半個多世紀(jì)前，浙江大學(xué)老校長竺可楨曾有兩個非常經(jīng)典的教育問題：“諸位在校，有兩個問題應(yīng)該自己問問，第一，到浙大來做什么？第二，將來畢業(yè)后做什么樣的人？”

半個多世紀(jì)后，以這位老校長名字命名的 “竺可楨學(xué)院” 求是科學(xué)班開啟了一位少年的求是之路。他就是本期采訪的主人公——彭靖田。

作為 5 月 25 日 - 5 月 27 日即將在杭州舉辦的 CTA 大會（官網(wǎng)：https://dwz.cn/iSZ7BQUR）機器學(xué)習(xí)論壇演講嘉賓，彭靖田以谷歌技術(shù)專家的身份接受了 AI 科技大本營的采訪。

彭靖田，Google Developers Expert

谷歌技術(shù)專家（Google Developers Expert，GDEs）是這么定義的：來自全球各地經(jīng)驗豐富的產(chǎn)品策略師、設(shè)計師、開發(fā)人員和營銷專家，積極支持開發(fā)人員、初創(chuàng)企業(yè)和公司以通過 web 應(yīng)用程序和移動應(yīng)用程序來改變這個社區(qū)；面向 Android、Angular、Dart、Flutter、谷歌云平臺、IOT、機器學(xué)習(xí)、web 開發(fā)等多個技術(shù)方向。

這么說起來，彭靖田與谷歌、與機器學(xué)習(xí)的淵源由來已久。

編程始于興趣，終于成長

從中學(xué)時代的信息學(xué)奧林匹克競賽（OI）起，彭靖田就開始接觸編程和算法了。與絕大多數(shù)同齡人相比，這已經(jīng)非常早了，他卻自嘲：“我們班很多人小學(xué) 3 年級就開始編程，如今也在很多世界名校繼續(xù)攻讀 PhD”。相比起來，彭靖田在求是班反倒是接觸最晚的了。

彭靖田借用了一句老話，“興趣是最好的老師”。“可能我還是覺得 CS 這個學(xué)科本身比較有意思吧。高中階段帶給我啟蒙的主要是靠《算法導(dǎo)論》、 USACO 題庫、《浪潮之巔》，它們分別讓我窺見了算法、編程和行業(yè)歷史?！?/p>

光榮與夢想，偉大不是終點

大學(xué)畢業(yè)后，彭靖田順利拿到 Special Offer 進入華為中央軟件研究院。期間，他主要參與了深度學(xué)習(xí)云服務(wù)的設(shè)計和實現(xiàn)，當(dāng)時的主要需求是支撐分布式機器學(xué)習(xí)訓(xùn)練和在線推理服務(wù)。

他想，如果抽象 TensorFlow 為一種容器作業(yè)，并基于 Kubernetes 在容器調(diào)度方面的優(yōu)勢，或許是一種實現(xiàn)路徑吧？說干就干，很快，彭靖田與同事一起開發(fā)了 DLKS （Deep Learning Kubernetes Scheduler）項目。

一年后，彭靖田加入當(dāng)時在容器技術(shù)領(lǐng)域頗有深耕的才云科技，主要負責(zé) AI 云業(yè)務(wù)線。但如何將容器集群管理技術(shù) Kubernetes 與深度學(xué)習(xí)框架 TensorFlow 結(jié)合也同樣存在不小的挑戰(zhàn)。2018 年初，彭靖田與 Google Cloud 一拍即合，決定參與到開源項目 Kubeflow 的推進中來。

要知道，盡管在當(dāng)時 TensorFlow 已是主流深度學(xué)習(xí)框架之一，被廣泛應(yīng)用于國內(nèi)外科技企業(yè)，但它也存在某些缺陷。作為 Google 在 2017 年推出的開源項目 Kubeflow，旨在支持多種機器學(xué)習(xí)框架如 TensorFlow、PyTorch、Caffe 運行在 Kubernetes 之上。

“這個項目的使命更加遠大，一開始我們就希望它能夠充分利用 Kubernetes 的優(yōu)勢，不僅支持 TensorFlow，還可以支持所有基于數(shù)據(jù)流圖（Dataflow）的機器學(xué)習(xí)框架?！?/p>

將機器學(xué)習(xí)革命推進到底

2017 年下半年，一次偶然的機會，彭靖田開始了解到 Machine Learning GDE 這個項目?！澳菚簢鴥?nèi)應(yīng)該還沒有 ML GDE，才開始推廣?！?/p>

彼時，他正與林健、白小龍合作撰寫《深入理解 TensorFlow：架構(gòu)設(shè)計與實現(xiàn)原理》這本書。抱著希望能夠跟 Google TensorFlow 和 Google Brain 團隊有更多交流和聯(lián)系的想法，彭靖田申請了這個項目。

談起這段經(jīng)歷，他仍記憶猶新，“第一輪面試是法國的一位 ML GDE，第二輪是 Google Cloud 東京團隊的 Kaz Sato，過程很順利?！?/p>

“不要總看模型準(zhǔn)確率有多高，分布式規(guī)模有多大，而是要先了解業(yè)務(wù)本身，再根據(jù)已有資源設(shè)計相應(yīng)的解決方案?！比缃?，不少企業(yè)正嘗試搭建自己的機器學(xué)習(xí)云平臺，在此過程中，卻又因缺乏人才而不免踩坑。

實際上，Google 一直在追求人工智能教育的普及，包括開放了 TensorFlow 這樣的高級項目。而如何幫助企業(yè)基于 Google 生態(tài)真正實現(xiàn)智能轉(zhuǎn)型升級，是彭靖田這樣的機器學(xué)習(xí)專家們正積極推動的事情。

以下為此次訪談實錄：

AI 科技大本營：從華為深度學(xué)習(xí)團隊核心成員，到才云 Cloud AI 負責(zé)人，按照您核心技術(shù)路線的變遷角度來講，離不開基于 Kubernetes 作為機器學(xué)習(xí)部署平臺的思路。能否講講您是如何認識到 Kubernetes 與 AI 結(jié)合的優(yōu)勢的？過去幾年，您認為該項技術(shù)在落地應(yīng)用方面又發(fā)生了怎樣的顯著改變？

彭靖田：準(zhǔn)確來說，Kubernetes 之于 AI 不僅是部署，還是基礎(chǔ)設(shè)施（Infrastructure）。KDD 2017 年 收錄的《TFX: A TensorFlow- Based Production -Scale Machine Learning Platform》這篇論文給了我們一個很好的洞見。對于 Google 這樣擁有海量數(shù)據(jù)的公司來說，從 Mining 到 Learning，最后商業(yè)落地是一個順其自然的過程。不過，要想充分利用數(shù)據(jù)和模型，我們需要一個能夠支撐它的端到端機器學(xué)習(xí)平臺。

例如，Google 內(nèi)部多年以來使用 Borg（大型集群管理系統(tǒng)），基于 TensorFlow 打造這個平臺很穩(wěn)健，也很高效，但對于 Google 的外部用戶來說，我們認為 Borg 可行的替代方案是 Kubernetes。事實證明，這條路還是可以走通的，雖然前路還有一些烏云。

跳出 AI 云或者機器學(xué)習(xí)平臺這個場景，云計算的技術(shù)變革趨勢已經(jīng)非常明朗，而 Kubernetes 的技術(shù)先進性和生態(tài)使得我們現(xiàn)在可以更聚焦于應(yīng)用本身，而不再是基礎(chǔ)設(shè)施、軟件構(gòu)建和發(fā)布、網(wǎng)絡(luò)負載均衡等問題?，F(xiàn)在已經(jīng)有很多企業(yè)在生產(chǎn)環(huán)境使用 Kubernetes，國內(nèi)規(guī)模最大的應(yīng)該是京東。

AI 科技大本營：目前，越來越多的企業(yè)開始在分布式機器學(xué)習(xí)云平臺上進行相關(guān)部署，您認為企業(yè)在做這一類的落地時需要注意哪些問題？如企業(yè)如何選擇適合業(yè)務(wù)的平臺和模型。

彭靖田：據(jù)我理解，應(yīng)該是越來越多企業(yè)在嘗試搭建自己的分布式機器學(xué)習(xí)云平臺，而不是部署。

談到落地，我覺得絕大部分的矛盾和分歧是 “需求沒有理清楚”?，F(xiàn)在這個行業(yè)最缺的就是既懂 AI 技術(shù)，又清楚業(yè)務(wù)場景的人才。企業(yè)應(yīng)該多跟客戶聊一聊需求，而不是一味講“模型準(zhǔn)確率有多高，分布式規(guī)模有多大”。客戶更多關(guān)心的是技術(shù)是否解決問題。因此，正如你說的，先了解業(yè)務(wù)本身，再根據(jù)已有資源設(shè)計解決方案（包括算法、端到端模型、平臺等）。

AI 科技大本營：據(jù)您的觀察，目前什么類型的企業(yè)最先搭建了自己的機器學(xué)習(xí)平臺？在這個過程中，會遇到哪些挑戰(zhàn)？利用分布式機器學(xué)習(xí)平臺會成為未來企業(yè)進行技術(shù)部署的主流趨勢嗎？

彭靖田：擁有數(shù)據(jù)的大企業(yè)，更確切的講，是希望挖掘數(shù)據(jù)背后價值，洞察客戶真實需求的大企業(yè)，如 Google、Uber、華為、京東等最先搭建了自己的機器學(xué)習(xí)平臺。

挑戰(zhàn)是多方面的，搭建一個類似于 TFX 這樣的平臺，需要企業(yè)具備從硬到軟的技術(shù)實力。比如 Google 和華為都在研發(fā)自己的 AI 芯片、編譯器、框架和平臺，這其中的難度和挑戰(zhàn)不言而喻。

在我看來，IT 到 DT 一定是未來趨勢。互聯(lián)網(wǎng)浪潮下，我們能看到整個原子世界都在不斷被數(shù)字化。機器學(xué)習(xí)就是數(shù)據(jù)驅(qū)動的學(xué)科。未來所有的人和所有的行為都會被記錄下來，這背后的商業(yè)價值是巨大的。相信看過美國科幻電視劇《西部世界》的朋友會有這個洞察。

AI 科技大本營：您針對 TensorFlow 撰寫了相關(guān)著作，并開發(fā)了一個專門的視頻課程，您認為相比于現(xiàn)有的其他框架 （如 PyTorch 等），TensorFlow 的優(yōu)勢在體現(xiàn)在哪里？深度學(xué)習(xí)框架之爭，最后會是什么結(jié)果？

彭靖田：TensorFlow 的優(yōu)勢主要體現(xiàn)在高性能、靈活、對大規(guī)模分布式訓(xùn)練的支持等。目前，TensorFlow 對于 Senior 用戶來說，足夠定制化，滿足了很多商業(yè)落地場景；但它也存在劣勢，學(xué)習(xí)曲線對 Junior 用戶不太友好，這也是 TensorFlow 2.0 要解決的重要問題。

現(xiàn)在談結(jié)果還為時尚早。AI 落地是未來三年里所有從業(yè)人努力的方向，而這也是真實需求定義框架的未來。互聯(lián)網(wǎng)（web 開發(fā)）和移動互聯(lián)網(wǎng)（Android）的爆發(fā)，我們看到 Java 找到了自己的路。

現(xiàn)在的爭斗都是暫時的，是學(xué)術(shù)圈和小部分產(chǎn)業(yè)界的存量博弈。在 AI 大規(guī)模落地前，我們不知道框架會走向何處。

AI 科技大本營：對于希望入門機器學(xué)習(xí)并使用 TensorFlow 的學(xué)習(xí)者，您有哪些入門和進階的建議？

彭靖田：可以看看我在知乎 “ 如何高效地學(xué)習(xí) TensorFlow 代碼?” 問題的回答。（鏈接：

https://www.zhihu.com/question/41667903/answer/123150582）

簡單來講，還是搞清楚自身需求。你未來想成為做算法模型的、做平臺的、做落地應(yīng)用的，還是什么？當(dāng)這個問題明確，你就知道應(yīng)該深入了解 TensorFlow 的哪一層了。

AI 科技大本營：不久前竺可楨學(xué)院圖靈班也開始公布招收首批人工智能本科班，如何評價浙江大學(xué)在人工智能教育以及科研方面的優(yōu)勢地位？

彭靖田：據(jù)我了解竺院上一屆混合班 2/3 的學(xué)生選擇了 CS，浙大 CS 這一屆申請名校 PhD 的整體成績也不錯，看見母校越來越強很開心。談到優(yōu)勢，我個人認為還是自由的學(xué)術(shù)氛圍和優(yōu)秀的教學(xué)資源吧。浙江大學(xué)里有很多院士帶領(lǐng)學(xué)生做前沿課題，也有諸如像 MOOC 中國著名網(wǎng)紅老師翁愷這樣的優(yōu)秀教學(xué)隊伍可以進行一線教學(xué)指導(dǎo)。本科教學(xué)也一直緊跟美國名校的教學(xué)模式，相信浙大的同學(xué)都有體會。

AI 科技大本營：那么，在本次機器學(xué)習(xí)專場中，您會針對哪方面的內(nèi)容和大家進行分享？

彭靖田：來 CTA，與我們一起聊聊 AI 的技術(shù)與落地。本次演講，我將向大家介紹如何使用 TensorFlow 2.0 Alpha 快速開發(fā)和部署機器學(xué)習(xí)模型。同時，我將介紹如何實現(xiàn) TensorFlow 1.x 和 2.0 模型之間的快速轉(zhuǎn)換。最后，我將介紹 TensorFlow 和 AI 為民服務(wù)的落地案例。