得底层创新者，得天下。
智能手机时代，PC 巨头微软，试图与苹果 iOS、谷歌Android 进行 " 三国杀 "；AI 时代，在深度学习底层框架的江湖中，谷歌和 Meta 你追我赶，互不让步。
由于 AI 底层框架投入资金量大、风险大，所以几乎只有不差钱的科技巨头才有实力投入重金，如国外谷歌的 TensorFlow 和 Meta 的 PyTorch，国内百度的 PaddlePaddle。
" 实力雄厚的美国互联网巨头对 AI 底层技术战略性投入力度较大，但中国的 AI 产业主要受需求拉动，大多数 AI 公司布局应用层。国内大部分公司的 AI 研发都选择使用外资巨头开源的 TensorFlow、PyTorch 等深度学习底层框架。" 中金基金在研究报告中表示。
AI 底层框架之争，纵有 TensorFlow、PyTorch、Keras、Caffe、MxNet 百花齐放，但最终还属谷歌和 Meta 两分天下。如今，TensorFlow 与 PyTorch 几乎平分春色。
近日，外媒 Business Insider 采访了一系列开发人员、硬件专家、云供应商以及与谷歌机器学习工作关系密切的人，获得了同样的观点：2015 年诞生的 TensorFlow，曾经辉煌一时，而 Meta 在 2017 年开源的 PyTorch 正在成为该领域的霸主，在此战争中，谷歌开始押宝 JAX。
随后，TensorFlow 官方博客回应，没有放弃 TensorFlow，将与 JAX 并肩发展。
虽然谷歌否认，但这个曾经帮谷歌打赢李世石，让谷歌AI 一战成名的 AI 框架，已经开始跌落神坛。
不过，谷歌试图通过 " 自我革命 " 来重现当年 TensorFlow 一统天下的雄风，这个艰巨的任务则由新的深度学习框架 JAX 实现。Google Brain、DeepMind、DALL · E Mini 等等的背后都有 JAX 的身影。据《商业内幕》透露，预计在未来几年内，JAX 将覆盖谷歌所有采用机器学习技术的产品。
从 TensorFlow 到 JAX， 随着 AI 发展阶段的变化，底层框架的创新和上层应用的关系也在发生微妙的变化。
" 传统的技术研究是从底层入手，逐渐发展，最后形成 demo 或产品业务，但现在应用层的业务需求可以反馈影响到底层设计。" 作为技术人员，林吉向光锥智能分享了对 AI 行业阶段性变化的观察。人工智能科学 LeCun 也曾公开表示，深度学习框架之间的激烈竞争，已经进入了一个新的阶段。
大厂的 AI 底层框架之争，是一场与时俱进的 AI 基础设施建设军备赛。
01 迎战 PyTorch，TensorFlow 落寞
曾几何时，Tensorflow 有多红？数据显示，截止到 2020 年 11 月，TensorFlow 的下载次数已经达到了 1.6 亿次。
" 孩子今年开学已经上小学五年级了，现在报课外班学 Tensorflow 还来得及吗？"
2018 年，知乎上一个提问吸引了亚马逊首席科学家李沐的回答：" 有点晚。我家娃一岁开始就开始读读 paper，现在已经可以熟练敲键盘写 MXNet 代码，虽然语法错误还比较多。他妈妈在 Google 上班是用 Tensorflow，但他对 MXNet 兴趣更大一点。不过比起敲代码，调参他更在行。"
图：李沐在知乎上的回答截图
AI 大牛亲自下场造梗，引得众人讨论。
2015 年 10 月，Tensorflow 面世，不到半年就名声大噪。2016 年 3 月，AlphaGo 与围棋世界冠军、职业九段棋手李世石进行围棋人机大战，以 4 比 1 的总比分获胜，背后的核心底层框架 Tensorflow 火速出圈，成为 AI 领域的崭新黑马。2017 年 5 月，在中国乌镇围棋峰会上，AlphaGo 与排名世界第一的世界围棋冠军柯洁对战，以 3 比 0 的总比分获胜。
彼时，Tensorflow 发展如日中天，AI 江湖以其为旗帜，打开任意一家 AI 创业公司的官网产品技术介绍信息，"Tensorflow" 都可能出现在显著位置。
但是，Tensorflow 独占鳌头的高光时期很快收到来自当时 Facebook 人工智能研究院的 " 战书 "。2017 年，后者基于 Torch 推出了 PyTorch。
如果说 Tensorflow 是 AI 底层框架领域的阳春白雪，PyTorch 就是下里巴人。
" 做个类比，PyTorch 就像 Python，TensorFlow 就像 Java。从使用者的角度看，我特别不喜欢 Java，因为干一个事之前要干很多事，上手门槛比较高，部署起来也比较麻烦，但是其底层运行效率非常高，Python 则是任何一个学生都特别容易上手，但 Python 对于服务器，对于计算资源的协调使用效率其实非常低。"
人工智能企业 Voil à ! 的创始人尚可总结道：TensorFlow 性能高但门槛也高，PyTorch 的优势则是更易用。" 圈内有句玩笑话：TensorFlow 什么都好，就是不好用。实际上一旦部署起来，整体运行效率比 PyTorch 高。"
因为 " 好用 " 的优势，PyTorch 迅速成为 TensorFlow 的强劲对手。据量子位报道的数据显示，2019 年，有 55% 的 TensorFlow 使用者 " 叛逃 " 到 PyTorch 阵营。PyTorch 官方 Twitter 的关注者里，谷歌大神 Jeff Dean 也悄悄成了 " 粉丝 "。
图片来源于 The Gradient
行业普遍认为 TensorFlow 在工业届广泛应用，而 PyTorch 在学术圈赫赫有名。根据 Paper with Code 数据的统计，PyTorch 论文比例达到了 60%，TensorFlow 的份额仅剩 11%。
TensorFlow 诞生之时，尚可也是建设团队成员之一。
" 起初，谷歌内部的 AI 团队主要希望面向内部打造一个有通用价值、广而全的一套底层深度学习算法框架。当时，也没有 TPU，GPU 也比较贵，所以开发 TensorFlow 1.0 时，团队就意识到：因为要通用，训练效率必须高，不能吃掉太多的加速资源，保证最终成本经济实用。" 他回忆道，这也是 TensorFlow 推出后就迅速被工业届广泛应用的核心原因。
随着谷歌推出 TPU，并在 2019 年开放后，形成软硬件组合矩阵，这为 TensorFlow 带来了新的竞争力，然而这还不足以令其回到一家独大的巅峰时刻。
"TensorFlow 1.0 版本，模型训练比较费劲，写代码的复杂度会高一点，需要自己提前把整个的网络图写出来，然后再给数据去做内容优化。PyTorch 的代码写起来比较简单，构建图时就可以把数据填进去，类似于写普通的代码去调一个函数一样。"
从应用端的体验上，Voil à ! CTO 苏勇（Steve Su）透露，对于商业化公司来说，TensorFlow 的应用频率更高，但实际运用过程中，操作复杂依旧是 " 老大难 " 问题。对于大多数开发者来说，Meta 没有自己的云服务，也没有在硬件方向做太多工作，主要以纯软件的方式做的，所以更加简单友好。
针对 1.0 版本 "bug" 的修复迭代升级，也是对 PyTorch 的第一次反击，2019 年，TensorFlow 2.0 版本上线。
图 ：TensorFlow 2.0
很多人说 2.0 版本的推出是谷歌革了自己的一次命。但 2.0 版本时，却发现 1.0 版的模型代码基本上不能用。此外，在 2.0 版，如果遇到问题搜索解决方案时，出现的也是 1.0 版时的答案，得不到想要的信息。此时，很多使用者就会出走，转向 PyTorch。" 苏勇称。
迎战 PyTorch，TensorFlow 逐渐跌下神坛，谷歌试图重回巅峰。
02 AI 大规模商业化，底层框架也要 " 接地气 "
打不过就加入，JAX 是吸收了 PyTorch 和 TensorFlow 精华的融合产物。
"PyTorch 的人数在上涨，TensorFlow 的使用者在逐渐逃离。所以，谷歌直接将 TensorFlow 两个版本融合，打出了新的名号—— JAX。" 苏勇表示，JAX 是 PyTorch 和 TensorFlow 显著特点的结合体：容易上手，计算效率高。
JAX 主要对于 NumPy 的性能优化做的较多，简单来说性能相比原来的方式提升几十倍以上。"NumPy 本身是对于矩阵运算提升了很多，JAX 基于 NumPy 再提升，这形成一个非常大的优势。"
据悉，JAX 的计算函数 API 则全部基于 NumPy，可以让模型很轻松在 GPU 和 TPU 上运行。简而言之，JAX 计算速度很 " 快 "。
" 因为 PyTorch 易用性高，所以在高校学术届风靡。但是当学术圈和商业界破壁后，学术研究可以商业化后，工程师发现在 PyTorch 上的东西还要在 TensorFlow 上重新写一遍。" 他表示，这个操作上的转移空间也是 JAX 的机会。
据谷歌官方表示：JAX 生态系统开发中，也会考虑确保其与现有 TensorFlow 库的设计尽可能保持一致。这也是由于 TensorFlow 两个版本更新替代时，有过前车之鉴。
不过，随着 AI 从神话落入凡尘，应用的落地以及商业价值是核心。此时，对于底层框架来说，相比于技术之上的比拼，生态层面的竞争显得更为核心。
" 从技术角度看，最终使用者对技术差距的感知会比较弱，反而能感知比较深的是生态，比如：身边有多少好友在用，研究的领域大多数人用的是哪一个，使用过程中反馈的问题能不能及时得到解决，有没有可以寻求帮助的一些渠道。" 苏勇解释道。
就像手机系统，一些人最开始选择微软，但是最后微软的操作系统却悄无声息地淡出人们视野。因为开发者选择操作系统时，开发者不仅考虑上手的难度，还需要考虑做出来以后这个 APP 能不能活下来？
随着进入以商业化、规模化为导向的 AI 阶段，底层框架并非炫技之作，各大科技巨头都在 " 接地气 "。
除了谷歌推出 JAX 外，如国内百度的飞桨平台也在强调，基于飞桨平台，AI 开发和应用门槛不断降低，人人都可以成为智能应用的开发者。据百度 CTO 王海峰公开分享的成绩：飞浆平台已积累了 477 万开发者，创建了 56 万个模型。
图：全球 AI 开源框架 Star 数 4 月、5 月榜 TOP2 ；图片来源于 OSS Insight 数据
得开发者亲睐者，得天下。
科技巨头在底层框架上做主导，拥有较强的话语权，为了保证独立性，国内大厂会基于自己的平台持续去优化，也有一些大厂在研发探索底层框架，但中小企业可以不用做底层研究，直接依附大厂做开发。
" 中小厂一般直接用开源的框架，否则跟不上时代。" 苏勇认为，站在 " 巨人的肩膀上可以看得更高，走得更快 "。
" 对于底层框架的选择，我们希望和商业化形成正循环。" 他解释道，今年 3 月，公司获得了 SOSV 中国加速参与的千万级融资后，商业化需求进一步激发。上层加速规模化的同时，底层框架作为地基是否牢固尤为重要。
" 我们核心的一个场景是面向用户的搜索推荐场景，每秒查询率非常高，对结果的精准度要求也高，所以，工业届成熟应用的底层平台更加适合。"
所以，对于苏勇来说，如果 JAX 能在性能、易用性方面展现优势，相对于 PyTorch，前者或将是一个确定性较高的新方案。" 毕竟我们好多服务是用的是 Google 的，包括他们的云计算和 TPU，整体适配度会高一些。"
来源：钛媒体
