科研|科研团队如何探索商业化落地？这家语音AI公司用十年试验打了样( 三 )

放在国内，当时没有任何系统可以干成这件事。
为了寻找答案，梁家恩二话不说就买机票前往硅谷调研。
在硅谷巨头超算专家的启发和支持下，经过近一年的研发和优化，实现了支持上千块GPU同时调度的大规模机器学习的超算平台，称为Atlas（希腊神话中的大力神）。
云知声以Atlas超算平台为共享基础支撑，加速了云知声AI技术体系的演进速度，迅速拓展端到端语音合成、人脸识别、机器翻译等技术能力，并取得语音合成BC2020评测第一、机器翻译WMT2018评测前三等行业前列成绩。
直到2018年，BERT、GPT-3等大规模预训练语言模型的出现，超算平台的价值才得到行业的充分认识。而云知声则依托Atlas超算平台和“云端芯”战略，形成了全栈AI技术及产品化能力，内部有着更为形象的表述：AI六边形能力：

文章插图
一是算法方面，确保对主流技术架构的密切跟进，通过全栈AI技术打造整体智能解决方案，并通过工程优化降低部署和交付成本；
二是数据方面，以大规模训练为基础，解决小样本的快速迁移问题，并建立高效真实数据迭代闭环，提升模型精准度及应用适配能力。
以全栈AI技术及产品化能力为依托，云知声能高效调度研发资源，在更多场景中快速探索和验证行业应用，包括车载、医疗、教育等领域。
云端芯从战略到现实，不光意味着他们对技术产业的预判再次成功，也更为云知声下一步深入行业、迭代发展奠定了基础。
U+X：约纵连横，深耕两大业务在全栈AI能力构建和应用验证后，在云知声内部已经达成新的共识：
要真正深入行业了解业务Know-how，少不了与行业玩家联合互补，跟他们共同打造出真正解决问题、创造价值的整体智能解决方案。
这时候，也就来到了云知声新的战略阶段：U+X。
U，云知声（Unisound）；X，即为行业。
他们将诸多前期应用场景探索的成果，整合为两大商业化路径——智慧物联和智慧医疗。
智慧物联方面，实现从单品智能（通过芯片模组升级）到整体智能的演进，并采取与房地产、交通、养老、酒店等行业合作，提供软硬一体的整体智能体验。
智慧医疗方面，从最初的语音电子病历、语音导医分诊等效率工具，到以医疗知识图谱为基础，提供病历质控、医保控费及诊疗决策支持等医疗整体解决方案。

文章插图
2019年推出的智能病历质控系统，还荣获当时北京科技突破一等奖。
如今回过头来看，一个是互联网大厂、家电、房地产商等多领域公司争相竞逐的赛道。
另一个则是正快速发展、并始终被外界看好的赛道，巨头如微软，仍在去年花197亿美元买下AI医疗的门票——完成对语音巨头Nuance的收购。
但对于云知声来说，并非偶然的选择，也并非跟随行业热门。
反倒是根据自身实践和推演顺其自然的选择，被后来的市场所验证。
梁家恩博士向量子位解释，云知声对智慧物联和智慧医疗业务的布局，刚好代表着语音产业两大发展方向，也充分检验底层技术的能力和实用性：
广度和深度。
广度方面如智慧物联，触及尽可能多的真实用户和应用场景，在多场景、多用户中，拓展感知技术和智能交互的应用边界。
深度方面如智慧医疗，则是以行业知识图谱为核心，挑选最具挑战性、知识体系最强大的应用场景，深入解决医疗质量和效率提升的问题，同时拓展认知技术能力的应用边界。
一横一纵，不同路径发展方式，但目的只有一个，解决真实应用问题，推动产业发展，同时，也拓展和检验云知声从感知到认知的底层智能技术能力。
技术创新公司，从产学研技术创新开始，到商业模式实现、成熟。
云知声给出的周期时间是十年。

文章插图
而在未来，横纵融合，除了技术产品本身的持续迭代和完善外，也将激发出更多服务与生态出来。
梁家恩提到了未来新方向的一些设想。
比如在服务方面，智慧物联与智慧医疗的交叉——智慧养老服务；
还有像生态方面，以云芯一体化平台为基础，将拓展出更多智能应用生态，如：音视频分析、辅助决策、辅助创作等；依靠自身在智慧物联、智慧医疗上的行业实战经验，与行业合作伙伴互补拓展，也存在很大的空间。