图片来自“123rf．com．cn”
最近很多海外企业之中在发生一种很有趣的改变，那就是AI正在脱离其他部门附属品的角色，成为一个独立的部门或事业部。
先是CEO纳德拉对微软大动干戈地进行了重组，将原Windows部门重组成“设备与体验”和“云计算与人工智能平台”。很快谷歌也宣布将原来的人工智能及搜索部门一分为二，将人工智能部分独立出来，归由原来谷歌大脑的负责人Jeff Dean领导。不久苹果又挖角了谷歌前人工智能及搜索部门主管John Giannandrea，任命其领导机器学习和人工智能战略并直接向Tim Cook汇报。
（苹果雇用谷歌前人工智能主管John Giannandrea）
对于AI行业来说，这显然是好消息。谷歌和微软一样，原本将AI与自身最核心的业务归拢在一起，如今将两者区分开来，无疑是一种提升对AI重视程度的表现。未来的风向或许是，深度学习不再是某一项业务的衍生品或附庸，甩掉原生根系的纠缠，走向独立发展、高频竞争的快车道时代。
而在整个AI快道比拼当中，硬件算力、数据算法等等元素无一不处于白热化的竞赛之中，几乎每天都有新的论文、新的产品问世。可隐藏在快道底层的，却是一个极易被忽视，但却实际至关重要的问题——深度学习开发框架。
每位AI开发者每天都会使用它，可外界对它的关注却少之又少。但深度学习开发框架绝非一滩死水，悄然之中谷歌、Facebook、百度三大AI巨头，正在围绕深度学习框架展开一场新的“三国杀”。
AI要冲：深度学习正在变成一件更专注、更系统的事
在谷歌原来的业务结构中，谷歌大脑本是一个偏重于研究的团队，在深度学习、NLP、CV等等领域的国际期刊和学术上发表了大量论文，并且将开发框架TensorFlow归拢到自己旗下。
随着近一两年间AI相关技术的应用性增强，谷歌大脑的上述研究结果也开始有机会进一步投入产业。谷歌这一次提升AI业务的重要性，或许是在谋划AI业务独立开发和系统性业务布局的可能——AI与工业、AI医疗影像……当技术前景越来越广阔时，就进一步展现出了深度学习开发框架在产业关系中的战略要冲地位。深度学习开发框架可以圈定开发者和应用，从而释放谷歌在AI方面的技术能力和未来TPU的计算能力。
巨头们纷纷开始调整架构，意味着深度学习正在走向系统化和专注化，这以数据、感知与运算的深度缠绕的产业领域，开发以及开发者生态自然成为了产业活跃度的基石，有关开发生态的竞争则直接体现在了深度学习开发框架的发展中。
比如，Facebook就不愿让谷歌独享深度学习开发平台带来生态收益，在去年年初推出了针对意味十足的开发平台PyTorch。并且在去年9月联手微软旗下的CNTK和Caffe2，推出了一套开放的神经网络交换格式，为的是在谷歌生态愈发封闭时，提升场内其他选手之间框架格式的互通性。
而在中国，百度的PaddlePaddle也在不断发展，凭借本土化特色吸引了国内的开发者，综合GitHub pull request的数据来看，PaddlePaddle已经成为了全球开发热度增速最高的开源深度学习平台。同时随着百度在斯坦福、加州伯克利等海外高校频繁开展技术交流活动，PaddlePaddle甚至在逐步走向世界舞台。
不知不觉间，这三大科技巨头专属的深度学习框架，正在展开一场新的三强争霸。
降低一切门槛：开发框架三国杀在争什么？
在我们谈论AI开发时，我们就究竟在谈论什么？
更多的开发者：开发者数量显然是一切的前提，数量广阔的开发者就像蒲公英的种子，会把深度学习开发框架以及相关的软硬件服务带到各个企业中去，帮助巨头们的AI布局在四处扎根生长。
更活跃的开发生态：建立在大量开发者数量之上，用案例和经验对开发社区进行填充，鼓励开源和共享，让AI的开发变得更加简单，从而进入更多行业和场景。
更高级别的开发项目：自身框架中诞生一款杀手级应用，可能是每个巨头都会有的理想目标。高价值和高效用的应用AI很可能带来大量簇拥者，一齐涌向该框架的生态之中。
总之，如何降低门槛以一切手段吸引开发者进入，成为了三大开发框架的共同目标。
最典型的例子就是TensorFlow与PyTorch之间的竞争。
在目前的开发框架中，TensorFlow凭借着谷歌的技术优势一直表现的较为强势，在开发者越来越多时，其开发社区生态也在进行良性发展。
但占据了优势后，TensorFlow开始随着谷歌一同收拢自身的开发生态。比如谷歌曾经推出过一系列赋能开发者的培训计划，向开发者提供课程教学。但结果是所有的教学全部都建立在TensorFlow之上，所提供的硬件API也只能接入TensorFlow，而TensorFlow的社区资源和开发工具更新，又部署在谷歌云之上。并且TensorFlow在最近单方面和Caffe等开发平台“友尽”，使得开发者们无法进行平台之间的迁移。
而Facebook就抓住了这一点。将原来的开发工具Torch进行升级，联手微软打造神经网络交换格式帮助开发者降低迁移成本。同时PyTorch设计了更方便的数据加载API接口，使开发过程中加载并行数据更加顺畅，相比TensorFlow降低了不少API方面的学习成本。
在自定义扩展上，PyTorch也改变了TensorFlow依靠样板代码才能实现的情况，通过为CPU／GPU编写接口这种更易行的方式添加自定义拓展，使得开发过程中的自由度大大提高。
综合来看，在开发框架的竞争中，赛点在于更低的学习成本和迁移成本，以及更高的易用性和社区友好度。
在这几个方面，西方战场之外的PaddlePaddle也以灵活、易用著称。
