巨頭如何在云端搞機器學習？

塞爾達·耶各拉普

IBM、谷歌、微軟和亞馬遜這四大云巨頭都將機器學習作為一項服務來提供，但是它們實際開展的方式就跟這些公司本身一樣大不相同。

任何一個云想要受到重視，就得滿足功能方面越來越高的標準。機器學習似乎也在這份功能名單上，因為各大云服務提供商現在都以此作為一項主打功能。

但是它們如何搞這一塊又是另一碼事。除了“精選APl vs開放式算法市場”這種模式外，還有“一應俱全vs剛剛好”這種變種模式。IBM、谷歌、微軟和亞馬遜這四大云服務提供商在機器學習方面的玩法如何？

IBM：Watson掌舵，控制航向

IBM初次宣布要把Waston人工智能系統轉變成一項消費服務時，問題接踵而至。它會是什么樣子？它將如何被消費？但最重要的是，它會給予多大的支持，幫助IBM竭力將自己重望成云巨頭？

兩年后，IBM已經在其Bluemix平臺即服務（DaaS）上推出了一系列基于機器學習的服務（比如天氣預報），或者用于分析語言、識別圖像、翻譯語言、分析情緒和語調等方面的系統。

在云端提供某種機器智能的所有公司當中，IBM的目標最野心勃勃。更重要的是，IBM還一直在竭力用更接地氣的工具補充高大上的工具，主要涉及分析和報告。（日益改進的Waston似乎也是IBM在天氣和醫療保健等多個領域，宣布多次戰略性收購的動力）。

問題不是Waston服務會不會得到實際采用——它們遲早會得到實際采用，問題是這些服務會不會以IBM覺得舒適的步伐得到采用，IBM對此可謂孤注一擲。這些服務大多數需要時間才能找到使用場合，而IBM早已被廣泛接受的Spark服務（或者其類似AWSLambda的新服務：OpenWhisk）更容易立即賺錢。

一些企業組織已經開始另辟蹊徑，將Watson的分析服務投入使用。但是，雖然IBM表示它認為自己能夠把這一切發展成年收入達100億美元的業務，但是Waston到目前為止得到的采用根本不足以抵補IBM一路下滑的收入。

微軟：為客戶而建

IBM有Watson，微軟則有Project Oxford，這是一組經過精選的高級API，涵蓋機器視覺、語音識別和語音分析。雖然API不如Watson的API來得廣泛（咱們還是面對現實吧，How-old.net不如參加智力競賽電視節目《危險邊緣》的Watson那么有趣），但是微軟的野心幾乎如出一轍：借助一套充分利用機器學習的經過精選的專有API。

Azure Machine Learning Studio也許是微軟的機器學習野心中更重要的一部分。人們可以拿來自己的數據，在上面訓練機器學習模型，然后通過REST接口，將因而獲得的模型作為API重新共享。IBM在Bluemix上的Predictive Analytics服務也有類似功能，不過微軟的Studio問世時間更久，而且讓人覺得更加通用。

IBM和微軟都試圖創建兩種不同版本的機器學習服務。一種版本是關起門來構建的（一向如此），提供一套精選的數據集和經過改善的行為（Watson API和Project Oxford）。另一種版本是一個平臺，新型的機器學習服務可以在上面構建、共享，甚至賺錢（AzureMachine Learning Studio和PredictiveAnalytics）。

但是微軟和IBM最大的區別不在于服務，而在于動機。微軟試圖轉向云計算，以便自己能夠適應未來的形勢，這一戰略得到了其他成功的業務領域（比如游戲）的幫助，因而它并沒有感覺到像IBM那么大的生存壓力。但是這并不是說，微軟就不知道該走哪條路。

亞馬遜和谷歌：極簡主義者

如果說谷歌、尤其是亞馬遜有一個原則作為其云計算解決方案的指導，那就是“少即是多”。也許更貼切的說法是“剛剛好嫌多”，這包括這兩家公司提供基于云的機器學習服務的方式。

以谷歌為例，谷歌云平臺（Google CloudPlatform）目前只提供兩種類似本文介紹的其他機器學習服務的服務：Google Translate（這是支持谷歌現有的機器翻譯引擎的API）和GooglePrediction API。前者是一種專有的API，由谷歌獨家維護。后者盡管名字不起眼，卻是一種包容性廣泛的服務，允許用戶上傳數據，并訓練模型，其方式如同微軟Azure Machine LearningStudio。（數據可以從Google BigOuery之類的谷歌服務獲取）。

Amazon Machine Learning類似GooglePrediction API，原因在于模型可以用數據來訓練，并用來進行預測。這是一種有意簡化的服務，為的是吸引只想解決某個特定狹窄問題的開發人員，或者是由于亞馬遜想先試水市場。

在亞馬遜和谷歌這兩種情況下，它們的目標都是開發人員，這個群體有狹窄定義的要求，又有已經在那些云上的數據——這就是“剛剛好”模式。IBM和微軟將目光投向廣泛多得多的領域，雖然IBM努力想擁有最多的服務，但是輸得最慘的可能也是它。