編者按：本文來自微信公眾號「機器之能」（ID:almosthuman2017），作者：機器之能，36氪經授權發布。原題目《Gartner首份雲上AI開發服務魔力象限：國內騰訊入圍，阿里百度落選》
近日，Gartner 首份雲 AI 開發服務魔力象限正式發布，魔力象限以供應商前瞻性、執行力為橫縱坐標，主要考核語言、視覺、自動機器學習三大領域產品，將市場上供應商劃分四大象限——領導者，有遠見者、特定領域者（小眾玩家）、挑戰者。
其中，領導者包括 AWS、微軟、谷歌、IBM；有遠見者包括 Aible、H2O.ai、Prevision.io；特定領域者包括：Salesforce、SAP、騰訊。
目前，挑戰者象限領域供應商尚是空白狀態，不過未來隨著自動機器學習等服務的廣泛應用，象限玩家也會逐漸豐富。
Gartner 最近發布首份雲 AI 開發服務（Cloud AI Developer）魔力象限，該魔力象限評估了面向應用程式開發人員的雲託管人工智慧（AI）服務的重要新興市場，它從三個關鍵服務領域的產品：語言，視覺和自動機器學習（AutoML）出發來評估供應商。
Gartner 對雲 AI 開發服務的定義如下：
雲 AI 開發者服務是雲託管的服務/模型，讓開發團隊可以通過 API 充分利用 AI 模型，無需具備紮實的數據科學專業知識。這些託管模型提供的服務擁有語言、視覺和自動化機器學習等方面的功能。這些服務常常可以通過 API 訪問來獲得，通常根據 API 調用的數量來定價。在一些情況下，可以通過集成的配置工具來使用服務。這類服務的幾個例子包括自然語言理解、情感分析、圖像識別和機器學習模型創建。
Gartner 稱到2023年，40%的開發團隊會使用自動化機器學習服務來構建為其應用軟體添加AI功能的模型，而2019年這一比例不到2%。到2025年，AI將使50%的數據科學家活動實現自動化，從而緩解人才嚴重短缺問題。
根據 Gartner 雲 AI 開發服務魔力象限顯示：
位列領導者象限的廠商包括：AWS、微軟、谷歌、IBM；
特定領域者包括：Salesforce、SAP、騰訊；
有遠見者包括：H20.ai、Aible、Prevision.io；
挑戰者：空白。
Gartner報告顯示，阿里巴巴和百度被排除在此「魔力象限」之外，是因為它們不滿足至少涵蓋兩個主要地區的產品要求。
對應要求表示，供應商必須至少在以下兩個地區中為其2018年的雲AI開發人員服務增加至少20個新的付費企業客戶，主要地區被定義為 北美、南美洲、歐洲、中東和非洲、亞太。
亞馬遜網絡服務（AWS）總部位於美國華盛頓州西雅圖市，是該魔力象限的領導者。它提供了一套全面的服務和 API，包括用於語言和視覺服務領域的服務和 API，並由 Amazon 面向開發人員和數據科學家的 SageMaker ML 服務進一步支持。
據悉，AWS 結合了非常廣泛和強大的 AI 產品組合，在商業和消費者領域具有很高的知名度。它在商業領域的知名度部分歸功於其存儲和計算解決方案。它在消費領域的知名度歸功於亞馬遜的在線零售業務和 Alexa AI 產品。
AWS 為開發人員提供的產品可以滿足沒有 ML 技能的人和尋求高級功能的人的需求。那些沒有 ML 技能的人可以使用具有持續學習的 API 的預訓練 AI 服務；這些服務包括廣泛的視覺，語音，自然語言和文本處理功能。尋求更高級功能的開發人員和數據科學家可以使用 SageMaker 的完整 ML 套件。
然而，AWS 產品組合的複雜性和廣度對個人開發人員和企業的應用程式領導者都構成了一些挑戰。開發人員必須確定 AWS 的功能是否最適合他們的要求。應用程式主管必須決定他們是否要在單個平臺上整合 AI 項目。AWS 的廣度還可能導致混亂和治理問題，例如，Amazon Lex 提供全面的翻譯服務，而虛擬助手框架的 NLU 部分僅支持英語。
在對該魔力象限進行研究的整個過程中，Amazon SageMaker 缺乏一些關鍵的模型管理功能，例如主動模型監控和模型提供的推論的可解釋性。但是，AWS 自此發布了 Amazon SageMaker Experiences 和 Amazon SageMaker Model Monitor，以解決此缺點。
此外，當用戶從開發環境轉到生產環境時，執行成本可能會比他們預期的要高。AWS 意識到了預測的成本和複雜性，並提供諸如 Amazon Elastic Inference 之類的產品來幫助解決此問題。
同樣是魔力象限領導者的還有谷歌，Google 總部位於美國加利福尼亞山景城。它提供涵蓋所評估的所有三個服務領域的服務：語言，視覺和 AutoML。Google 為大多數服務使用深度神經網絡模型，這些模型是從其公共雲 Google Cloud Platform 提供的。
Google 提供了強大的語言服務，可提供比其他提供商更多的語言支持。它的 NLU 服務可用於批處理模式和實時流模式。它的聊天機器人工具支持 22 種語言，並計劃在來年提供更多語言。其語音轉文本服務支持 64 種語言的 120 種方言，翻譯服務支持 104 種語言。Google 還為語言提供最廣泛的光學字符識別（OCR）支持，支持的語言超過 200 種。
與其他服務不同，Google 的圖像識別服務可以通過容器部署在虛擬私有雲或內部部署中，也可以部署在其公共雲平臺上。Google 的假設分析工具為其 AutoML Vision 和數據標籤服務提供了一定程度的可解釋性。此外，AutoML Vision 還提供了 Vision API，使開發人員可以通過 REST 和遠程過程調用（RPC）API 訪問預訓練的模型。開發人員可以通過自動識別面部和物體來快速分類圖像。Google 的 AutoML Video Intelligence 服務使具有最少 ML 經驗的開發人員可以自定義可以分類和跟蹤對象的模型。
Google 的 AutoML 表包含數據支持，可提供有關數據集中每個功能的缺失數據，基數和分布的信息。這有助於開發人員整理乾淨，有效的培訓數據。
Google 的大多數雲 AI 開發人員服務僅可通過公共 Google Cloud Platform 使用。除了可在 Edge 和 Mobile ML Kit 中部署的 Vision 服務外，服務可能無法部署在虛擬私有雲或本地中。不過，Google 確實計劃在來年為其許多服務包括這些部署選項。
由於先前在銷售執行和定價方面的缺陷，Google 在通用雲平臺業務中一直難以與其他主要雲提供商競爭。Google Cloud Platform 的市場份額低於 AWS 和 Microsoft（Azure）的產品。儘管 Google 表現出了改進，但它需要執行新的目標客戶銷售策略，以吸引其雲 AI 開發人員服務產品的吸引力，因為該產品的成功取決於整個 Google Cloud Platform 的成功。
IBM 公司總部位於美國紐約阿蒙克，它在本報告涵蓋的所有三個服務領域中提供了廣泛的 AI 服務。
根據 IBM 用戶的說法，在 IBM Watson Assistant 平臺上開發對話代理是一種相對輕鬆的體驗。IBM NLP 元素內的功能已很好地集成在一起，其中包括使用深度學習綜合技術以及語氣和情感分析的創新組件，儘管在 NLP 領域具有強大的組件，但是 IBM 缺乏健壯的自然語言生成（NLG）元素令人驚訝，但是，與許多其他技術一樣，IBM Research 正在開發可能最終出現在其服務陣容中的功能。
IBM 的 Watson Studio 和 ML 產品得益於該公司在增強 ML 領域的悠久歷史。IBM 提供了一組強大的 AI ML 服務，從自動數據準備和算法選擇到一系列優化指標到有效的公民數據科學家體驗，一應俱全。
雖然 IBM 的產品範圍廣泛，構成了許多 AI 服務元素。這使將它們全部聚集在一個單一，一致且高度集成的環境中的任務變得複雜。反過來，這種複雜性導致了來自不同部門的不同產品，由不同的開發團隊處理，並具有不同的定價方案，這導致 IBM 用戶反饋 IBM 服務的強度，版本，集成級別和向後兼容性級別不平等。
Microsoft 總部位於美國華盛頓州雷德蒙德，與其他領導者一樣，Microsoft 提供了廣泛的服務，開發人員可以利用這些服務來增強其應用程式。微軟的產品包括語言，視覺和 AutoML 功能。
Microsoft 針對 ML 和 AI 提供了基於符號（已解析）和子符號（基於矢量的 ML）方法的一系列服務，這為其某些雲 AI 服務提供了 Microsoft 優勢。
就部署選項而言，Microsoft 是雲 AI 開發人員服務的更靈活的提供商之一。根據企業客戶的需求，其服務可部署在 Azure 雲，虛擬私有雲或本地中。微軟通常通過其合作夥伴網絡提供 AI 服務，通常不直接與企業合作開發解決方案。這種方法不是 Microsoft 獨有的，但是對於剛開始開發雲解決方案的組織來說，它仍是具有挑戰性的。
微軟為其自然語言服務提供了多種語言選擇之一。這使具有廣泛語言需求的跨國組織能夠服務於具有不同語言要求的多個市場。目前微軟尚未推出 NLG 服務，儘管它們已列入路線圖。因此，急需 NLG 的公司必須尋求其他提供商。
值得一提的是，由於涉及多個業務部門並且包括 Azure 認知服務和 Cortana 服務的混淆品牌戰略，這種重疊通常會使客戶感到困惑。
總部位於美國加利福尼亞的福斯特城的 Aible，是這個魔力象限中的有遠見者。
它可在 Amazon Web Services（AWS）和 Microsoft（Azure）基礎架構上的公共雲或虛擬私有雲中使用。Aible 提供 30 天的免費產品試用版，並提供出色的客戶支持。
Aible 對業務影響和 ROI 的關注使客戶的業務成為模型開發和部署不可或缺的一部分。Aible 會自動執行整個模型創建和實施過程，以確保成功部署和使用結果解決方案。Aible 解釋了驅動其對不同模型進行預測的因素，並提供了比較這些模型的影響的方法。
Aible 為現實生活中的業務需求和約束提供最佳模型的方法是獨一無二的。它的產品自動詢問與業務相關的問題，以了解業務目標，成本－收益的權衡以及與領域，基礎架構，成本和治理現實相關的約束。通過 Aible，客戶可以將標準 ML 模型的影響與在實際約束下工作的模型的影響進行比較。
另外，為了安全起見，Aible 僅提取元數據，而從設計上看，它看不到客戶數據或訓練有素的模型。
據了解，Aible 當前產品的開發於 2018 年開始，一些客戶尚未實現全面部署。此外，雖然 Abile 確實計劃在 2020 年底之前提供 NLU，情感分析，文本分析和圖像識別服務，但目前 Aible 不提供此魔力象限考慮的任何語言和視覺服務。
為了易於使用標準 API 和工具進行集成，在此「魔力象限」中，Aible 在所有供應商中得分最低。減少對 API 和工具的關注反映了 Aible 避免顯式集成需求的願景。
H2O.ai 總部位於美國加利福尼亞山景城。H2O.ai 以其開源 ML 和 AI 軟體而聞名。H2O 無人駕駛 AI，AutoML 平臺，是供應商的商業產品，並包含許多開源附件。
H2O 無人駕駛 AI 包括自動功能，例如可視化，功能工程，模型構建，時間序列支持，自然語言處理（NLP）和 ML 可解釋性，並由協作功能以及數據處理，模型開發，部署和操作的靈活性支持。它會自動生成一個可移植的低延遲模型部署工件，稱為 MOJO，可以在 Java，Python，R 和 C ++運行時中以及從雲到邊緣的過程中進行部署。
H2O 無人駕駛 AI 易於部署，從而使客戶能夠減少對成熟的數據科學組織的需求，並提供啟動新 AI 項目的捷徑。H2O.ai 對 ML 可解釋性和可解釋性的關注通過幫助建立信任和降低風險來促進 AI 的採用。它在參考客戶方面獲得了技術支持質量的最高分，並且擁有專門的支持組織以及客戶成功工程師和數據科學家來為其用戶提供支持。H2O.ai 僱用了全球 10％的 Kaggle Grandmasters，他們可以與客戶合作。
H2O.ai 無法提供某些自然語言服務，但 H2O.ai 的平臺上還提供了其他服務，例如情感分析和文本分析。H2O.ai 當前不提供其他服務，例如聊天機器人，語音到文本，自動語音，文本到語音和翻譯。但是，可以使用 H2O.ai 支持的第三方工具（例如 TensorFlow 和 PyTorch）或自定義配方來緩解這種不足。
此外，H2O.ai 當前不提供任何視覺服務，但是圖像識別和 OCR 正在開發中，並將於 2020 年併入 H2O 無人駕駛 AI。
Prevision.io 總部位於法國巴黎，是這個魔力象限中的有遠見者。它的雲 AI 開發人員服務集專注於 AutoML，但在 AutoML 平臺中還具有文本和圖像分析功能。
Prevision.io 的界面和控制項的簡單性背後是一個強大的，功能豐富的 ML 平臺。它在 ML 模型構建控制項和經驗豐富的數據科學家可以訪問的更高級功能之間保持了良好的平衡。該平臺通過一系列說明性步驟來幫助緩解「黑匣子」效應。以便用戶可以了解 ML 模型如何得出其結論。該平臺會自動生成簡化的可解釋模型，並可以可視化這些模型的行為。
此外，Prevision.io 的平臺集成了高級 ML 功能。這些功能包括構建元模型（集成建模的一種方法），自動混合算法以生成更準確的模型以及創建嵌入以提高特定模型的性能的能力。
儘管全世界的開發人員都可以訪問，但 Prevision.io 基本上僅在幾個歐洲國家/地區運營，而且部署的模型不一定是託管模型。
在並非總是有專家數據科學家的環境中，徹底的驗證和確認程序至關重要，而 Prevision.io 在這方面僅提供基本功能，如果要保持有遠見的人就需要對其進行擴展。
Salesforce 總部位於美國加利福尼亞州舊金山，對於應用程式開發人員和設計人員，它在其雲產品中提供了嵌入式 AI 功能。該公司的主要目標是通過使缺乏深度學習或 ML 知識的 Salesforce 生態系統中的管理員和開發人員將 AI 嵌入到每個 CRM 和前臺用戶手中，從而將圖像識別和 NLP 嵌入其應用程式中。Salesforce Einstein 可以以 API 或 UI 的形式提供，這更適合開發人員。
Salesforce Einstei 平臺服務的主要優勢在於管道的簡化-預測是在培訓/測試數據所在的同一環境中構建的，並且將結果寫回到相同的 Salesforce 對象（表/欄位）中。這樣可以快速進行模型開發，培訓和測試，並快速部署到現有工作流程和流程中。
Salesforce 可自動進行涉及預測的大量數據處理。它還實施了一些功能，以確保預測的質量並減少與訓練數據有關的偏差。
Salesforce 在提供簡單，民主化的方法來開發 AI 功能方面處於領先地位，這種方法不需要用戶方面的任何技術或開發技能。
Salesforce Einstein 提供了兩種 NLP 功能-Einstein Sentiment 和 Einstein Intent-但與在此魔力象限中大多數其他供應商提供的對話 API 相比，這兩項都是基本的。Einstein 情感使用無法訓練的全局模型，也無法修改其行為。
Salesforce 的 Einstein Vision 服務易於使用，所採用的方法與用於語言服務的方法大致相同，在語言服務中，帶有標籤的訓練數據被上載，並且模型被自動訓練。但是，指定用於訓練的對象檢測邊界框坐標需要第三方工具和支持。此外，Einstein 視覺服務缺乏競爭對手提供的許多功能，例如數據標籤外包，顯式內容檢測和基於邊緣的模型部署。
Salesforce 的 AI 服務產品比該魔力象限中的其他供應商要細得多，僅限於 Einstein 平臺服務，後者僅提供目標開發人員服務，而不提供完整的產品組合。
SAP 總部位於德國沃爾多夫，它在這個市場上有兩個主要產品。第一個是 Leonardo Machine Learning，它為開發人員和業務用戶提供了預訓練的模型和可定製的模型，可以通過調用簡單的 REST API 將其用作 Web 服務。通過 API 或專用的 SAP Data Intelligence 平臺執行模型管理。好處便是，它使第三方環境能夠提供主模型管理。
第二種產品是 SAP Conversational AI，這是一個端到端的對話機器人構建平臺，然而 SAP 對話式 AI 僅提供基本的問候和通用的對話元素，並且 SAP 的視覺服務僅捆綁了通用分類器，儘管 SAP 還提供了其他提供商的視覺服務。儘管 SAP 迅速增加了服務的部署，但在評估時仍有一些明顯的遺漏。
SAP 提供跨語言和視覺領域的許多基礎 AI 服務（包括本機和通過合作夥伴提供），但更重要的是，SAP 將它們打包在一起，稱為「業務服務」或「方案」，這種方法可能會成為主要差異化因素。
騰訊總部位於中國深圳，於 2016 年啟動了 AI 實驗室，並於同年在美國華盛頓西雅圖成立了 AI 研究中心。
騰訊將其廣泛的 AI 資源用於其遊戲，視覺，聊天以及其他產品和服務。騰訊 AI 實驗室專注於基礎 AI 研究; 騰訊 YouTu Lab 專注於人臉和圖像識別。微信 AI 致力於語音識別，NLP，數據挖掘和 ML，語音轉文字服務僅支持普通話，廣東話，英語，藏語和維吾爾語。文本分析功能僅支持英語和中文。
騰訊擁有完整的 AI 產品組合。它的語言服務包括語音識別，NLP，騰訊 Bot 平臺和語言生成。它的視覺服務包括圖像識別和 OCR。它的 AutoML 服務包括功能工程，自動模型構建，模型管理以及用於數據預處理，轉換和選擇的多種算法，但 AutoML 服務缺乏自動化的數據準備，並且某些功能工程功能無法通過 API 使用。
據了解，騰訊內部多個與 AI 相關的小組，它們進行一些重疊的 AI 研究與開發。騰訊還提供 AI 開放平臺，該社區是開發人員可以免費試用騰訊 AI 服務的社區。一旦需要企業級服務，他們的項目就會重定向到騰訊雲。
據 Gartner 稱，到 2023 年，40% 的開發團隊會使用自動化機器學習服務來構建為其應用軟體添加 AI 功能的模型，而 2019 年這一比例不到 2%。到 2025 年，AI 將使 50% 的數據科學家活動實現自動化，從而緩解人才嚴重短缺問題。
在該魔力象限中，挑戰者區域仍為空白，未來相信，還會有更多供應商入場廝殺。