微软 Ignite 大会、GPT-3 授权

这是一场面向 IT 行业的年度大会，疫情的原因，今年的会议全部以在线的形式举行，你可以在这里在线查看这场大会的所有议程，微软在这场会议上发布、更新了多个产品线，其中混合云产品线上有值得关注的更新：

• Azure Arc 服务器正式可用：这是一个面向混合云场景的产品，旨在简化数据中心、Azure 公有云之间的部署与管理；
• Azure Kubernetes 服务（AKS）发布面向混合云 Azure Stack HCI 的预览版：根据微软的说法，这意味着用户可以像在云端一样，在多个环境里部署、管理容器化的应用；

在认知服务也就是人工智能产品线里，微软提供了一个名叫「空间分析服务」的产品，其核心是利用计算机视觉相关技术，在遵守相关防疫规定的前提下帮助企业进行室内空间规划与设计。

此次大会最具话题性的发布就是微软获得 Open AI GPT-3 的独家授权，微软高级副总裁 Kevin Scott 在官方博客里写道：「……这项合作将增强微软 Azure 平台上的 AI 『民主化』能力，加速更多产品、服务的创新……」。

但显然，这个说法并不能令人信服。其中一个最关键的争议是：微软成为除 Open AI 之外唯一一家可以获取 GPT-3 源代码的科技公司，正如《MIT 科技评论》一篇文章所言，Open AI 原本可以为人类谋福祉，但现在，它只会让全球最有钱的一家公司获益。

科技媒体 VB) 谈到，这个合作的细节并不清晰，微软表示将继续 GPT-3 的 API 访问权限，这是 Open AI 今年 7 月开放的能力，此前互联网上各种基于 GPT-3 或惊喜或恐怖的展示都是开发者调取 GPT-3 API 所实现的，但根据 Open AI 官方博客的说法，微软还将利用 GPT-3 改造自己的产品和服务，并帮助 Open AI 推进 AI 研究的商业化探索。

微软与 Open AI 的合作始于 2019 年 7 月，微软当时宣布 10 亿美元投资这家公司，我在当时的会员通讯里分析过微软的动机：

微软很缺一个对标 DeepMind（Google 旗下）的机构。坦率来说，微软的基础研究能力一点也不弱，其 AI 基础研究的机构和部分也是业内公认的「黄埔军校」。但微软的这些机构，包括微软研究院、微软亚洲研究院的研究成果基本局限在行业内的宣传，与 DeepMind 围棋 AI 横扫全球公共讨论有着巨大的差距，而 OpenAI 在这个领域拥有丰富的经验，此前他们对于 GPT-2 模型的舆论宣传，可谓相当到位。

相对于去年的 GPT-2，今年 GPT-3 的影响力更大，这也让微软去年的这份赌注增值不少，从而也给今年的「独家授权」做了做好的注脚。

但另一方面，微软获得独家授权的事实让所谓「AI 民主化」的宣传彻底成为一个口号。

以 GPT-3 为例，这是一个超大规模的 NLP 模型，这个模型的复杂度、所消耗的资金远非一般公司、研究机构所能承担，在此前的模式里，尽管 Open AI 没有公开源代码，但开发者、小公司、研究机构依然可以将 Open AI 作为一家中立机构，通过调取 API 的形式来做一些研究和开发，这是典型的「AI 民主化」实践，如今，当微软成为 GPT-3 背后的巨头，这个超大语言模型的中立性已经不复存在，在一个既当运动员又当裁判员的赛场上，微软要和不同领域的开发者、研究者一起「竞技」。

作为 Open AI 前创始人，伊隆·马斯克在社交媒体的这句话或许是一个预言：（这个合作）就是开放的对立面，Open AI 已经成为微软的俘虏。

「机器人的崛起」

「机器人崛起」并不是一个新鲜的议题，前几年一本同名书销量还不错，但就像本月《国家地理杂志》封面文章所言：可能我们大多数人没有意识到身边已经充满了机器人。

这篇长文不仅梳理了当下机器人领域的发展情况，还站在疫情影响的视角，去重新审视机器、人之间的关系，非常推荐阅读。沿着这个角度，我提供几个值得关注的方向，或许可以帮助各位更好理解所谓「机器人崛起」背后的一些真实故事。

其一，当下「机器人」的概念，早已不再是所谓「像人的机器」，从工业领域早已存在多年的机器手臂到如今已经在国内多个城市出现的自动驾驶汽车，其实都是「机器人」。

本月的云栖大会上，阿里巴巴宣布进军机器人赛道，发布了一款名为「小蛮驴」的机器人（下图），正如其官方宣传稿里所言，其底层的算法来自于达摩院的「自动驾驶机器学习平台AutoDrive」，换句话说，阿里云更像是以机器人的名义切入到自动驾驶领域，或者说，从 Alphabet 旗下的 Waymo 到百度旗下的 Apollo，这些自动驾驶公司也是在从事机器人相关的工作。

其二，如果说上述机器人是一种有形机器人，至少你能看到这是一种物理存在，那么另一个趋势是，更多的无形机器人正快速崛起中。比如，英国《卫报》将超大规模语言模型 GPT-3 应用到报纸社论的写作中，这个「无形的记者」为编辑们提供了 6 个不同风格的文章，供编辑们修订发布。

其三，从有形到无形，机器人的应用场景已非常广泛，特别是疫情期间，机器人也在「抗疫最前线」，《日经亚洲评论》报道了一类工厂的协作机器人，它们不是传统意义上追求快速、精确的工业机器人，而是与人类员工协同工作，同时还会监测员工之间是否保持社交距离。

MIT 与波士顿动力公司合作，将机器人应用于对新冠肺炎患者的远程诊断中，相关论文可以在这里获取。

另一个值得关注的应用场景就是面向特殊群体的机器人，比如对于老人的陪伴。《卫报》报道了一个由贝德福德郡大学组织的研究，他们为一批老年人提供了陪伴机器人（如下图），这些机器人可以独立移动，并且可以在与老人的互动中不断学习他们的爱好，从而可以更好地为其提供服务。

但必须认识到一个事实：所谓「机器人取代人类」是一个极其复杂的议题，需要结合不同的行业、不同的场景予以分析。科技媒体 VB 提供了一个相对清晰的分析框架，非常推荐阅读。

值得一提的是，在机器人应用最早的工业领域，目前也没有明确的证据显示，机器人应用与失业率上升有因果关系，对这个领域感兴趣的朋友可以读一下这篇基于欧洲工业机器人与失业率的研究论文。

其五，我们该如何接受机器人？《国家地理杂志》封面文章里的一句话对我印象特别深：一位研究者指着手机说道：过去，我们都随身携带智能（机器人），现在将接受那些围绕我们身边并不断移动的智能（机器人）。

这意味着，人与机器人的关系需要重新思考，一方面是机器人的设计、制造必须符合人类生活的习惯，另一方面，人类也必须认识到机器人的优势与不足，只有这样才能最大限度地实现人机协同的目标。

关于人机关系，还有两个有趣的案例。沃尔玛在美国部分门店部署机器人清理货架后，《华盛顿邮报》采访了员工和顾客，员工们认为，自己正在变得像机器人。由于机器人开始广泛参与到工人的日常工作里，很多工人感到自己的工作越来越机械化，因为，工人的工作开始转为监督、培训机器人。

而顾客的反应则是「惊慌」，超市里的某些机器人，比如大概 6 英尺高的 Auto-S 扫描仪（上图），它会经常出现在货架周边，并在快速移动中发出一束光，相当诡异。

另一个案例是《国家地理杂志》援引一位研究者的故事，这位研究者曾调查过一家高度依赖机器人的物流仓库，对人类员工来说，机器人的确降低了他们的工作强度，员工们在仓库里来回走动的工作也少了很多，但员工们并不满意，他们抱怨机器人让他们减少了在走动中与同伴交流的机会。

行业·巨头·应用

持续关注：英伟达、ARM 与中国。无论再如何天真，英伟达收购 ARM 的事件都必须放在一个复杂的国际政治大环境里谈论，Bloomberg 上周援引英国议员的话称，他们担心 ARM 被收购后，英国也将被拉入中美技术对抗的语境里。

面向国际受众的财新国际在一篇分析里提及中国曾否决高通收购 NXP 一事，不过，财新国际的一份调查也指出，如果其他地区（欧盟、英国、美国）通过收购，中国很可能也会「被说服」。

在财新国际的这篇报道里，有一位分析师谈到，相比于苹果与英特尔，英伟达在美国并不被认为是一家大公司。这个说法当然不算错，这里的所谓「大」，更多还是公司在外部的影响力，这与历史相关，但在当下这个情景下，英伟达正在从特定行业大公司变成整个科技领域的大公司。

一方面，自 2020 年 7 月 8 日开始，英伟达的市值已经超过英特尔，而随着英伟达营收持续向好与英特尔不断推迟的 7 纳米处理器，两家公司的市值差距会越来越大。

另一方面，英伟达在 GPU 产品的研发速度也在创造一个新的定律，《华尔街日报》称之为「黄仁勋定律」（黄是英伟达创始人）。如果你知道此前「摩尔定律」定义了过去 50 多年的计算能力发展轨迹，那么也应该理解这个定律的潜在价值，特别是在当下算力成为困扰 AI （主要是深度学习）发展障碍的大背景下，英伟达对于算力的探索对于整个行业意义重大。

阿里巴巴公布「云钉一体」战略。自张建锋出任阿里云智能总裁以来，钉钉与阿里云之间的关系就一直在重塑、升级，此次以阿里巴巴集团的名义，再一次明确了两者的关系，官方的表态是，「将钉钉升级为大钉钉事业部，与阿里云全面融合，并整合集团所有相关力量，确保『云钉一体』战略全面落地」。

我在上周的会员通讯里谈到，阿里云 2.0 所构建的「云钉一体」，对标了微软在企业 IT、云服务领域的产品布局。而随着疫情催生的在线办公、远程办公常态化，通过云的协同、办公、应用开发之争将把整个云服务的竞争边界扩大，这对钉钉以及阿里云来说，将是一个重要的发展机遇，此次战略调整里的一个细节：「新成立『行业钉事业部』与『政务中台事业部』，聚焦于行业解决方案及生态开放能力打造，为客户提供专属化的服务」，恰恰就是要把看似是消费产品的钉钉延伸到政企大客户中。

Google Cloud 发布 AI 平台预测产品。这个产品旨在帮助开发者快速构建基于云端的机器学习模型，该产品后端采用了 K8S 引擎，可以实现高可用、灵活、低延迟的机器学习模型训练与部署，关于这个产品的详细介绍，可以参见 Google Cloud 的官方博客。

科技媒体 VB 列举了两份数据：IDC 报告称，预计到 2022 年，全球认知服务与 AI 领域的支出将达到 776 亿美元，2019 年的数字为 240 亿美元；Gartner 的调查指出，全球 AI 应用部署过去四年增长了 270%。

这是 Google Cloud 发布该产品的行业背景，同时也必须看到，在国内市场，包括 AWS、Azure 和 GCP 在内的美国公司还无法与国内阿里云、腾讯云等巨头竞争，换句话说，中国公司将成为中国这个巨大市场的潜在受益者。

Apple Pencil 手写能力里的机器学习。我在今年 WWDC 大会期间的会员通讯里曾坦言：苹果一系列新功能背后的关键词都是机器学习。而随着 iOS/iPadOS 14 的发布，依托机器学习的 Apple Pencil 手写功能 Scribble 得以大规模应用。上周，负责苹果软件产品的高级副总裁 Craig Federighi 谈到了其中的难点，包括如何构建大规模手写识别预测模型、如何将机器学习能力部署到设备上等等。

另外，如果你对这个技术的细节感兴趣，推荐一个今年 WWDC 期间的视频，这个视频详细介绍了该技术的实现方式以及与其他输入方式的整合，部分内容需要开发者背景，大家可以根据实际情况跳过，点击这里可在线观看这个视频。

亚马逊 CTO 谈虚拟化。谈云计算，一定离不开虚拟化技术，本质上说，云服务就是 IT 硬件虚拟化后的重新组合分配，但虚拟化天然会造成计算资源的浪费，这对于云计算公司来说，是一个巨大的技术难题与成本难题。

包括 AWS、阿里云在内的公司都在这个领域做探索，AWS 提出了 Nitro 架构，减少硬件虚拟化过程里的计算资源浪费，在节约成本的同时还能提供更多场景的计算服务，亚马逊 CTO Werner Vogels 对这个架构做了回顾与展望，或许，年底的 AWS re:Invent 大会还会有新的突破，毕竟，行业对于计算的需求一直没有变。