ChatGPT掀起的新一轮人工智能狂欢下，隐藏在背后的“大模型”正进入越来越多开发者的视野。

诚如几年前开始流行的一种说法：数据是燃料、模型是引擎、算力是加速器。ChatGPT的出现，恰如其分地诠释了数据、模型和算力的“化学反应”。而在其中扮演“桥梁”角色的，恰恰是上承应用、下接芯片的AI框架。

正是在这样的背景下，市场调研机构Omdia通过对AI开发者进行调研，在日前发布了《中国人工智能框架市场调研报告》，向外界揭示了国内开发者对于AI框架的认知，以及不断变化的行业格局。

开发者眼中的AI框架市场

随着ChatGPT的热度越来越高，不少人坦言：“人工智能领域正在引发新一轮科技竞赛”，其实AI的学术竞赛在2020年前后就已经开始。

OpenAI在这一年推出了著名的GPT-3，拥有1750亿参数量；DeepMind的AlphaFold2在第14届国际蛋白质结构预测竞赛中夺冠；同时全球AI论文发表量逐年增长，来自中国的论文比例越来越高...... 顶会论文、大模型、科学智能代表的技术生态，达到了前所未有的热度。

同样是在2020年，以昇思MindSpore等为代表的中国AI框架纷纷开源，开始了追赶TensorFlow、PyTorch等前辈们的追逐赛，中国AI框架的崛起和技术生态的繁荣，不可避免地出现了交叉。

就像Omdia在《中国人工智能框架市场调研报告》中给出的观点：在大模型应用的趋势下，国内开发者对于AI框架的认知发生了一些微妙的变化。

比如“对于超大规模模型训练能力，您觉得哪个人工智能框架最好？”的问题中，36%的开发者投票给了TensorFlow/JAX，15%的开发者选择的是PyTorch，昇思MindSpore以10%的占比排名第三。

需要说明的是，开发者的答案在某种程度上受到了认知习惯的影响，自然而然地给“老牌框架”打了高分。譬如谷歌的TensorFlow并非原生支持大模型，通过新推出的另一个新生框架JAX作为TensorFlow的简化库融入；PyTorch则是靠第三方并行算法库补充了大模型支持能力。昇思MindSpore正依托原生支持大模型的能力快速崛起。

再比如“您认为最适合做AI for Science项目的人工智能框架是？”的问答下，TensorFlow和新生框架JAX收到了45%的开发者支持，昇思MindSpore在这个问题下超过了PyTorch，以37%的支持率排名第二。

而在人工智能框架使用率的排名中，TensorFlow和PyTorch的先发优势依然存在，但昇思MindSpore以11%的份额进入第一梯队。TensorFlow早在2015年就已经开源，PyTorch的历史也可以追溯到2017年，昇思MindSpore比“前辈”们晚了三到五年，但表现出了快速赶超老牌AI框架的态势，扮演了“挑战者”的角色。

如果说Omdia的报告主要是基于开发者的认知，可能与实际情况存在一定出入，那硬核的技术生态与行业生态的合作，则以板上钉钉的数字佐证着昇思MindSpore等中国AI框架崛起态势：

在技术生态方面，昇思MindSpore已经与200多所高校、科研机构展开创新合作；在行业生态方面，仅在2022年获得昇思技术认证的企业就超过800多家，涵盖制造、金融、电信运营商等国计民生行业；在开源生态方面，昇思MindSpore在Gitee AI开源项目综合排名TOP1，软件下载增速第一，总量已超过370万……

昇思MindSpore越级的时与势

一个残酷但有现实意义的现象是，2020年AI框架市场还是一幅百家争鸣的景象，目前却出现了典型的虹吸效应。

按照Omdia的调研数据，在中国人工智能框架的使用率方面，TensorFlow、PyTorch、昇思MindSpore和飞桨合计占了86%的市场份额，大多数AI框架的使用率不足1%，曾经声名鹊起的Caffe、CNTK等已逐渐掉出主流队伍，只有昇思MindSpore一家逆势进入了AI框架的第一梯队。

想要弄清问题的答案，昇思MindSpore可以说是最好的研究对象。过去近三年时间里，昇思MindSpore到底做对了什么？

第一个参考答案是大模型的“时”。

2021年9月的华为全联接大会上，昇思MindSpore迭代至1.5版本，最直接的变化就是原生支持AI大模型训练，通过全自动并行、可视化智能调优等大幅提升了大模型的开发效率。 

其中在大模型并行训练上，昇思MindSpore支持数据并行、MoE并行、优化器并行、多副本并行等7大并行计算能力，将训练千亿模型的代码量降低了80%、调优时间下降60%；和TensorFlow、PyTorch等框架相比，昇思MindSpore是支持模型结构最全的AI框架，包含稠密、稀疏MoE、卷积结构、高维稀疏等。

第二个参考答案是应用创新的“势”。

2022年11月发布的2.0版本中完成了AI与HPC的融合，通过神经网络模拟的非线性拟合，让科学家无需再解高维方程，进一步提升了科技创新效率。特别是在产业应用创新方面，昇思MindSpore构建了流体仿真、电磁仿真、分子模拟在内的科学计算套件，持续使能应用创新。

和PyTorch的兴起不谋而合，昇思MindSpore也将技术生态作为“先手棋”。印证昇思MindSpore “路线正确”的案例，绝不止Omdia的报告和开发者的认同，还有一份沉甸甸的成绩单。

衡量创新能力的一个重要标准正是论文数量。按照Papers with Code网站的统计数据，2022年使用昇思MindSpore的顶级会议论文已经超过600篇，在国内AI框架中排名第一，在全球范围内仅次于PyTorch。

而在大模型的创新中，目前国内科研院所和高校已经发布了10多个基于昇思MindSpore的大模型。其中紫东.太初是全球首个三模态大模型，能够实现视觉、文本、语音三个模态间的高效协同，曾在2022世界人工智能大会上斩获“卓越人工智能引领者”奖；东方.御风是业界首个工业级流体仿真大模型，在进行飞机流场模拟仿真时，对比传统的科学计算，在精度一样的情况下，东方.御风的仿真时间只需要原来的1/25。

如果把人工智能产业生态比喻成森林的话，人工智能框架就像是森林中的土壤，寻求创新的开发者自然会“择水土而居”。

不应被忽视的可信AI问题

在全民“调戏”ChatGPT的风潮中，ChatGPT有时会“一本正经地胡说八道”，这其实暴露了存在事实性错误、知识盲区和常识偏差等诸多问题。

Omdia在《中国人工智能框架市场调研报告》中向开发者询问了类似的问题，最终的答案似乎超出了一些人的料想：在所有主流人工智能框架中，国内的开发者普遍认为TensorFlow 与 昇思MindSpore 对“负责任的人工智能”提供的支持最好。

个中原因其实不难解释。为了打消开发者担心的安全隐私等问题，谷歌通过Model Cards等工具让框架更加透明、更具备可解释性，同时TensorFlow也提供了一系列支持数据安全和隐私的功能、库和培训工具。

昇思MindSpore之所以能够在可信方面超越PyTorch，离不开对AI安全技术体系的布局，提供了涵盖AI训练、AI测评、AI部署的一整套端到端的安全可信体系，包括联邦学习、模型水印、模型加密等外界所熟知的可信机制。

比如联邦学习是一种常见的隐私保护方式，可以在不收集数据的情况下协同进行模型的训练，实现数据的“可用不可见”，继而保护隐私信息。然而联邦学习和大模型的结合也产生了诸多挑战，涉及到计算代价、通信开销、隐私泄露、模型安全等等，需要解决隐私保护与效率的两难课题。

昇思MindSpore的回答是跨域可信训练。

以鹏城.盘古大模型为例，昇思的联邦学习能力助力盘古超大模型协同训练，根据各地算力情况将大模型拆分，以AI计算中心超大算力实现盘古主干网络的正反向训练，同步在银行等计算机房做数据处理，模型Embedding、TOP层算Loss正反向训练，实现了敏感数据不出本地，并让联邦学习的训练时延降低了30%、通信和计算开销降低了40%。

就像Omdia在报告中的评论：“负责任的人工智能”即是一套道德准则，又是一套技术体系， 是以安全、可靠和合乎道德的方式开发、评估、部署和规模化人工智能系统的方法，对人工智能的可持续发展非常重要。

大模型、科学智能等技术生态在过去三年时间里深入影响了开发者对AI框架的选择，把时间再拉长一些的话，能否在可信AI方面有所作为，能否打消开发者的疑虑，无疑将左右AI框架下一个三到五年的市场排位。

写在最后

人工智能的星星之火能否燎原，AI框架有着不可或缺的作用。

一座城市的繁荣，不在于有多高的摩天大楼，而是无处不在的建筑群。沿循这样的逻辑，AI框架的价值在于赋予不同的开发者“建造高楼”的能力，让人工智能的前沿能力进入每一个行业、每一家企业。

至少，以昇腾AI为首的中国人工智能产业建设者早已开始发力。

不只是昇思MindSpore在技术生态上的异军突起，Atlas系列硬件、异构计算架构CANN、昇腾应用使能MindX等软硬件也在持续创新，为开发者打造了“端、边、云”的全场景AI基础设施，让人工智能在千行百业不断扩散。

主理人 | 张贺飞（Alter）