圖1 Google Trends : PyTorch VS TensorFlow
圖片來源@視覺中國
文 | 郭華
2015年，Google發(fā)布了機器學(xué)習(xí)框架TensorFlow，憑借其在技術(shù)上無可爭議的統(tǒng)治地位，TensorFlow迅速成為這一領(lǐng)域的霸主。
2017年，TensorFlow如日中天之際，F(xiàn)acebook發(fā)布了PyTorch，誰也沒有想到，短短四年后，它竟把前者從王座上拉了下來。
剝離正義與邪惡后，從某種意義上來說，這就大衛(wèi)打敗巨人歌利亞的故事。
什么是機器學(xué)習(xí)框架？
這要從機器學(xué)習(xí)說起。
大家應(yīng)該都聽過人工智能，機器學(xué)習(xí)就是人工智能的一種實現(xiàn)手段。機器學(xué)習(xí)之父Tom Mitchell曾下過這么一個定義——“如果一個程序可以在任務(wù)T上，隨著經(jīng)驗E的增加，效果P同步增加，則稱這個程序可以學(xué)習(xí)”。
這里有兩個要點，第一是程序，第二是經(jīng)驗。程序的核心是模型，而經(jīng)驗則表現(xiàn)為數(shù)據(jù)。其實這個定義也覆蓋了大數(shù)據(jù)的概念，只不過大數(shù)據(jù)一般強調(diào)數(shù)據(jù)，機器學(xué)習(xí)則更突出模型。
而機器學(xué)習(xí)框架，簡單來說就是一套為機器學(xué)習(xí)服務(wù)的工具，用以加速模型的開發(fā)與應(yīng)用。
就像你可以用樂高快速搭建出房子、汽車等各種各樣的模型一樣，樂高就是一種框架。
所以機器學(xué)習(xí)框架和機器學(xué)習(xí)的關(guān)系，就像生產(chǎn)關(guān)系和生產(chǎn)力一樣，機器學(xué)習(xí)技術(shù)的發(fā)展決定框架的形態(tài)，而框架反過來又可以促進前者的發(fā)展。
比較有名的框架，根據(jù)誕生時間排序，主要有2002年的Torch，2007年的Theano，2013年的Caffe，2015年的TensorFlow和Keras和2017年的PyTorch這六個。
當(dāng)然，這些只是和本主題相關(guān)的，其它還有很多傳統(tǒng)AI框架和庫，它們每個都滿足了某種特定場景，但總體上來看，可以說是多點散發(fā)。
直到2016年AlphaGo大戰(zhàn)李世石，這似乎是一個奇點事件。
我記得首局李世石便投子認(rèn)輸了。那時我們正在云南團建，AlphaGo不僅打敗了李世石，也打敗了云南的美景，一路上所有人都在談?wù)撍?/p>
用李安的話說，“我看不懂，但我大受震撼。”
受震撼的不止我們，全世界的人和資本都受到了震撼。
AlphaGo用的技術(shù)是深度學(xué)習(xí)，深度學(xué)習(xí)是機器學(xué)習(xí)的一種，其特征在模型上，深度學(xué)習(xí)的模型是神經(jīng)網(wǎng)絡(luò)模型。
AlphaGo之后，機器學(xué)習(xí)的方向開始朝深度學(xué)習(xí)統(tǒng)一。
對底層框架來說，這相當(dāng)于吹響了沖鋒的號角。
經(jīng)過不斷的分分合合，它們逐漸形成了兩大陣營。
一個是TensorFlow陣營。
TensorFlow 2015年由Google開源。其設(shè)計理念和Theano非常相似，所以在Google加持的TensorFlow出現(xiàn)之后，Theano就沒什么存在的必要了。而且Theano的關(guān)鍵創(chuàng)始人Ian Goodfellow也一直在谷歌工作。2017年，Theano官宣不再維護，同年，Keras被添加到了TensorFlow之中。這構(gòu)成了實力強勁的第一陣營。
一個是PyTorch陣營。
PyTorch 2017年由Facebook開源。PyTorch設(shè)計之初可以看成是Torch的Python版。和Theano類似，Torch的關(guān)鍵創(chuàng)始人也一直在Facebook。Caffe的創(chuàng)始人賈揚清在完成Caffe后先是去了Google開發(fā)TensorFlow，隨后又到了Facebook。在Facebook，他開發(fā)了Caffe2。2018年，Torch被標(biāo)注為不再活躍，其主要維護者宣布精力將主要投入到PyTorch上，同年，Caffe2也被合并到了PyTorch之中。這構(gòu)成了第二陣營。
在一個要素自由流動的市場里，行業(yè)成熟的標(biāo)志是出現(xiàn)頭部公司。
所以TensorFlow和PyTorch的脫穎而出，意味著決戰(zhàn)將在它們之間展開。
從時間上來看，TensorFlow總比PyTorch早，開源的時間早，整合的時間也早。
但從趨勢來看，TensorFlow的領(lǐng)先優(yōu)勢越來越不明顯，Google Trends顯示，甚至PyTorch已經(jīng)超過了它。
圖1 Google Trends : PyTorch VS TensorFlow
Google確實是技術(shù)上的歌利亞。
不說安卓，不說搜索，不說谷歌地圖。
熟悉的人，應(yīng)該還記得大數(shù)據(jù)的故事。
2003年開始，Google把自己內(nèi)部用的幾種數(shù)據(jù)處理技術(shù)陸續(xù)整理成論文，公開發(fā)表。其中具有奠基性的有三個，分別是計算框架MapReduce，文件系統(tǒng)GFS和表格存儲BigTable。
蕓蕓眾生借此一時眼界大開。
讀論文的眾多人中，有一個叫做Doug Cutting的青年，他認(rèn)為這些技術(shù)很有通用性，便照著論文把里邊的系統(tǒng)自己做了一個出來。
Google言之，于我心有戚戚焉。
于是，大名鼎鼎的，很快成為大數(shù)據(jù)事實標(biāo)準(zhǔn)的Hadoop就這么誕生了。
大家或許聽過阿里云飛天5K的故事。在王堅的力推下，阿里云參考Hadoop開發(fā)了一套自己的大數(shù)據(jù)系統(tǒng)，而飛天5K，就是指這套系統(tǒng)成功支撐住了5千個節(jié)點。
但飛天5K發(fā)生在2013年，Hadoop誕生在2006年，Google發(fā)論文在2003年，而Google的內(nèi)部系統(tǒng)的啟用時間，不知何年。
什么叫技術(shù)代差，這就叫技術(shù)代差。
Doug Cutting后來被稱為“盜火者”，而那三篇論文，史稱“Google 三駕馬車”。
所以技術(shù)圈一直有一種印象，那就是Google藏了很多黑科技，隨便把自己內(nèi)部用了很久、甚至已經(jīng)不用的系統(tǒng)拿出來發(fā)表一下，便能引起江湖上的血雨腥風(fēng)。比如我在阿里時，就總聽說某某Google大佬回國后，在阿里把自己在Google用過的系統(tǒng)重新實現(xiàn)一遍而走上巔峰的故事，長恨自己眼界太窄又不在其中。
而TensorFlow不僅是Google直接開源自己的內(nèi)部系統(tǒng)，而且是優(yōu)化版——TensorFlow之前，Google還有一個2011年開始的DistBelief，TensorFlow正是總結(jié)了DistBelief的很多問題后升級而來的。
而且，AlphaGo也是Google的，再而且，它還運行在TensorFlow之上。
所以按理說，TensorFlow應(yīng)該比被人抄出來的Hadoop更容易成功，可Hadoop出來后就成了大數(shù)據(jù)的事實標(biāo)準(zhǔn)，TensorFlow卻沒有。
不僅沒有，似乎還在走下坡路。
IT界有個達維多定律，說市場的第一代產(chǎn)品總能自動獲得50%的市場份額。TensorFlow比PyTorch早，技術(shù)上沒有代差，卻在有明顯優(yōu)勢的情況下被PyTorch拉了下來。
確實不可思議，說Google輸了也不為過。
那PyTorch做對了什么？
知乎上對兩者有相當(dāng)多的討論，但主要集中在技術(shù)層面的對比。
誠然技術(shù)是一切的基礎(chǔ)，但畢竟被比較的是Google，在這個領(lǐng)域，他有Jeff Dean，有深度學(xué)習(xí)的圖靈獎獲得者，還有一系列頂級專家。引用騰訊機器學(xué)習(xí)平臺負(fù)責(zé)人潘欣的原話來說，Google在2015年后的幾年間包攬了全世界在深度學(xué)習(xí)領(lǐng)域一半以上的關(guān)鍵技術(shù)突破，比如TPU, Transformer, BERT, Neural Machine Translation, Inception, Neural Architecture Search, GAN，Adverserial Training, Bidrectional RNN……說Google技術(shù)不行，似乎很難成立。
所以我更傾向于認(rèn)為問題在別處。
周其仁說自己觀察經(jīng)濟現(xiàn)象有兩個法門，一曰遠，一曰簡，遠是遠遠的看大勢，簡是永遠選擇最簡單的指標(biāo)。
我認(rèn)為PyTorch在大勢上的策略才是問題的關(guān)鍵。
具體有三，一是差異化的產(chǎn)品定位，一是順應(yīng)了用戶趨勢，一是拿住了TensorFlow的反關(guān)節(jié)。
三點環(huán)環(huán)相扣，構(gòu)成了PyToch的競爭策略。
先說差異化的產(chǎn)品定位。
任何一個挑戰(zhàn)者進入市場時，都需要通過差異化找到自己的立足之地。
PyTorch也不例外。
它發(fā)現(xiàn)市場上的用戶可以分兩個群體，一是工業(yè)界，一是學(xué)術(shù)界，兩者有不同的需求。工業(yè)界更關(guān)注模型的應(yīng)用，比如部署、性能等，而學(xué)術(shù)界更關(guān)注模型的開發(fā)。這很容易理解，工業(yè)界的基本訴求是穩(wěn)定，一般模型上線后會跑很長一段時間，而學(xué)術(shù)界以研究為主，會頻繁修改模型以驗證想法，對性能要求不高，對部署更不在乎。
TensorFlow的優(yōu)勢在模型的應(yīng)用上。
在Google強大的開發(fā)能力下，TensorFlow不僅性能優(yōu)越，而且支持多端部署，不管是云上的分布式還是邊緣的手機端都沒問題。但可能就是因為Google的開發(fā)能力太強了，TensorFlow在模型開發(fā)的易用性上并不上心。
圖2 Facebook論文 《PyTorch : An Imperative Style,High-Performance Deep Learning Library》
于是它很快占領(lǐng)了學(xué)術(shù)界。
圖3 paperswithcode--論文中應(yīng)用的框架比例
這時市場格局是這樣的。
圖4 PyTorch VS TensorFlow 市場格局1
再說用戶趨勢。地產(chǎn)界有個說法，短期看金融，中期看土地，長期看人口。
機器學(xué)習(xí)框架的用戶也是有趨勢的。
工程師是怎么來的？高中畢業(yè)進入大學(xué)，大學(xué)讀完本科、碩士和博士后，畢業(yè)上班，進入工業(yè)界。
這個樸素的道理決定了用戶基本是從學(xué)術(shù)界流向工業(yè)界的。
所以PyTorch占領(lǐng)了學(xué)術(shù)界，相當(dāng)于占領(lǐng)了上游。習(xí)慣了PyTorch的人會帶著PyTorch進入工業(yè)界，同時新同學(xué)源源不斷進入學(xué)術(shù)界，又構(gòu)成了增量用戶。
圖5 PyTorch VS TensorFlow 市場格局2
最后說說TensorFlow的反關(guān)節(jié)。
周鴻祎在《我的互聯(lián)網(wǎng)方法論》里提到過一個詞叫反關(guān)節(jié)，小公司一旦拿住大公司的反關(guān)節(jié)，大公司的優(yōu)勢就會變成包袱，越反抗越疼，只能眼睜睜看你擴張。
PyTorch就拿住了TensorFlow的反關(guān)節(jié)。
構(gòu)建神經(jīng)網(wǎng)絡(luò)有兩種技術(shù)路線，分別是靜態(tài)圖和動態(tài)圖，靜態(tài)圖性能好，動態(tài)圖調(diào)試方便。
TensorFlow一開始選擇的是靜態(tài)圖，PyTorch是動態(tài)圖，這就是產(chǎn)品差異化背后的技術(shù)原因。
不過這種技術(shù)選擇帶來的影響是長期的，因為圖的構(gòu)建方式確定了，框架的API也就隨之確定了。
API是框架和用戶之間的接口，像汽車的方向盤和剎車。同時就像汽車不能隨便升級成用剎車掛檔、方向盤加油一樣，API也必須力求穩(wěn)定。
事實上所有嚴(yán)肅的基礎(chǔ)軟件都會把避免breaking change（破壞式升級）當(dāng)作API設(shè)計的首要原則。
所以TensorFlow在看到PyTorch靠動態(tài)圖不停搶占市場的時候，自己卻動彈不得，因為它升級就需要改變API，而它的用戶基數(shù)越大，它就越難作出改變。
只能縫縫補補往里繼續(xù)加?xùn)|西，比如Keras。
但PyTorch并沒閑著，它站穩(wěn)腳跟后開始向工業(yè)界擴張。2018年，PyTorch借助合并Caffe2，在性能和部署上大大前進了一步。
這相當(dāng)于打到了TensorFlow的大本營。
TensorFlow終于坐不住了，于是以壯士斷腕的決心，不顧breaking change的惡名，2019年把TensorFlow升級到了2.0，重構(gòu)API，增加動態(tài)圖。
有人說這體現(xiàn)了Google的傲慢，它視開發(fā)者如草芥。還有人建議Google出一個技術(shù)團隊，把原來在TensorFlow1.0上的能跑的東西在2.0上重新實現(xiàn)一遍。
但可能它也是沒辦法，總不能坐以待斃吧。
仔細(xì)想想，PyTorch的三點其實是一點，叫一點的三個方面可能更加準(zhǔn)確。
這樣的分析或許有點馬后炮的意思，但不管PyTorch是有意為之還是純屬巧合，這個邊緣崛起的故事還是相當(dāng)值得一看。
那是不是說TensorFlow就這樣輸?shù)袅耍?/p>
并不是，前邊提到，只是決戰(zhàn)會在他們兩個之間展開，現(xiàn)在功能上兩者幾乎齊平，但從用戶存量來說，TensorFlow的絕對值應(yīng)該比PyTorch還要多不少。
而且未來還有新變量，那就是云。
云作為一種新的軟件分發(fā)機制，勢必對軟件的市場格局產(chǎn)生深遠影響。根據(jù)Google的測算，2029年，77%的企業(yè)IT將以云為主。
誰在云上做的好，誰才是最終贏家。
不過我覺得真正精彩的是框架背后的人?？蚣艿姆址趾虾辖汹厔?，人的流動才是故事。
比如Torch的創(chuàng)始人里，Ronan Collobert在Facebook，而Samy Bengio去了Google；比如Caffe的作者賈揚清，讀博時自己開發(fā)了Caffe，畢業(yè)后去Google參與了TensorFlow，之后又到Facebook，在這里不僅開發(fā)了Caffe2，還推動了PyTorch跟Caffe2的合并……
頗有東漢末年群雄并起，有識之士縱橫天下的意味。
而所謂最終格局，與其說是趨勢上的客觀必然，不如說是他們推動下的主觀偶然。
快報
根據(jù)《網(wǎng)絡(luò)安全法》實名制要求，請綁定手機號后發(fā)表評論