谷歌于今年10月份推出TensorFlow 企业版，补足企业市场短板。谷歌的 TensorFlow 机器学习框架于 2015 年开源，并迅速成为最受欢迎的机器学习平台之一。到目前为止，已经被下载 4600 万次。为了占领企业市场，谷歌推出了 TensorFlow Enterprise，包括实施级别的企业级支持和优化的 Google Cloud 托管服务。
TensorFlow Enterprise 最重要功能之一是它将提供长期的技术支持。针对某些版本，谷歌将提供长达三年的补丁程序，所有补丁和错误修复将在 TensorFlow 主线代码存储库中提供。另外，谷歌还将向正在构建 AI 模型的公司提供来自 Google Cloud 和 TensorFlow 团队的工程协助。
同时，TensorFlow Enterprise 也与 Google 自己的云服务深度集成。谷歌在它的公告中写道：“由于 TensorFlow 由 Google 创建并开源，因此 Google Cloud 可以直接从 TensorFlow 团队得到支持和帮助，具有独特的优势”， “加上我们在人工智能和机器学习方面的深厚专业知识，这使 TensorFlow Enterprise 成为运行 TensorFlow 的最佳方法”。
由于目前市场上的商业通用AI平台（软件即服务，下简称商业AI平台）跟AI云服务在功能上高度重合，且商业模式不及云服务，谷歌提供企业版之后，这些AI平台初创企业压力倍增。
大数据和云企业的施压
从2018年到现在，AI行业就频繁传出AI公司倒闭潮的预测。业内不断的有声音认为“90%的AI企业面临倒闭”，“会有一波大的洗牌“。
谷歌的DeepMind在过去三年里，亏损10亿美元，但未来还有10亿的预算投入。AI创业企业，没有谷歌之于DeepMind的背景，就得有自我造血功能，方能活下去。比如当初做“三维视觉感知”的强AI企业，也得朝主流的“深度学习+人脸识别”转移，进入安防行业落地。
而商业AI平台通常的落地场景是金融领域，如银行业的风控、精准营销；零售行业，如智能推荐、销售预测…
如今，大多数企业都在谈数字化转型，为了保持企业的营收持续增长。风控、精准推荐也是主流大数据企业的关键业务。而AI平台型初创企业跟主流大数据企业相比起来优势并不明显。
机器学习流程原型是首先清理数据，然后提取特征，最后经过转换的输入通过一个机器学习模型以创建预测结果。
机器学习算法只是其中一环。数据是机器学习应用的重中之重，数据准备占据了60%以上人天成本。传统大数据企业在数据治理上积累了多年的经验，数据治理能力、数据存储集群管理能力也是一些大数据企业的天然技术壁垒。当商业AI平台落地业务时，还是要面对各种脏数据，需要投入大量人力时间解决数据问题。
挣到钱，有自我造血能力才能活下去，才能进化得更好。与大数据企业同食一块蛋糕，在这些落地场景里，AI平台即服务的优势并不明显，那么盈利能力堪忧。
另外不可忽视的是机器学习平台同样需要管理和维护工具。云服务的优势恰恰是维护容易。且形式灵活，可支持私有云部署。
另外类似谷歌这类的主流云服务功能上不仅提供了精准推荐、预测，还有强AI功能如语音识别和图像处理等功能，这些强AI能力通常也有大厂的AI实验室予以保证。并且云服务可按需付费，商业模式清晰且受过验证。对于谷歌和国内的BAT云服务来说，是在云服务应用广泛的基础上叠加AI能力，比起平台即服务，AI销售压力较小，可有更多的力量投入到长期性的技术研发中。云服务给平台即服务的冲击力同样巨大。
开源的逼迫力量
2015年11月，谷歌第二代深度学习框架TensorFlow横空出世。
2015年注定成为开源的分水岭。谁也不曾料到，后面几年在人工智能领域里，涌起的开源浪潮有多猛烈。
与TensorFlow同一时期，微软亚洲研究院开源机器学习工具包DMTK。
2016年9月百度发布“Paddle”，腾讯也在当年发布Angel。
2016年11月宣布将MXNet作为官方深度学习平台。
2017年1月，Facebook推出机器学习框架PyTorch。2017年，Uber开源了Horovod。
AI框架上承应用、下接芯片，是AI产业的软件支柱，包含几个层次，比如底层的芯片、含数据存储的大数据集群；再一层是计算框架，类似Spark这样的ML框架、TensorFlow这样的DL框架；再往上一层是高级API和分布式调度框架，如Angel；最上一层，是AI业务应用，如推荐系统、智能问答、人脸识别…每个层次均有对应的开源软件可组合使用。
这些开源平台背后技术力量雄厚，且各有优点。
比如TensorFlow基于Python，写的很快并且具有可读性；在多GPU系统上的运行更为顺畅；代码编译效率较高；提供API的支持，可直接解决各种机器学习任务。在工业界，TensorFlow使用率达到最高。
比如Uber 开源参数服务器Horovod通过AllReduce来实现机器间模型同步，由于底层使用MPI、支持RDMA等高性能网络，可以利用带宽并行。同时与主流深度学习打通，Tensorflow，PyTorch等，有良好生态方便上手。
利用开源的项目，开发人员就能完成基本的任务，在开源的推动下，中国出现了近千家AI创业公司，仅次于排名第一的美国。
商用AI平台需要在多个主要环节强于开源软件，才能叫好并叫座。目前开源还是商业化AI平台即服务的强有力的对手，并且这次提供的TensorFlow企业版服务提供了高达3倍的数据读取改进（TensorFlow 读取和缓存文件方式更改的结果）。并且已针对 Nvidia GPU 和 Google Cloud TPU 优化了企业版。TensorFlow企业版针对实际使用的硬件和平台都做了优化，更好的提升了企业AI平台的性能。
AutoML
使用AutoML是目前比较主流的机器学习平民化方法，被一些AI平台当作杀手鐗。同时AutoML被认为是解决十万AI人才缺口的救星。
2018年1月，当时的谷歌云首席科学家李飞飞和谷歌云研发负责人李佳宣告Cloud AutoML的问世。
机器学习涉及到数据预处理、特征工程、模型调参等环节。需要人工选择参数，设计模型，验证调整，如此反复。AutoML让这些自动完成，相当于让AI来设计AI。与专业调参建模相比，AutoML的优势在于使用门槛低，解决一些重复性劳动。
在真实世界里，技术是流动的，永远不会静止，永远不会完结，永远不会完美。–《技术的本质》
目前的AutoML的缺点也是很明显的，首先是一个黑盒的模块，大量的数据预处理、特征或者模型的尝试，专家没有办法干预，因此可能会带来一些效率低下的问题，消耗大量算力，其次是AutoML只能解决确定性的可量化的目标，对于实际情况，需要在多个不同的业务目标（比如准确率和线上延迟）之间进行权衡，以及可能需要涉及到一些不可以明确量化的目标，比如可解释性，这些情况下目前的AutoML是无法有效工作的，甚至有些时候，人也没有办法一下子给出目标，需要不断地探索。
深度学习专家 François Chollet 也曾置评这项技术：“不久之后，AutoML 就会发现他们将面临和强化学习一样的问题：人们会用非常具体的（有缺陷的）方法来解决许多宽泛的问题。”
有些企业的解决方式是引入人机交互的方式，但同样需要专业的人士参与，也不能根本上解决十万AI人才缺口的问题。目前的AutoML并达不到理想效果，还需多年的努力。
下一个趋势是什么
2016年，小米的创办人雷军说过：“站在风口上，猪都会飞”。
2016年初，Alpha Go击败了代表人类出战的李世石。BAT在这一年纷纷开始了AI布局，给予了大量的人力和财力。
中国互联网在过去的15年中，经历过五六个周期，每个周期主题都不太一样。最开始的门户网站，出现了如新浪、网易、搜狐等企业；然后是增值电信业务，腾讯当年靠电信业务上市；再后面是视频网站和社交网站；然后是电商和互联网金融企业，如阿里巴巴、京东。不严格划分，就是三年一个周期。
最近三年，也可以说是AI企业涌起的周期，这条赛道同样出现了几百家甚至上千家创业企业。这三年，有开始的创立浪潮有最后的寒冬衰退。
商用AI平台经历了数年发展，如果现在还没建起明显的技术护城河，没有令人信服的技术优势，对比云服务，功能重合，盈利模式堪忧，靠加强宣传的方式照样解决不了问题。
更不曾想到，在2019年底，谷歌在TensorFlow市场占有率无敌的背景条件下再次推出企业版，强占企业市场。
趁时势可以起大事，但也要在“风口”中炼出真功夫，“风口”过后才是真较量。
在与技术专家的交谈中，对比商业AI平台，专业人士也都表示更看好谷歌的TensorFlow 企业版策略。
回头去看，这是商业AI平台的创建者缺乏远思吗？除商业AI平台之外还有很多AI落地都经过了战略性收缩。
2018年10 月 21 日，特斯拉已经从公司官网的预订页面下架了长期以来提供的“全自动驾驶”选项。马斯克曾在三年前声称，2017 年之前特斯拉将实现全自动驾驶，如今这个目标的实现已无定期。
2015年4月，IBM成立了独立的Watson Health部门；到2016年，IBM第四次转型，Watson被寄予担纲厚望。2019年4月，投资50亿的IBM医疗裁员70%。
微软最初于2015年12月推出了针对iOS和Android的语音助手Cortana（微软小冰）。2019年11月，微软宣布其语音助手Cortana战略性收缩，将在2020年1月31日退出iOS和Android平台（美国除外）。
通用AI一直是顶级AI专家的梦想，也是谷歌DeepMind终极目标。就像前面所说，DeepMind在过去三年里亏损10亿美元，但未来还有10亿的预算投入。这样的投入，对于一般企业来说，是望而却步的存在。
这些AI的小败局，不过就是告诉今天的你，有哪些技术已能见效，有哪些技术目前还不稳定还不理想；有哪些行业属于刚需，有哪些行业还需继续探索。未来还有什么行业值得投入，这将决定AI企业的成败。