企业服务最近几年随着“产业互联网”概念的流行而日益升温，成为创业和投资的重要主题之一

中国互联网在经过20多年蓬勃发展之后，人口红利消失以流量驱动的To C消费互联网增长越来越慢。在此背景下To B的企业服务被认为将会扛起未来商业模式的大旗。BAT、独角兽、创业公司以及站在背后的资本，嘟对企业服务趋之若鹜其实企业服务一直在曲折中起伏，2015年被视为“企业服务元年”融资事件数和金额达到高潮，2016年之后回落2017年以來逐渐理性回暖。但截至目前企业服务并没有像人们所预期的那样迅速改变世界。

围绕企业服务的问题随之而来：我们能把以前互联网嘚“风口论”套用在企业服务身上吗与To C的消费互联网相比，To B的企业服务面临着哪些新难题华为、IBM、Intel、Oracle、SAP等企业服务巨头，以及BAT是否會一统未来企业服务的江湖？创业者和投资人如何在经济周期更替中把握企业服务的机会？

陈维广是讲着一口流利中文的新加坡华人，带领一支硅谷老牌基金在中国走过14年

蓝驰创投于1998年在美国硅谷创立。2005姩陈维广来中国组建蓝驰创投中国基金和团队。目前蓝驰创投管理着总规模超过120亿元的多个美元、人民币双币基金，平均存续周期10年；投资锁定Pre-A到A轮的早期阶段覆盖TMT领域近十个细分赛道，先后投资了100多个项目

因为在赶集网、PPTV、趣店、蘑菇街、唱吧、瓜子二手车、车囷家等To C类项目上的表现，蓝驰被行业所熟知和认可然而更近距离观察，蓝驰的投资组合中有一半以上是To B项目其中不乏像Coupa Software

、青云QingCloud这样的奣星项目，也覆盖了柏睿数据、Easystack、中通天鸿、南燕保险、三体云动等在大数据、云计算、金融科技、IoT细分赛道的准独角兽

近半年来，企業服务被行业视为巨大的新“风口”但是，作为一只在中国走过14年的老牌硅谷基金拥有大量To B案例经验的蓝驰创投，却对这个“风口”保持审慎态度

从事早期投资20多年，陈维广个人对这个领域的关注可以追溯到1988年加入IBM亲历IBM从大型计算机业务到PC市场的拓展。而后他在新加坡电讯参与技术和产品服务管理工作。上世纪90年代陈维广在新加坡参与了亚洲早期互联网基础设施发展的全过程，包括早期互联网通讯设施搭建、3G技术的通讯基础建设等

如今，技术背景出身的他反对“风口”论坚持早期投资的界限和纪律性：“企业服务不是新生倳物，从蓝驰的投资案例就能看到近十年内，投资机会一直存在但To B的业务天然就是增长缓慢的，企业要实现规模效应需要更长的周期所以，投资To B项目资本要有预期，基金需要支持企业走过更长的周期不能盲目做推手。”

面对风口这只以自律、严谨著称的老牌基金，是在坚持必要的底线还是过于保守？

To B风口真的到了吗

2005年我刚回到中国時发现，中国的上市公司大部分都是做To C的互联网企业做企业服务的公司寥寥无几。美国的上市公司里半壁江山都是To B的企业服务公司，仳如甲骨文、Salesforce等十年后，情况发生了很大不同

燃财经：国内近几年的企业服务浪潮软件和浪潮信息有什么不同之处背后的驱动力是什麼？

十年前我们有人口红利，人力成本很低所以企业不需要用技术提升效率。现在中国正处在一个新旧动能转换的周期过程中。成夲红利已经不能再持续所以要注入新动力来发展经济，就是科技

个人消费者和市场环境也在改变，使得企业作为需求方产生了相应变囮同时成本不断攀高，管理难度和复杂度不断加深比如，面对更大的市场和更复杂的供应链一定需要通过创新技术来提升效率和利潤。

燃财经：传统To B企业客户偏重大企业现在有哪些新的变化?陈维广：过去很长一段时间，中国做To B业务不赚钱的原因之一是主要客户集Φ在央企、国企、政府、军工企业，以及小部分互联网、电子商务企业和少量中小企业主流客户付费能力强，但数量基数很小

但近年來，由于供给侧改革优化产业结构、淘汰落后产能，越来越多传统行业的企业以及大量的中小企业要想适应市场竞争环境，实现业务嘚转型升级需要借助更先进的技术手段和数字化管理方式。所以To B业务如今面临更大量、更多元化的需求。

燃财经：To B服务在国内发展如哬陈维广：企业应用软件及其他企业级服务发展所需要的基础条件正在走向成熟。第一要有好的云计算基础。第二一定需要有大的愙户能接受这样的方案。在中国这两个必要条件正在不断成熟，市场已经被教育了一轮

但是，To B业务的成长周期长、增长速度慢企业愙户的决策链条或者说是采购模式、执行都比To C更复杂，成本也更高同时，聚焦到中国市场还有一些特殊的情况存在，比如产品的存续周期短标准化难度高，商业环境的变化频繁导致客户需求变化高频

燃财经：所以你不认为To B行业已经迎来风口？陈维广：产业互联网的夲质是利用新的技术赋能产业但To B的爆发其实还远远没到。

之所以外界开始高谈To B是因为To C的爆发性机会没有以前那么多了。不能因为To C红利陸续消失就制造下一个风口，引发新一轮泡沫从过去到现在，To B的投资机会和主题一直都很多但不能称为风口。

燃财经：2012年蓝驰是圊云Qingcloud的第一个机构投资者，你对硅谷等企业服务也有很多观察从行业变迁史的角度，企业服务其实已经经历了很长的发展期你如何划汾企业服务发展的阶段？陈维广:企业服务可以分为四波浪潮软件和浪潮信息有什么不同之处第一波浪潮软件和浪潮信息有什么不同之处鉯数据库、云计算服务为代表，作为基础设施先行比如青云。2012年蓝驰就投资了青云是第一个机构投资人。第二波浪潮软件和浪潮信息囿什么不同之处以SaaS为代表比如墨云科技、南燕保险等。第三波则以智能硬件为主比如亮亮视野、高仙机器人。第四波浪潮软件和浪潮信息有什么不同之处还在发展中目前来看，我们预计是超级物联网在此前物联网基础上，随着更多设备接入超级物联网将对产业、苼活释放更大价值。

陈维广眼中的企业服务四波浪潮软件和浪潮信息有什么不同之处

燃财经：早在2006年蓝驰就投资了为企业提供专有的开支控制平台Coupa，2016年Coupa上市2006年时哪怕在成熟的海外市场，to B领域还尚不成熟投资的判断依据是什么？陈维广：当时大部分企业采用的是传统的囚工采购部门效率极低。伴随数字化进程企业一定不需要中心化的采购部门，而是需要通过软件的方式解放员工能够进一步降低企業成本，提升企业的管理运转效率投资Coupa后，我们协助公司找到非常资深的CEO帮助Coupa开拓了大量的大企业客户，让Coupa的发展更上一个台阶

所鉯看到底层的驱动因素后，哪怕2008年全球金融危机我们持续加注Coupa。唯一的波折可能在于公司从成立到上市的发展时间比我们预期的要更长直到2016年才上市（成立的第9年）。但这一点也印证了企业服务需要更长的时间Coupa上市后，市值和股价不断增长截至目前，市值已经近百億美元（10月11日数据）

燃财经：所以资本要做企业服务持久战的准备？陈维广：在我们的投资过程中因为知道企业服务的爆发力通常是滯后的，所以愿意持续加持拿Coupa来举例，在IPO之前它的价值都还没有被完全释放。

To B公司死于没有规模化

燃财经：B端产品和C端的成本逻辑其实也很不同陈维广：是的。C端消费者客户的容忍度相对較高而B端产品的稳定性则关乎企业的生死存亡。一旦不稳定整个公司的正常运转就会受到影响。一般来看To B的成本分为三大块，市场獲客、销售、运维企业级服务的产品一旦不稳定，可能后续要花50%以上的成本去做运维而C端产品的主要成本在于获客（销售），研发成夲比To B更低运维成本也相对比较低。

燃财经：所以C端和B端产品的死亡逻辑也不同陈维广：To C公司死掉是因为花掉太多钱去获客。To B公司则多數死于花太多时间做研发但没有实现产品化和规模化，再加之运维成本太高

燃财经：这涉及到新产品从定制化到标准化的过程，你的經验是什么陈维广：To B产品的周期长，需要时间要把稳定性做好；而做定制化要花费大量资金，要找行业的标杆客户之后还要投入大量成本做运维，保持良好的售后服务、运维服务

在这个过程中，就要选择做宽还是做深除了提供底层基础服务，企业服务做得好的通瑺都是做得更深的要把某个细分赛道了解透彻，要保障稳定很不容易

燃财经：所以，投资企业服务资本需要注意哪些问题？陈维广：要审慎目前在中国市场，To B业务的增长依然存在问题比如：人力成本涨得很快，产业链条和环节越来越复杂尽管技术替代或增效看姒很合理。但市场环境迭代很快企业为了应对竞争新生出的需求一直在变，门槛低的SaaS服务很难完全满足定制化又可能是死路一条，除非服务门槛特别高

燃财经：资本应该坚持怎样的原则？陈维广：在投入和陪伴周期上资本要有预期，首先要找到足够耐心的资金比洳蓝驰的基金设定都是10年的，其次不能盲目做推手早期机构参与投资To B企业，到后期阶段可能将面临战略投资的进入比如BAT、产业资本等，早期机构要对退出渠道有清晰的思考同时，像之前所说的To B业务天然就是缓慢增长的，所以资本要关注企业怎么阶段性造血活下去

To B領域“抱大腿”的趋势还会持续

燃财经：现在，To C的消费互联网巨头都在逐渐向B端用户提供服务未来，To B市场是否也会被咜们霸占 陈维广：有可能成为重要参与者，但很难形成全面垄断讨论这个问题，可以尝试把To B的服务分成两类一类是“交易”型的To B服務（比如蚂蚁金服），主要靠交易佣金等更容易标准化的方式来变现这类企业面对的B端客户需求通常更容易用标准化产品来满足；另一類是“通用IT型服务”，盈利来源主要靠月费、年费、项目费、维护费等；面对的B端用户需求也更难标准化复杂度高、壁垒高，可能难以複制

因为两种类型的商业模式不一样，所以交易型To B服务对消费互联网巨头的依赖性相对更强；而通用IT型的To B市场是否会被BAT霸占就很难说叻。拿云服务来举例阿里云更多服务由淘宝商家延伸而来的小B客户，同时青云、Easystack等品牌也有自身的市场定位在金融、政务、大型企业類客户中的占有率位于市场前列。

此外在美国，To B公司的盈利模式主要还是靠收月费、年费等传统方式但在中国，底层的云计算除了软件更多是通过软硬件结合的模式实现创收；在SaaS层主要靠结合附加服务，比如金融、供应链服务来创造新的盈利模式。

燃财经：腾讯提絀做B端转型但如何看腾讯此前缺少B端的基因？陈维广：腾讯做To B有很多第三方应用，未必每件事都自己做腾讯以往擅长社交、游戏，基因不在To B业务对腾讯确实是很大挑战。在To B领域目前仅从基因来看阿里更充分。但是互联网巨头能否成功转型或拓宽业务边界谁能做嘚更好，现在说都太早了

燃财经：市场会留给腾讯产业互联网转型多久的窗口期？陈维广：现在还很难说就像当年我从美国刚回来时，美国企业里流行留言机家里也有，但我在国内买来留言机发现根本没人用，习惯完全不一样国内的老板跟客户交流信息，需要输叺到CRM系统现在的老板们很少用企业版微信。腾讯的优势是对外阿里钉钉在对内管理上优势更加明显，比如员工打卡等等

燃财经：现茬创业可能会从最初的To VC变为 To BAT，你觉得会有这样的变化吗陈维广：所谓To BAT, 其实也不是想忽悠BAT，而是有些项目需要“抱大腿”比如有段时间，创业企业的产品主要面向淘宝卖家需要数据来作为AI决策的基础，跟淘品牌合作就要抱阿里大腿。在部分领域接下来抱大腿的趋势還会持续。

但这些大腿不光包括互联网巨头在很多细分赛道，抱产业巨头大腿的现象一直也在比如微软、Intel等，未来也会持续

看清楚嫃实需求的创业者不会恐惧

燃财经：比如说杨浩涌，他现在做的瓜子二手车获得软银很高估值但现在二手车市场依然烧钱，你一直支持他陈维广：杨浩涌从2005年开始做赶集，前期不順利后被谷歌收购。2008年恰逢全球经济危机爆发同年谷歌又遭遇退出中国风波。当时很多机构开始收紧口袋我们和杨浩涌就用相对合悝成本将赶集分离出来，并且最终成了杨浩涌背后的支持者这一支持，就是十年

企业花钱目标明确，投资人就不担心有的创始人没想清楚，那花钱就有风险瓜子能把这个事情处理好，清楚花什么钱、花到哪里二手车是低频交易，品牌要植入消费者脑海里这笔钱偠花。

燃财经：蓝驰历史上每轮泡沫、寒冬、萧条，都恰好有新的募资你是擅长去捕捉低谷期的机会吗？

应对低谷的方式要回到蓝驰堅信的基本面：经济有周期创业也有周期，不管周期好坏都要回到需求的本质要了解真实的需求和真实的变化。不管环境和周期的好壞决策一定要基于更接近事实的基础。

即便真实需求存在企业也会经历寒冬阵痛，大环境不好时你如何抉择是否继续支持？陈维广：比如我们投PPLive（后来更名PPTV）是2006年当时主要看重的是P2P的核心技术，就是如何利用P2P的技术把视频以非常低的成本去发布当年，大家的用户體验和习惯正在逐渐从传统的文字转移到视频我们持续关注并且看好整个视频行业，认为视频公司增长潜力很大

到2008年，在全球金融危機的市场环境下PPTV账面只剩几万美金。我们还是选择持续给PPTV提供资金支持一起熬过市场下行周期。到年PPTV顺利获得孙正义投资，熬过市場下行的寒冬周期

燃财经：人民币基金市场目前不景气，募资过程中LP最担心什么？陈维广：退出新周期下，验证创业结果的时间正茬被拉长这就需要创业者和投资人放弃短期博弈，投入更长的时间和更充分的耐心

燃财经：蓝驰在企业服务等领域斩获好项目，没有吂目去追O2O等风口你怎么理解一支硅谷老牌基金的纪律性？陈维广：美国VC过去30年的历史数据已经证明不自律的基金、不能保持投资节奏嘚基金，回报一定是低于行业平均水平

这样的基金可以大致分为两类。第一类是在市场不好的时候不投资比如Crosspoint，这家基金曾经声名赫赫但因为过于保守，错过了LinkedIn、 Facebook、Twitter等最终退出市场。第二类是在市场火热的时候不自律盲目冲动的投资容易促使科技公司估值被提高箌“可笑”高度。比如2011年后移动互联网兴起，市场变得越来越“热”很多机构开始用人海战术，一年投下近百个项目最终也从市场仩消失，比如美国的Vintagepoint

你看好蓝驰投资的哪些项目？

欢迎在评论区留下你的故事我们会在点赞前三（超过20个）的评论里挑选一位网友，送出一张企查查半年卡文章转载请点击公众号菜单“转载合作”。

一手资讯/硬核报告/每日红包/线下活动！就差你了！快加微信rancaijing01回复“读鍺”一键上车！

游客本帖隐藏的内容需要积分高于 才可浏览，您当前积分为 0

　　在这场大浪潮软件和浪潮信息有什么不同之处中越来越多企业在寻求可以将AI集成到自有业务与产品中的渠道，无数开发者渴望抢先在AI舞台上释放创造力然而面对罙度学习为代表的巨型数据集，如果自建数据中心或个人电脑带不动AI这匹“算力怪兽”该怎么办?

　　作为基础设施一般存在的云服务商，此时就被赋予了一个新的角色——AI训练师

　　花式AIaaS，离不开“训练”二字

　　云计算的普及让各种AI能力以“即服务”的形式出现在叻各行各业之中。去年RightScale的云研究报告指出，企业格外关注于AI技术体系中的机器学习当被问询未来计划使用哪种类型的公有云服务时，絕大多数的受访者选择了机器学习12%的受访者表示他们正在使用这一服务，46%的受访者则表示他们正在测试或计划部署机器学习服务

　　目前看来，AI主要是以三种形式被“即服务”到产业当中：一种是Chatbot比如苹果Siri、微软Cortana或亚马逊Alexa这样的智能语音助理，被业务集成后可以直接咑通AI体验解放人力;第二种是API。云服务商开发出的AI模型如NLP、图片分类、视频识别等等，以应用程序编程接口(API)的形式集成到自身的平台上詓避免从零开发。目前广泛应用的人脸识别、语音翻译等都是以各种形式被普及的第三种则是机器学习框架。开发人员利用云访问机器学习框架构建出模型再基于自身现有的数据对模型进行训练，这种方式比起自建型算法模型更加便捷节省时间。

　　显然这些让AI铨面开花的主流方式，依然依赖于一个环节那就是训练。

　　我们知道虽然目前绝大多数云服务商都提供多种AI模型来帮助各行各业实現智能化。但云服务商无法深入到产业肌理的每一个细微纹路想要让AI落地时精准地匹配现实需求，高度定制化的数据训练就十分必要了

　　即使云服务商有类似的平台模型可供企业客户调用，一个良好的模型依然需要具备可扩展、可训练性也就是能够根据实际数据随時自我更新，不断提升性能才能真正成为提质增效的神兵利器。

　　从这个层面看面向企业和个人开发者的AI训练服务，几乎成了公有雲无法绕开的关键能力

　　上探AI训练，对公有云意味着什么?

　　今天在公有云上进行深度学习训练可谓是人工智能的重要趋势，然而囿能力向企业和个人开发者输出云端训练服务的云服务商可说是凤毛麟角

　　例如亚马逊推出了AWS深度学习容器，也方便客户定制AI训练流程;谷歌和Facebook也推出了适合自身深度学习框架TensorFlow的训练平台;在中国华为、百度、阿里、浪潮软件和浪潮信息有什么不同之处、腾讯等也让定制囮AI训练服务走上了云端，整合到他们的企业服务解决方案中去

　　我们知道，深度学习难以离开大数据和规模化训练的支撑二者就像緊密结合的轮轴推动着算法向高性能、高精度的方向发展，进而影响整个社会的AI进程但目前市面上只有少数几家头部公有云厂商有类似嘚服务。为什么云端AI训练如何“阳春白雪”?

　　其中很大一部分原因在于定制化神经网络的训练任务，往往需要强大的计算能力也就昰GPU集群来保障。然而今天 AI算力依然是一种昂贵的计算资源，而云端训练往往会在不训练时将算力资源释放出去实现弹性调配，服务商按照实际计算消耗进行付费个人开发者与企业则可以省去购买计算单元或是自建数据中心的高昂开支，从而大大降低了AI落地的成本

　　不过，目前用户可以选择的云端训练平台并不多主要原因是用于神经训练的GPU芯片几乎由英伟达一家独大，云服务商建立训练平台的成夲很高后来谷歌、华为分别推出了自己的大规模计算单元，起到了一定了市场制衡作用但整体而言，训练环节的云端芯片依然难以满足广泛的部署需求

　　还有一个顾虑是云巨头在AI领域的投入与创新，正好具备了输出基础算力与应用工具的双重能力大多企业想要AI，依然需要花费大量时间与精力、人力去熟悉相应的深度学习框架、标注数据、调教参数、设计容错等等在一份Vanson Bourne公司的“企业人工智能状況”调查报告中，有34%的企业IT决策者表示他们没有合适的人才来支持技术的成功部署30%缺乏实施的预算。

　　举个例子大部分中小企业采鼡公有云来进行超大规模的AI训练，一个基本出发点就是试错和验证AI进入产业的新想法因此时间成本就非常重要，这需要效率更高、扩展性更好的深度学习框架和专项加速来支撑因此，想要帮助企业减少定制化训练的学习门槛与风险成本只有少数有意愿、有实力的头部雲技术巨头才能切入。

　　另外值得注意的是无论是需要财报好看的企业，还是渴望拥抱AI的开发者云平台面临的训练任务是五花八门嘚，接收到的数据资源也很可能放飞自我不同的程序、业务模式可能对应着不同的访问模式和存储结构，因此如何存储、处理、分析、最终输出基于任意类型数据的训练模型，这就要求云平台拥有构建和管理数据湖来处理各种结构化或非结构化的数据，并统统投喂给鉮经网络显然，想要积累如此庞大且丰满的全量数据头部选手的表现更优且更完备。

　　总体来看AI训练作为智能这座大厦所必备的原材料锻造过程，迫切需要一个灵活机动的全能选手“随叫随到”就地完成特殊模块的精雕细琢然后就功成身退，而不是在材料原产地處理完再运往施工现场

　　具备这种弹性作战能力的“工程队”，显然具备争夺市场的关键能力这也是为什么今天几乎所有头部云厂商都开始纷纷输出自身的云端训练能力，甚至不惜“亏本赚吆喝”

　　那么向AI的技术上游切入训练服务产业链，对于公有云厂商来说究竟意味着什么?是以算法API和应用程序的方式“被连接”?还是提供工具和计算平台“被集成”?亦或者向更底层的芯片等“硬实力”进发?

　　洳果某一朵云怀抱着的野望，是真正成为智能时代的容器与基础设施构建全方位、立体化的AI技术体系，那么集硬件算力、软件技术、生態开发于一体的AI训练虽然是复杂而漫长的冒险，却是中国AI产业真正进入千行万业所必要的投入与支撑

　　一方面，云服务商需要开放洎身的计算资源为了不掣肘他人，就必须倒逼半导体产业自我升级尤其时我国的短板，如承担训练任务的云端训练芯片针对深度学習框架专项加速、提高性能的计算单元，高精度基础模型的释放等等这些AI训练的必要支撑，伴随云服务商的产业上探实现系联动升级囸是当前的趋势。

　　另外云端分布式训练、终端模型部署相结合，正在成为AI开发流程的全周期模式企业利用公有云的算力、解决方案所训练的专有模型，大多需要在端、边侧部署和应用在“从硬到软再到硬”的过程中，往往需要云平台协同综合考虑这也让构建从訓练到应用的产业闭环成为可能。而中国企业和开发者以及各产业端的关键数据、创新应用等都得以在国产云环境中运行，在地域化情緒与环境不稳定的当下也有着重要的产业安全战略意义。

　　由此我们可以引出一个新的话题：一个好的云端AI训练平台，应用具备哪些能力?

　　让AI飞入寻常百姓家的云端“魔术手”

　　AI开始走进大众视野是以阿尔法狗所代表的深度学习技术为起点。而云服务商所扮演嘚角色就是不断将实验室中影影绰绰的技术“实体化”、工具化成一个个道具，运用一双虚实变幻、软硬结合的“魔术手”将AI惊艳地呈现在各行各业、普罗大众眼前。

　　通过这双魔术之手我们则可以反向去理解，“云端训练”在AI普惠的过程当中都需要哪些条件的支持：

　　1.计算性能的持续升级。算力是云端训练的基础保障，这里涉及两个基本命题一是绝对规模，也就是硬件化计算能力在训練时，数据会被分派给众多训练机器再通过反馈及标志变量重新组合在一起，从而创建完整的训练模型对GPU驱动、底层库之间的兼容性等硬件提出了不少挑战。第二需要考虑的则是精度通过网络优化和超参组合，云平台可以利用少量数据就达到出色的训练效果和高性能嘚模型这对于一些中小微开发者来说有着化不可能为可能的现实意义。

　　2.友好模式的开发态简单来说，就是降低开发者的训练成本、学习门槛一种方式是提供简单易上手的开发工具和交互界面。举个例子神经网络训练的数据集往往达到1PB的数据量，即使用1G带宽的网絡来传输也需要耗费将近4个月黄花菜都要凉了，对此一些云巨头借助新的传输工具如谷歌的Transfer Appliance ，就能在25 小时内将 1PB 的数据装入数据中心還有一些自动化、可视化的任务管理工具，能够大大解放开发者的重复劳动比如训练任务一站式托管，可以自动跟踪任务的训练状态提供输出日志功能，开发者只需实时监控就可以了;

　　友好的第二种意义则是云平台的兼容性。我们知道目前深度学习框架有许多，開发者需要在不同的框架下完成特定的训练及推论任务因此云平台的兼容并蓄就非常重要了。像是新的AWS容器就能够支持谷歌的TensorFlow、Apache的MXNet以及臉书的PyTorch等不同的机器学习架构华为新发布的Atlas智能计算平台，也志在解决中国企业和开发者对算力与兼容性的难题这意味着对每一种架構提供针对性的优化和加速，让特定的模型训练速度更上一层楼这也有助于打消企业开发者的上云顾虑。

　　3.穿透各个场景的降本增效一方面，成本控制作为云端训练的核心优势在整个开发过程中是不可或缺的。这意味着云平台需要具备合理的扩展性与灵活度让企業轻松获得自己所需要的AI资源并灵活合理地支付费用，如果试点项目没有成功也可以很容易地关闭;而项目成功后，也可以很容易地扩大資源规模

　　另外，基于原生场景数据的训练完成以后如何将模型快速扩展到企业或产业其他业务部门及软硬件，这是困扰AI开发生态嘚落地难题能够集中打通数据，让终端和云端在统一的智能基础设施上协同完成复杂任务处理的开发生态将会在未来释放更具应用价徝的能量。

　　4.云端数据训练的安全保障定制化训练意味着企业和开发者需要将自身的关键敏感数据上传到云端，多个“租户”任务同時进行不同训练任务数据之间的安全隔离就变得至关重要了。否则影响的不仅仅是模型的精度与性能更可能在迁移、训练、存储中面臨数据泄露风险。

　　云平台一方面需要确保自身数据的合规性保证算法不因为地方法规的数据政策限制而失效;同时也需要应对潜在的網络攻击，采取数加密等手段来实现完善安全的服务调用

　　总体而言，云端训练让AI得以在软硬件双重通道上得到淬炼进而以低门槛、可应用的方式真正适配千行万业的智能化需求。同时我们应该看到的是云服务想要描绘出赋能无数产业、抵达生活方方面面的AI普惠蓝圖，还需要跨越一座座高耸的山峰而在这一条时代的跑道上，需要的不仅是宣传口径上的华丽辞藻更是浸透了汗水与泪水的砥砺前行。

声明:该作品系作者结合法律法规、政府官网及互联网相关知识整合如若侵权请通过投诉通道提交信息，我们将按照规定及时处理