数据科学|中国的「Databricks」们：打造AI基础架构，我们是认真的专利|超声波|it之家|声波|向量

文章插图
文｜云报，36氪经授权编辑后发布
近年来，大数据分析、AI等领域一直备受关注，常有引人关注的融资事件发生。美国数据科学公司Databricks刚刚在今年8月底完成了16亿美元H轮融资，其最新估值高达380亿美元，相比7个月前G轮融资时280亿美元的估值，又轻松增加了100亿美元。
Databricks“红了”，连带着“深巷里的美酒”——数据科学也得到了更多关注。虽然数据科学是一门复杂的学科，但如今已进入金融、工业乃至千行百业，这一过程其实也是AI从“可用”到“好用”的一个缩影。
“AI落地的关键，是其价值的彰显，以及寻找到适合的商业落地途径。”九章云极DataCanvas董事长方磊指出，“以前，人们认为算法可能是壁垒。但随着技术的快速迭代、开源开放，事实证明算法并非高不可攀，AI落地最大的驱动因素是基础架构的升级。”
AI基础架构升级刻不容缓当前，中国正处于企业数智化转型的时代拐点。回顾信息化发展的历程可以发现，1980年-2000年，这是基础信息化时代，服务器、存储、操作系统、数据库等基础设施软硬件快速发展；2000年-2020年，进入到流程数字化时代，云计算开始大行其道，云成为基础设施，各类SaaS应用百花齐放；2020年以后，市场迈入新的阶段，其标志是“决策智能化”，相关领域包括数据科学平台、云原生数据仓库、开源技术等迎来爆发的机会。
【 数据科学|中国的「Databricks」们：打造AI基础架构，我们是认真的】决策智能化的实现，需要一个“智能化的底座”，也就是常说的AI基础架构。通过AI基础架构的不断完善和升级，AI应用落地的效率会更高，也更容易。“AI基础架构的价值就在于，它能够让企业在其上自主地开发AI应用。”方磊概括道。
AI落地的探索源于算法的创新，之后涌现出的一批AI企业，致力于为客户提供定制化的端到端的AI应用开发。这在无形中造成了AI落地的高门槛。随着各行各业对智能化的需求愈发迫切，AI已经成了众多行业头部客户的刚需。但是这些头部客户不仅业务规模庞大，而且十分复杂，其需求也各不相同。如果仍然沿用过去那种“千人千面”的定制化端到端应用开发模式，很难快速满足这些头部客户的业务需求，而且AI应用的门槛依然高高在上，客户始终掌握不了主动权。
“从各行业头部客户的需求来看，他们更希望围绕自身的业务开发自己的AI应用，这就需要一个自主可控的基础设施。”方磊表示，“依托AI基础架构，由企业自主开发AI应用，锻炼并形成自主的AI能力，这才是市场主流，也是AI应用落地的内驱力。”
Databricks之所以受到市场追捧，正是因为它以最擅长的流数据处理为出发点，向上发展机器学习、建模，向下打造数据湖仓一体，不断扩展和完善AI基础架构，为最上层的AI应用提供一个优化的承载平台，即AI Foundation。

文章插图
Databricks
实际上，目前内业对于AI基础架构还没有一个统一而明确的定义。但从应用实践，以及像Databricks这样的标杆企业的做法来看，AI基础架构至少包含两大基石，即“数据”与“算法”。
以前，大多数的应用都是离线的，比如获得一份营销名单。但是现在，客户对在线应用的需求越来越迫切，很多时候一个模型已经建好，却发现数据“供不应求”。由此可见，AI应用离不开一个实时的数据底座，AI基础架构的重要性在此时得以凸显。4年前，九章云极DataCanvas就开始打造支持高并发的实时数仓，如今经过品牌升级，一个功能和性能都更加完善的HSAP（Hybrid Serving/Analytical Processing）实时数仓产品DingoDB呈现出来。这就是九章云极DataCanvas眼中，AI应用不可或缺的数据底座。
谈到AI基础架构的门槛，方磊表示：“算法是技术上的门槛，但我们已经实现了突破。我们的自动机器学习产品，在性能等指标上已经不逊于国外同类产品，甚至更强。其实，更高的门槛还是在客户，或者说应用层面。当前，自建AI基础架构的需求主要集中在各行业的头部客户身上。作为AI厂商，必须有意愿和能力服务好这些头部客户。我们公司从2014年就开始专注并深耕这一领域。”
九章云极DataCanvas、Databricks像？不像？从市场大势来看，正是决策智能化时代的到来，才使得像Snowflake、Databricks这样以数据为驱动，以创新的AI基础架构支撑AI、大数据应用落地的企业成了资本市场的宠儿。