科研|科研团队如何探索商业化落地？这家语音AI公司用十年试验打了样( 三 )

接着就是硬件能力。
他们遇到了史上最大的挑战之一，智能芯片。
一则团队内部没有相应的硬件人才，二则芯片研发成本高昂，一旦失败对创业公司来说无异于釜底抽薪。
这时候云知声严谨求证的科研作风再一次凸显，经过讨论他们决定不要一上来就做芯片。
而是先以通用芯片模组切入，验证他的商业应用价值和技术可行性。
经过两年打磨，以通用ARM芯片为基础，支持远场降噪和识别的语音交互模组在格力高端空调上出货。
当时在业内取得积极反响，也获得了2016年的智能家居AWE“艾普兰核心奖”。梁家恩回忆称，客户非常满意，但通用模组“价格贵”，成为了智能语音交互模组走向主流机型的主要障碍，芯片自研也就成为题中之义。
2016年，云知声就正式启动了芯片的研发。
2018年4月，中兴事件爆发一个月后，云知声一次流片成功，发布了第一款AI语音芯片——雨燕，让业界眼前一亮，该芯片后来获得了“吴文俊人工智能科技进步奖”，当时很多公司才开始意识到 AI 边缘计算芯片的重要性。

文章插图
除了“云端芯”全栈技术能力拓展，云知声还实现了底层超算平台的全面升级。
在启动芯片研发同一年（2016），当时还有个行业大事件：AlphaGo击败李世石震惊全球，也将深度学习和AI技术推到了全民关注的风口浪尖。

文章插图
这件事被梁家恩看在眼里，不只是因为深度增强学习算法的精妙只是其一，但当时最让他好奇的点，是它如何通过调度上千块GPU去做如此高复杂度的深度增强学习计算的？
放在国内，当时没有任何系统可以干成这件事。
为了寻找答案，梁家恩二话不说就买机票前往硅谷调研。
在硅谷巨头超算专家的启发和支持下，经过近一年的研发和优化，实现了支持上千块GPU同时调度的大规模机器学习的超算平台，称为Atlas（希腊神话中的大力神）。
云知声以Atlas超算平台为共享基础支撑，加速了云知声AI技术体系的演进速度，迅速拓展端到端语音合成、人脸识别、机器翻译等技术能力，并取得语音合成BC2020评测第一、机器翻译WMT2018评测前三等行业前列成绩。
直到2018年，BERT、GPT-3等大规模预训练语言模型的出现，超算平台的价值才得到行业的充分认识。而云知声则依托Atlas超算平台和“云端芯”战略，形成了全栈AI技术及产品化能力，内部有着更为形象的表述：AI六边形能力：

文章插图
一是算法方面，确保对主流技术架构的密切跟进，通过全栈AI技术打造整体智能解决方案，并通过工程优化降低部署和交付成本；
二是数据方面，以大规模训练为基础，解决小样本的快速迁移问题，并建立高效真实数据迭代闭环，提升模型精准度及应用适配能力。
以全栈AI技术及产品化能力为依托，云知声能高效调度研发资源，在更多场景中快速探索和验证行业应用，包括车载、医疗、教育等领域。
云端芯从战略到现实，不光意味着他们对技术产业的预判再次成功，也更为云知声下一步深入行业、迭代发展奠定了基础。
U+X：约纵连横，深耕两大业务在全栈AI能力构建和应用验证后，在云知声内部已经达成新的共识：
要真正深入行业了解业务Know-how，少不了与行业玩家联合互补，跟他们共同打造出真正解决问题、创造价值的整体智能解决方案。
这时候，也就来到了云知声新的战略阶段：U+X。