細想每個人工智能的應(yīng)用場景，若要從“云端”到“終端裝置”，走過軟件、韌件、硬件，到資料與服務(wù)邏輯之間的串接，從頭到尾軟、硬整合一條龍?zhí)峁┓?wù)，就需要許多不同的系統(tǒng)開發(fā)環(huán)節(jié)，但各環(huán)節(jié)之間卻又環(huán)環(huán)相扣。

以人工智能的開發(fā)框架來說，該選擇哪一種框架訓(xùn)練模型，方便開發(fā)者直接將應(yīng)用模型放到終端去推論、提供真正的智能服務(wù)，就是一個重要關(guān)鍵。

Deep Sentinel創(chuàng)辦人Winston表示，對于軟件或網(wǎng)絡(luò)服務(wù)開發(fā)者來說，終端硬件通常不是我們熟悉的環(huán)境，我們需要芯片上面已經(jīng)有完整的作業(yè)系統(tǒng)，可以跑特定的開發(fā)框架，例如谷歌的TensorFlow或是英偉達的CUBA，讓我們可以把訓(xùn)練好的模型與終端應(yīng)用的程序邏輯放上去。

開發(fā)人工智能演算法的程序語言就是一個門檻。提供智能服務(wù)的企業(yè)通常不會僅需要人工智能這項應(yīng)用，原先服務(wù)開發(fā)已經(jīng)使用的語言環(huán)境是否可以直接接軌就是第一個門檻。不同的開發(fā)語言常因為適用于不同的應(yīng)用環(huán)境吸引不同的開發(fā)者，因此穩(wěn)定的開發(fā)者來源也是企業(yè)選擇技術(shù)路線必須考慮的長期因素。

除此之外，縱然多數(shù)主流的人工智能開發(fā)框架都已經(jīng)開放其程序碼，但不同框架的社群大小、云服務(wù)的支持程度、工具是否容易上手、訓(xùn)練或推論所需的加速芯片是否支援，這些都是考慮重點。

不同開發(fā)框架的社群大小，通常意味著有多少開發(fā)者應(yīng)用。越多開發(fā)者在這個框架進行各種改寫或整理，除了表示這個開發(fā)框架在較短時間就有機會應(yīng)用最新的深度學(xué)習(xí)演算法外，也意味著有更多同好可以討論或協(xié)助解決開發(fā)上的問題。

對于企業(yè)來說，這同時也是人才來源較多、支援廠商可能也較多的一個重要訊號。除此之外，為了避免被鎖定在一個特定的開發(fā)框架，導(dǎo)致沒有轉(zhuǎn)換其他工具的彈性，是否容許將訓(xùn)練模型轉(zhuǎn)換到其他不同的工具也是考量點之一。不過，性能和價格也是重要的關(guān)鍵，就算是性能好的芯片，可能因為耗電量高貨是價格昂貴，甚至因為開發(fā)團隊沒辦法很快將訓(xùn)練完成的人工智能模型與服務(wù)程序裝上，而忍痛放棄。

縱然大部分的開發(fā)工具都以開源，意味著企業(yè)有機會自行建立開發(fā)團隊來發(fā)展人工智能的相關(guān)智能應(yīng)用，但企業(yè)還是一而再、再而三的面臨要自己做，還是外包給特定團隊的選擇。自行開發(fā)通常掌控度最高，開發(fā)進度與設(shè)計邏輯都可以掌握在自家手上，但往往也意味著要現(xiàn)有團隊學(xué)習(xí)開發(fā)人工智能應(yīng)用的新技能，或是必須招聘新的團隊成員，可能面臨不同企業(yè)的商業(yè)文化與開發(fā)習(xí)慣之間的磨合，這些都是時間成本。

一名大型金控企業(yè)的技術(shù)負責(zé)人表示，人工智能應(yīng)用是碎片化的，分散在很多不同的服務(wù)流程里。我們必須把每個流程自習(xí)拆開，確認不同階段所需對應(yīng)的工具，再來考慮這個工具應(yīng)該選用什么樣的框架開發(fā)。

以語音識別相關(guān)智能應(yīng)用來說，這并非金融服務(wù)的核心項目，如果市場上已經(jīng)有比較好的“語音轉(zhuǎn)文字”或“文字轉(zhuǎn)語音”工具，我們就可以考慮直接取用。但是某些服務(wù)可能牽涉到企業(yè)搜集的個人資料處理，例如以機器學(xué)習(xí)預(yù)測客戶這次進行的什么樣的服務(wù)操作，這部分外包可能就有資料安全和核心知識邏輯流出的疑慮，所以我們必須自建團隊做資料分析。

從軟件或服務(wù)起家的技術(shù)團隊，需要有硬件設(shè)計能力的顧問協(xié)助設(shè)計，幫忙排出硬件或韌件的問題，協(xié)助軟件團隊找出真正的問題。所以一個完整的軟件團隊也必須從中學(xué)習(xí)硬件、軟件和韌件和平共處的本事。