人工智能这个江湖，怎么可能风平浪静。

Pytorch，一个新的开源深度学习框架，昨天正式发布。Twitter上一时热议纷纷，各路人工智能专家毫不吝惜溢美之词：优雅、简洁、超强大、很酷……不过这些都是虚词，这个新出现的Pytorch到底是凭什么赢得称赞呢？

主要还是“动态”这个特性。

最近一段时间，很多“动态”深度学习库涌现出来，例如Chainer、MinPy、DyNet等。动态库的好处很明显，那就是易于调试和推导。Matroid创始人Reza Zadeh总结说，利用Pytorch这个深度学习框架，想要在神经网络中新加一层，再也不必全部推倒重来。

有人在reddit上举了一个例子，他之前一直用TensorFlow或者Keras框架构建RNN(循环神经网络)，但是这样就不得不指定句子的长度，每个实例必须有相同的长度， 较短的句子必须填充。但如果使用动态库，就可以处理几乎任意长度的句子。

神经模块网络，就非常适用于Pytorch这样的动态架构。例如指定一张图片，让人工智能回答：图中小猫右边的物体是什么颜色？解决这个问题，包括几个子任务模块：首先是识别出小猫，然后找到小猫右边的物体，再识别出具体的颜色。

当然Pytorch的新特性不止于此，但这也足以让搞AI的工程师们兴奋一阵，尤其是Google旗下的深度学习框架TensorFlow，还不具备动态的特性。而且，Pytorch虽然没有大声宣扬，但大家都知道这个深度学习框架，属于Facebook。

Pytorch，能帮助Facebook挑战Google在深度学习框架领域的统治地位么？

针对上面这个疑问，云知声资深AI技术专家、NLP负责人刘升平博士对量子位表示，动态神经网络是很好的特性，但目前Pytorch在Beta阶段，缺乏一些关键特性，短期难以撼动TensorFlow的地位。但他也表示，框架的竞争还会继续下去。

继续讨论这个话题，我想还是再解释一下，什么是深度学习框架。我们谈到的人工智能、深度学习，都是依靠软件构成的系统。搭建这套系统，至少有两种途径：一是从零开始，一步步写出整个神经网络的代码；另外，就是利用成型的模块，直接进行组装。

所谓的框架，就是一套已经组装好基本部件的软件包。你可以把一个深度学习框架，想象成一套积木，工程师利用不同的积木，可以快速搭建出不同的建筑。各种框架之间的差异，可以简单理解为向用户提供的积木形状各不相同。

目前主流的深度学习框架，背后多是不同的科技巨头。对应关系如下：

TensorFlow —— Google

MXNet —— 亚马逊

paddle —— 百度

CNTK —— 微软

Torch、Caffe —— Facebook

想要在人工智能的争夺中占据主动，这些科技巨头只能在深度学习框架领域也展开激烈的竞争。而这种竞争的意义，也是显而易见的。谁家的深度学习框架能够赢得更多的用户，谁就能构建起更好的生态系统，进而获得更多的活力和更快的发展。

想象一下Android之于Google的意义。

坦白的说，目前人工智能领域，TensorFlow在深度学习框架上的优势相当明显。但各个科技巨头早已各自招募了大批人工智能精英，谁说变数一定不会发生？必须得抱有希望才行。

前两天，刚刚就任百度COO的陆奇谈到人工智能战略时，也明确表示百度在人工智能方面的投入，并不是希望自己推出什么人工智能的产品，而是希望搭建一个开放的平台，让百度的技术能够应用到不同的领域、不同的企业之中。

刘升平博士指出，深度学习平台入口和话语权的竞争将会越来越激烈，即使强如Google，也不大可能一口气吞下整块蛋糕； 对于业界来说，竞争可以避免出现一家独大。

然而变成最终承载各种人工智能应用的基础，才是这场技术争夺背后的商业目的。所以，人工智能这个江湖，怎么可能就此风平浪静。

也许很快，Pytorch的特性就会出现在TensorFlow里。