数据科学|中国的「Databricks」们：打造AI基础架构，我们是认真的( 二 ) 专利|超声波|it之家|声波|向量

就在Databricks成立的2013年，同样崇尚数据科学的九章云极DataCanvas也在中国顺势而起。尽管地处不同，但两者却有不少相似之处，尤其在能力建设和商业模式愿景上，九章云极DataCanvas和Databricks更颇有几分默契，这是巧合？还是殊途同归？
首先，两家公司的定位相似，都是数据科学的研发者、应用者和推动者，并且都在主攻AI基础架构升级的方向。但是由于出发点不同、所擅长的细分技术领域不同，Databricks最早以流数据处理成名，而九章云极DataCanvas则以开源自动机器学习见长，因此在具体构建AI基础架构时，两者选择的路径有所差异。
其次，从产品线来看，虽然在细节上略有差异，但从整体能力建设上看，两家公司的产品可以说是如出一辙，都涵盖了分析和数据两大部分。在分析部分，九章云极DataCanvas享有业内颇受好评的开源架构机器学习平台DataCanvas APS，该平台囊括了算子仓库、模型训练、数据处理、自动机器学习等，再配合数据层面的DingoDB实时数仓，构建出数据实时计算分析闭环。而Databricks除了众所周知的Spark以外，还有同样知名的数据湖仓一体Delta Lake，以及机器学习、数据测试与管理、数据解释和建模产品等。两家公司通过持续不断的创新，致力于让AI基础架构变得更加“厚实而饱满”，可谓异曲同工。

文章插图
九章云极DataCanvas
“在数据科学这一领域，我们与Databricks拥有相似的愿景、目标和战略，想做同样的事，即打造AI基础架构，将算力和网络充分利用起来。”方磊表示，“对于有人将我们称作‘中国的Databricks’，我们感到非常荣幸。这是对我们的一种认可。但我们也清醒地认识到，AI基础架构市场空间巨大，还有很多‘细致的活儿’要做。这也是我们继续快速前进的动力。”
把AI嵌入到云里去任何一个想有一番作为的企业，肯定都不会满足于“成为别人”，九章云极DataCanvas也是如此，成为“中国的Databricks”不是终点，“做自己”成为一个独特的存在才是最终目标。
实际上，因为中美两国大到市场和竞争环境，小到企业的AI应用需求，都存在差异。在两块不同的土地上长出的苗，可能属于同一种类，但在个体上会有显著的差别。试举一例，在美国市场，一直是AWS、Azure、Google Cloud“三朵云”打天下。无论是Snowflake还是Databricks，都生长在这“三朵云”之上。但在中国，云计算市场大相径庭，云的碎片化现象显而易见，不同的区域、不同的行业可能造就了上千朵云。虽然从AI应用落地的角度，中美客户的需求没有差别，但是在具体的路径选择和落地方式上，还是有各自的倾向和习惯。
方磊坦言，九章云极DataCanvas现阶段将主要围绕各行业的头部客户群体，为其打造AI基础架构。因为这部分客户的需求最迫切，并且有资金也有技术能力实现AI的自主开发。基于对中国未来AI行业生态发展的预判，九章云极DataCanvas建设性地提出了“云中云”战略（An AI Cloud in the Clouds），即将AI基础架构及相关AI能力，嵌入到形形色色的行业云、区域云、企业云、联盟云等千朵云中。为了满足不同云生态的需求，九章云极DataCanvas必须让自己的解决方案实现更加灵活、高效的交付。而“云中云”显然是事半功倍的做法，可以很好地借力打力，将九章云极DataCanvas的AI能力随云输出。

文章插图
九章云极DataCanvas
对于AI基础架构，很多行业用户一开始的认知是模糊的，仍需要持续的教育。但是某些先行先试的行业头部企业，已经从AI基础架构的升级中尝到了甜头。比如在银行业，原来需要几天才能完成审批的贷款，现在可以实时审批；在制造业，工业质量检测能力的提升、设备预测性维护的实现等都得益于AI的应用……诸如此类的案例应用不胜枚举。
“在构建AI基础架构的基础之上，有数据、有场景、有预算、有团队，用户就可以开发自己的AI应用了。”方磊表示，“原来，用户习惯‘伸手’向厂商要‘交钥匙’的AI解决方案。但这种单独定制的解决方案并非长久之计。”例如某大型钢铁企业在全球拥有300多条产线，每条产线用到的设备、供应商各不相同。如果没有一个统一的平台支撑其建模、分析、应用开发和管理，那么系统将不堪重负。说到底，用户还是要依靠自身AI能力的提高，运用通用的技术，自主掌握AI应用开发。在这种情况下，AI基础架构就是必须的。这也是九章云极DataCanvas的商业机会。