巨头如何在云端搞机器学习？
IBM、谷歌、微软和亚马逊这四大云巨头都将机器学习作为一项服务来提供，但是它们实际开展的方式就跟这些公司本身一样大不相同。
塞尔达·耶各拉普/文 刘荻/编译
但是它们如何搞这一块又是另一码事。除了“精选API vs开放式算法市场”这种模式外，还有“一应俱全vs刚刚好”这种变种模式。IBM、谷歌、微软和亚马逊这四大云服务提供商在机器学习方面的玩法如何？
IBM：Watson掌舵，控制航向
IBM初次宣布要把Waston人工智能系统转变成一项消费服务时，问题接踵而至。它会是什么样子？它将如何被消费？但最重要的是，它会给予多大的支持，帮助IBM竭力将自己重塑成云巨头？
两年后，IBM已经在其Bluemix平台即服务（PaaS）上推出了一系列基于机器学习的服务（比如天气预报），或者用于分析语言、识别图像、翻译语言、分析情绪和语调等方面的系统。
在云端提供某种机器智能的所有公司当中，IBM的目标最野心勃勃。更重要的是，IBM还一直在竭力用更接地气的工具补充高大上的工具，主要涉及分析和报告。（日益改进的Waston似乎也是IBM在天气和医疗保健等多个领域，宣布多次战略性收购的动力）。
问题不是Waston服务会不会得到实际采用――它们迟早会得到实际采用，问题是这些服务会不会以IBM觉得舒适的步伐得到采用，IBM对此可谓孤注一掷。这些服务大多数需要时间才能找到使用场合，而IBM早已被广泛接受的Spark服务（或者其类似AWS Lambda的新服务：OpenWhisk）更容易立即赚钱。
一些企业组织已经开始另辟蹊径，将Watson的分析服务投入使用。但是，虽然IBM表示它认为自己能够把这一切发展成年收入达100亿美元的业务，但是Waston到目前为止得到的采用根本不足以抵补IBM 一路下滑的收入。
微软：为客户而建
IBM有Watson，微软则有Project Oxford，这是一组经过精选的高级API，涵盖机器视觉、语音识别和语音分析。虽然API不如Watson的API来得广泛（咱们还是面对现实吧，Howold.net不如参加智力竞赛电视节目《危险边缘》的Watson那么有趣），但是微软的野心几乎如出一辙：借助一套充分利用机器学习的经过精选的专有API。
Azure Machine Learning Studio也许是微软的机器学习野心中更重要的一部分。人们可以拿来自己的数据，在上面训练机器学习模型，然后通过REST接口，将因而获得的模型作为API重新共享。IBM在Bluemix上的Predictive Analytics服务也有类似功能，不过微软的Studio问世时间更久，而且让人觉得更加通用。
IBM和微软都试图创建两种不同版本的机器学习服务。一种版本是关起门来构建的（一向如此），提供一套精选的数据集和经过改善的行为（Watson API和Project Oxford）。另一种版本是一个平台，新型的机器学习服务可以在上面构建、共享，甚至赚钱（Azure Machine Learning Studio和 Predictive Analytics）。
但是微软和IBM最大的区别不在于服务，而在于动机。微软试图转向云计算，以便自己能够适应未来的形势，这一战略得到了其他成
功的业务领域（比如游戏）的帮助，因而它并没有感觉到像IBM那么大的生存压力。但是这并不是说，微软就不知道该走哪条路。
亚马逊和谷歌：极简主义者
如果说谷歌、尤其是亚马逊有一个原则作为其云计算解决方案的指导，那就是“少即是多”。也许更贴切的说法是“刚刚好嫌多”，这包括这两家公司提供基于云的机器学习服务的方式。
以谷歌为例，谷歌云平台（Google Cloud Platform）目前只提供两种类似本文介绍的其他机器学习服务的服务：Google Translate（这是支持谷歌现有的机器翻译引擎的API）和Google Prediction API。前者是一种专有的API，由谷歌独家维护。后者尽管名字不起眼，却是一种包容性广泛的服务，允许用户上传数据，并训练模型，其方式如同微软Azure Machine Learning Studio。（数据可以从Google BigQuery之类的谷歌服务获取）。
Amazon Machine Learning类 似Google Prediction API，原因在于模型可以用数据来训练，并用来进行预测。这是一种有意简化的服务，为的是吸引只想解决某个特定狭窄问题的开发人员，或者是由于亚马逊想先试水市场。
在亚马逊和谷歌这两种情况下，它们的目标都是开发人员，这个群体有狭窄定义的要求，又有已经在那些云上的数据――这就是“刚刚好”模式。IBM和微软将目光投向广泛多得多的领域，虽然IBM努力想拥有最多的服务，但是输得最惨的可能也是它。