士认为，共达地此次与英特尔的合作，通过共达地 AutoML 平台与英特尔® 视频AI计算盒的整合应用，实现了算法从数据分析、模型设计、超参调节、模型训练到模型部署、迭代优化的全流程自动化，真正让企业不用成立AI团队，也能顺畅使用AI技术。

共达地x英特尔，算法精细化趋势下的强强联合

近年来，得益于云计算、大数据等领域的快速发展，AI开始充分与硬件结合，实现超大规模应用。IDC 调研数据显示，包括软件、硬件和服务在内的 2022 年全球人工智能收入预计同比增长 19．6％，达到 4，328 亿美元，预计 2023 年可突破 5，000 亿美元大关。

但是AI模型的构建、训练、优化与部署通常伴随着高门槛、高成本、长周期等特点，这使得当下的人工智能技术主要应用于安防监控、金融风控、智能手机等需求统一、场景单一的业务领域，形成头部玩家集中、中小企业竞争激烈的格局。

与此同时，随着数字经济建设与产业智能化转型加速，真实业务场景中出现越来越多碎片化、长尾化的需求。例如，在智慧城市建设中，除通用的安防监控外，也需要通过AI技术识别高空抛物、烟火、占道经营等风险以实现智能化管理；在工业领域，除人脸识别打卡外，针对成百上千种不同类型零部件的多种缺陷进行自动化检测，对提高生产质量和生产效率至关重要。然而，因场景碎片化、需求个性化、数据难采集等特点，市面上已有的算法适配度低，定制化开发新算法成本高、复用性低，导致需求长期无法得到满足。但这类需求约占据人工智能应用市场的96％，并呈井喷式发展趋势，是“隐形的主流需求”。

在此背景下，AutoML的概念进入舞台中央。AutoML是指通过AI开发流程自动化，在无需专业算法工程师介入的前提下，实现快速、高效地AI开发与部署，以适配碎片化场景下的个性化算法定制需求。共达地就是一家立足于为行业提供自动化、平台化人工智能开发服务的公司，通过共达地的AI全自动化训练平台，企业无需搭建专业算法工程团队，就能即刻拥有小时级的 AI模型生产能力，大幅降低 AI 开发成本、部署周期和使用门槛，工业化实现精细场景中AI算法的高效定制及端到端的重构、训练、优化与部署。

本次共达地与英特尔的广泛合作，将充分利用英特尔® 至强® 可扩展处理器、英特尔® 视频 AI 计算盒、以及英特尔® OpenVINO™ 工具套件分发版（OpenVINO™ 工具套件）等软件工具，实现硬件与AI技术的弹性结合，为企业与开发者在多元场景下适配更易用、更流畅、更灵活的智能硬件提供了成熟答案。

AutoML深入产业，提升产业转型效率

白皮书显示，共达地的AI全自动化训练平台目前已在智慧城市、智慧园区、智慧社区、智慧交通、智慧金融网点、明厨亮灶、智慧工地、智慧工厂、智慧油站等多个领域应用落地，为客户带来低门槛、高效率的转型体验。

例如，在某智慧城市建设项目中，共达地与平安智慧城市达成合作，针对城市治理中的碎片化需求，构建了“自动发现、自动预警、即时处理”的一站式AI解决方案。面对层出不穷的新场景、新需求，传统解决方案从需求评估到到测试迭代通常需要数月时间，但共达地AI自动化训练平台可在数小时内完成违规停车、井盖丢失、损坏检测、烟火检测、占道经营等多个碎片化场景的算法模型训练。目前这些模型已经率先在平安智慧城市的多种机器人中搭载上线，在实际应用中准确率远超行业平均水平。

在与某大型牧场的合作中，客户想要加强对奶牛的精细化管理，但这类需求很难在既有算法市场得到满足，同时囿于数据采集困难、复用率低等特点，定制难度较大，给牧场转型带来了极大的障碍。共达地通过接通牧场的监控录像进行数据提取，完成了基础数据采集和标注工作，并在数小时内完成了AI能力的建构，一周后便进行了有效交付。AI 算法对奶牛的站卧状态检测、进食自动喷淋检测和草垛状态检测均取得了良好效果，还能以天为单位采集现场的数据，回传给自动化训练平台，进行算法的自主学习、快速迭代，帮助牧场实现更科学、更精细的饲养。

除了针对通用场景中碎片化需求的快速定制和针对特殊场景的算法强化，共达地还基于对行业上90％常见任务的理解，推出“算法商城”以满足中小企业在碎片场景的迫切需求。目前算法商城包含近百个场景中适配百余款芯片的5000多种高精度算法，供客户以0代码、即插即用的方式，快速将AI算法应用于业务链条中，实现智能化升级。

实验数据显示，相比于传统方式，共达地 AutoML 技术在模型调参上可节省约80％的时间，在模型搭建上可以节省超90％的时间。也就是说，对于客户而言，产业智能化转型将不再是一场耗时数月甚至数年的复杂工程，共达地AutoML自动化AI训练平台通过高效率、高适配、高精准，重新划定了产业智能化转型的起跑线，通过技术变革让转型进入快车道。

共达地针对不同用户需求的支持方案

软硬一体＋生态聚合，让AI为产业发电

人工智能和机器学习领域的国际权威学者吴恩达曾乐观地宣称：“人工智能是新‘电能’……正如100年前电能几乎改变了所有行业一样，今天我真的很难想到有哪个行业在未来几年内是不会被人工智能改变的。”然而研究表明，AI领域的人才缺口在2022－2024年将达到150万。此外，高门槛带来的高薪资，也给这项技术的广泛商业化带来现实障碍。

从这个角度讲，作为推动产业变革的人工智能产业本身就需要一场内部革命，即变革算法的生产模式，以更轻量、更灵活的方式适配业务需求，产生真实可见的产业价值，并在这个过程中推动业务数据沉淀，反哺算法迭代，形成“技术－产业”间的正向循环。

“软硬一体化”是人工智能落地的重要前提。本次共达地与英特尔的合作，就是让算法赋能硬件，让“大脑”指挥“四肢”的一次重要尝试，为实现个性化场景下的标准化交付提供了技术基础与生态基础。

在技术方面，交付周期的缩短和准确率的保障，为产业质变提供了效率基础。传统 AI 算法大多使用公开数据集进行模型训练，在部署到实际落地场景时，还需要工程师采集现场数据并进行针对性的迭代优化，耗费时间可能长达 1～2 年。共达地可快速部署算法，并使用 AutoML 训练平台自动收集现场数据，以天为单位进行自动迭代优化，从而能够高效满足用户需求。

更重要的是，实验数据显示，在同等数据条件下，由共达地 AutoML 方案自动化训练实现的模型精度优于中高级算法工程师所实现的模型精度。以 “鸟类识别”算法为例，算法工程师训练 RetinaNet 网络实现的检测准确率（MAP）为 4．8％，传统算法使用网络结构搜索（NAS）与超参数优化（HPO）实现的准确率为 15．2％，而共达地使用数据分析 ＋ 自动方案设计实现的准确率可达 78％。再以销钉缺陷检测为例，算法工程师训练 CNN 检测销钉实现的检测准确率（MAP）为 88％。而共达地使用自动方案设计与工作流编排实现的检测准确率可达 98．9％。

共达地的算法训练平台与其他方案的精度比较

在生态方面，共达地基于AutoML搭建的自动化AI训练平台即是对生产关系的全新探索。通过让AI生产AI，一方面将宝贵的专业AI算法工程师解放出来，去拓宽人工智能的边界；另一方面以领先技术为基础，共达地坚定地站在人工智能应用生态的中间层，不仅为行业提供成熟的算法商城，还针对有算法定制需求的企业，提供了定制服务和训练平台，以适配不同场景对AI的不同期待。此外，通过广泛适配百余款芯片，共达地将可用算法快速部署至各类硬件终端，以解决软硬件适配难题。

通过这种方式，共达地以一个平台为基础，构建了一个联合上下游算法公司、硬件厂商及解决方案公司的良性生态，聚成合力共同为产业转型赋能。在这个基础上，超大规模应用趋势下的场景碎片化现状与算法高精度、快交付需求之间的矛盾将得到极大的缓解，硬件适配性差、利用率低等方面的固有困扰也将不再成为转型卡点。最终形成以业务场景为驱动，技术赋能产业，产业反哺技术的良性互动。

技术革命的历史证实，技术推动效率，效率引发规模，规模孕育质变。在人类历史上，洗衣工、人力车夫、电梯操作员、计算员曾是重要的工种，但如今技术的发展不仅替代了这些重复、低价值的工作，还为创造新的产业提供了土壤。同样，共达地与英特尔及更多生态上下游的企业正致力于通过领先技术，提供更充足、更稳定的AI能力供应和更低门槛、更高效率的AI服务，让AI这项“新电能”真正普惠百业。