2016年，一位名叫MakotoKoike的日本青年工程师回到家乡的黄瓜农场，准备子承父业。种植黄瓜多年的父母苦于黄瓜的分拣流程，需要按照黄瓜的卖相，把不同类型黄瓜按照大小、笔直、均匀、水嫩程度分拣到一起，卖给批发商，再把卖相不好的黄瓜拣到一起，低价处理，过程耗时耗力。
Makoto想用技术减轻劳苦，他拍摄了约7000张黄瓜照片，传到谷歌云的机器学习平台，通过TensorFlow深度学习框架，训练模型去识别黄瓜，并对黄瓜按不同特质进行分类。在此基础上，Makoto做了一个黄瓜分拣机，再配合上自动传送带系统，可以将每根黄瓜识别出来后再传送至程序指定的箱子。这样，降低了分拣黄瓜过程中的劳累。
系统对黄瓜进行分类
一个普通人能够开发出AI算法去识别黄瓜，解决现实中的问题，关键是利用了机器学习平台，用户把数据输入进去，平台生产算法、模型，去辅助业务，帮助企业甚至个人降低开发AI的门槛。
上面的案例当然是个案，具备这样的技术能力的个人开发者很少。开发AI项目对技术、算力要求很高，开发成本也很高，但对于有一定技术人员的企业来讲，可以通过这种平台，低成本、规模化地开发AI应用。
这也衍生出一门生意，既然越来越多的企业有应用AI的需求，且有一定的数据量，但本身没有AI技术积累，没有足够多的AI工程师团队，可以承接这种需求，做一个机器学习平台，平台有数据处理的能力，如数据清洗、数据筛选、数据标注等，将数据归类并打标签，提供代码开发工具、算法库，做模型训练，并提供数据可视化的工具，将生成的模型应用到具体的行业当中。比如在金融行业，可以做反欺诈模型的训练，在工业领域，可以做工业仿真，可以做AI质检，以及设备的预测性维护。
就像有人所说的那样，如果把传统企业应用AI技术看做淘金，那么机器学习平台就是扮演为淘金者卖水、卖铲子的角色。这个领域太ToB了，大部分人不太了解。其实业内也困惑：在AI浪潮中，机器学习平台发展机会到底如何，到底大不大？
玩家不少，但整体市场规模还不大
先来盘点一下这个赛道吧。机器学习平台领域有很多熟悉的公司，包括阿里云、腾讯云、百度云、金山云、华为云、Ucloud等公有云服务商旗下的机器学习平台，AWS、微软、SAP这样的外资云服务厂商，浪潮、东软这样的传统IT服务商，第四范式这样的新兴AI创业企业，也有九章云极、星环科技、绿湾科技这样的大数据服务商开发的机器学习平台。
另外还有一些公司因为内部场景需要规模化地应用机器学习，又怕数据对外共享影响安全，就自己开发机器学习平台，比如滴滴、美团等互联网公司，都有机器学习平台，还有一些传统制造业企业如上汽集团，也在做机器学习平台去支撑自己的业务。目前这些平台是不对外的，主要用于支持自身的业务，不过也不排除未来会对外输出。
IDC数据显示，目前行业规模还不大，不过增速比较可观。2018年应用机器学习给中国AI市场带来的投入规模达百亿，预计2018-2023年间商业化机器学习开发平台的复合增长率将高达62.0%。在市场格局方面，IDC发布的《中国机器学习开发平台市场评估》显示，阿里云、腾讯云、AWS、第四范式位于该市场的领导者象限。按营收来看，第四范式市场份额居第一位。
当然，现在只有IDC发布这个领域的数据报告，数据准确度可能有待考证。
IDC发布的中国机器学习开发平台市场格局图
行业增长的大背景应该是：企业应用AI的兴趣正在抬升，大家都想看看机器学习能给业务带来什么帮助。
在这个赛道上，公有云厂商目前构成了主力。公有云厂商算力强，且有规模化的客户资源。在公有云平台，通过对数据的训练形成模型之后，可以通过公有云分发出去，还可以迭代，速度更快。但也有劣势。
上汽AI赋能平台产品总监谭黎明对虎嗅Pro表示，公有云平台更多是提供算力资源，上面的场景化不是很充分，虽然有解决方案，但大多是跟别人合作，跟他们一起做一些案例，挂上去。这类厂商本质上他们做PaaS平台，目的还是更好卖底层的算力资源。另外，它其实更适合于全部东西都在云上的企业，在比较通用的场景下使用。
大数据服务商进入机器学习平台这个领域，主要是因为机器学习平台也是基于对数据资源的梳理之上，需要数据工具。星环科技创始人孙元浩对虎嗅Pro表示，机器学习平台本身是需要提供平台和工具的，星环科技本来也提供数据的各种工具，也需要更多的工具提供给客户。选了机器学习平台这个赛道，是因为它可以跟大数据产品线实现融合。
玩家不少，但整体上看，相比于计算机视觉、语音语义识别等AI赛道，机器学习平台这个赛道规模要小不少。孙元浩表示，这个赛道其实非常窄，整体市场不大。单靠机器学习平台这个工具的话，可能会有生存的问题。所以星环科技在将机器学习平台放在大数据软件中向客户一块出售。
对金融行业客户依赖度较高
机器学习平台在落地方面，一个主要的问题是比较依赖金融行业，包括第四范式、九章云极、星环科技等公司的机器学习平台，主要客户都是金融机构，更不用提同盾数据这样的主打金融领域的科技公司了。在金融领域，反欺诈是主要的应用，此外还有客户营销、智能客服、智能催收、OCR识别等。第四范式、九章云极等平台经常被当做金融科技公司来看待。
金融领域之外，落地规模化落地不多。
能源领域客户正在开发中，因为电网等能源板块其实数据化已经做得非常好，也有通过机器学习去做电量预测、设备维修预测、原材料价格预测等需求，因此也成了机器学习平台的重要应用方向。
工业领域也在应用机器学习。阿里云、腾讯云、百度云等云服务厂商旗下的机器学习平台都有工业领域落地的案例。一些工业企业甚至自己在搭建机器学习平台去改善业务。
上汽集团在上汽云计算中心的基础上，与IT咨询公司ThoughtWorks合作，做了iGearAI机器学习平台，可以做全流程数据采集，形成数据集，供模型去学习训练，得到结合自己业务场景的模型，发布到线下或者边缘设备里面。目前该平台的数据主要是上汽集团内的数据，应用场景也集中在上汽集团内，用这个平台去支持集团的业务，如物理卡车自动驾驶，自主泊车，生产线的智能缺陷检测，机器设备的预测性维护等。
此外应用领域还包括零售、交通等。在零售领域，现在数据化运营方兴未艾，大企业有通过机器学习去做销售预测等方面的需求；交通领域，可以做交通路况预测、油耗预测等多种应用。媒体行业也在开始尝试，主要应用方向是智能化的内容推荐系统。曾有机器学习平台跟虎嗅谈过这方面的合作。第四范式也与人民日报社在算法层面合作，保证海量内容与用户个性化需求匹配。
不少领域都有尝试，不过还没有像金融行业一样实现规模化应用。
机器学习平台的机会在哪里？
阿里云机器学习平台PAI构架
在底层，则有数据中心、GPU集群等，做算力支持。
机器学习平台的模式，跟我们很熟悉的AI企业如商汤科技、旷视科技、科大讯飞不一样。大家都是靠着机器学习特别是深度神经网络的热潮发展起来的，像商汤、旷视本身也有深度学习平台，但发展模式不同。
商汤这类的AI企业，在与客户合作的时候，拿到数据，自己去或者找外包去做数据的整理、标注，再基于自身的技术团队去做特征提取，模型建立等，形成算法模型，工程化团队或者产品团队再结合客户需求，做软硬件结合，或者模块化，形成面向客户的解决方案。对于客户来讲，不需要有AI技术的深入积累，将解决方案部署完后，去用并评估效果做反馈即可。
而机器学习平台这种模式，是提供数据整理、数据标注、代码开发、模型建立、可视化等方面的工具，去提供给客户，给客户做培训，客户使用这样的平台产品，去治理企业内外部积累的各种数据，并用机器学习的方式，以模型来指导、改进业务。客户不是简单的接受并部署一个解决方案，而是得到一个规模化应用机器学习的工具，参与到AI开发当中去，应用这个工具去改善业务。
传统的数据挖掘、数据分析更偏重数据洞察，机器学习更偏重于预测。例如第四范式与石化客户合作，用机器学习平台预测原材料的价格走势。第四范式副总裁柴亦飞表示，平台会整理价格的历史走势，给出一年里面大宗化工的原料的价钱的走势是怎么样的，然后用一些回归算法去预测这些大宗的商品在未来1-7天里面的价格大概是怎么样的。
但接受AI公司一个打包的解决方案，看起来更省事。为什么还要用一个机器学习平台，自己参与建模开发？
其实客户的类型是多元化的，需求也是多样的。机器学习平台的客户往往是这样：
一些客户，比如银行、券商，本身有挺大的技术团队，业务的数据化程度也很高，同时对于数据安全的敏感度又比较高，更适合用机器学习平台去做业务需求中的AI应用。
传统制造业领域的企业，很难招到非常核心的、对算法和业务都很好理解的人，去使用机器学习平台可能是个好选择。
另外，购买AI解决方案，更适合于单一环节，且目标很明确，比如人脸识别、语音识别等感知方面的需求，这样成本更低，自己去开发费时费力；而机器学习平台所解决的，往往是数据智能方面的问题，比如想要解决影响产品销售的核心环节到底在哪里，某种产品的价格趋势是怎样的，就需要从数据中找到答案，这类问题往往是需要连环的、持续的跟踪研究，不是单次的研究就打住了。
这种需求更适合机器学习平台工具去解决。银行既需要从云从、商汤这样的公司去购买人脸识别的解决发案，也需要借助机器学习平台去挖掘数据中的信息，做反欺诈的业务，以及流程优化等管理任务。
从这些角度看，机器学习平台有客观的需求存在。
机器学习平台有局限性，赛道内独角兽少
看上去前景不错，但在喧闹的AI领域，机器学习平台有点低调，发声不多，领域内的独角兽相比于其他赛道也更少。
原因有这么几点：
很难获取中小企业客户
交付成本也不低
还有个问题是交付成本。像AI四小龙这样做行业解决方案的公司，方案的复用性不够高，做每个项目都要投入相应的团队，因此边际成本不易下降，在财务表现上，营收虽然快速增长，但盈利艰难，就像要在香港上市的旷视科技，2016年-2018年，旷视科技一直处于亏损状态，扣除非经常性损益，也只是实现微利，2018年和2019年上半年的营收利润率也都只有2.3%和3.4%。
做机器学习平台的公司，相当于为企业建立AI中台，将AI应用中很多可复用的工具提炼了出来。但依然会面临交付成本的问题。第四范式副总裁柴亦飞曾表示，在四大行做平均一个场景的交付代价在3-5个月。此外对于投入的项目，要为客户做两周左右的培训，让客户的数据分析人员、技术人员了解这个平台。一些客户比如永辉，还建立合资公司去推动项目的落地。交付的成本也不低。当然机器学习平台与客户的合作不是一次性的某个项目，而是往往会持续，这与AI四小龙的项目交付不尽相同。
不同行业的客户，交付成本会有一些差异。孙元浩表示，有的行业比如券商要研究量化策略，要自己去做风险分析，本来就有一支很强的数据分析团队，在这类行业，交付成本会比较低。银行类客户大致也是如此。这两个行业交付成本相对来说低一点，但在其他行业中，可能你需要直接打包解决方案给他，因为客户没有这样一个数据分析团队去做模型。
长于线上场景，难以处理线下业务
此外，目前机器学习平台更适合处理线上化的业务，在处理线下业务方面能力还不太够。
谭黎明表示，之前也考察了市场上的平台，发现大多是处理已经线上化的交易数据，应用也集中在金融领域，场景相对简单，不能适合上汽本身的业务需求，很难把AI全流程打通。上汽作为制造业企业，数据多是在生产一线通过传感器等手段，去采集数据，且需要根据AI开发需求去从若干个维度去采集数据。一个通用的机器学习平台很难做到。上汽自己做机器学习平台，把生产流程的信息都可以打通，上了平台的数据都整理出来，数据越来越多，做线上化的数据标注，标注的结果会交给机器，去训练模型，支撑更具体的业务。
制造业很多都是定制化的场景，不存在通用的解决方案，能够解决所有的情况，所以在市面买不到一个东西，帮助解决这些问题，所以企业必须具备自己的能力。此外，企业收集的业务数据比较敏感，也不合适在通用的机器学习平台上去训练。
机器学习平台的未来
这样来看，做机器学习平台的公司，确实面临这样的风险，作为潜在客户的大企业自己去做机器学习平台，市场可能进一步被分割。
作为平台来讲，要做的是提升技术壁垒，去实现更好的研发效率，以增强对客户的吸引力，也减少客户自己去做机器学习平台的想法。这也是众多的机器学习平台纷纷在自主机器学习、图计算等新领域投入研发精力的原因。有了这些技术，算法模型自动生成的能力更强了，而自己去做，研发成本很高。这样就能把客户锁定住。
除了技术上，还有运营上的策略，例如第四范式与永辉成立合资公司去推动AI的落地，也是想在资本、股权等层面去加强与客户的联系。柴亦飞表示，和永辉战略合作，里面有几个同事是第四范式输送过去的，他们到成立的合资公司里面上班。
柴表示：在某种程度上你和客户是甲乙方的关系，给他做一些项目，还是只能在外围做一些探索，而如果双方是成立合资公司这样的合作，真正能够切入到他的核心业务一起研究一下什么事情是值得做的，这种合作方式最直接。
此外，机器学习平台可能需要给客户提供更多工具，因为要做机器学习平台，首先要有数据平台，解决数据处理的问题。在数据处理的更前端，要解决数据的生成、收集的问题。机器学习平台如何向中小企业去下沉？一个很重要的路径就是通过传感器、摄像头等设备，让企业更多业务数据化，再做数据的梳理，再做机器学习。
在未来，机器学习平台的垂直化也是一个方向，通过对一个领域的深度聚焦，研发方向、产品设计思路也都更有行业特色。ThoughtWorks数据与智能服务技术总监冯英睿认为，未来场景化的机器学习平台应该会出现。
垂直化平台接触了行业里的大量数据，可以做自动化的数据预标记，很快地做模型发布上线。而通用平台的数据从头开始逐个去标，肯定就是劣势。
另外在复杂的系统中，比如自动驾驶，复杂模型是由很多子模型组成的。在部分场景下边，有些模型可以直接在平台上确认选择勾选。这样，很多模型对企业来讲也不用训练。这样场景化的机器学习平台会有一定优势。