煤矿管理人员特别需要实时、智能化的监控系统，帮助他们及时发现安全隐患，并快速响应。现在，基于人工智能的监控方案，能快速识别出传送带上的“非法入侵物”，及时将报警图片发送给指挥系统，管理者或系统会立即叫停传送带。
在矿井的井上和井下，还有许多类似的“安全禁地”。现在，安全监控智能系统正被快速复制到各个场景下，对安全事件进行识别、预警和响应。
不仅是煤矿，在很多工业企业都有着靠人工很难解决的问题。像水电站，当蓄水池水位达到一定高度时就需要及时开闸泄洪。不久前，一家水电站因为泄洪不及时，让下游两个村庄遭受水灾。这家水电站的管理者很头疼——怎样才能对100多米高的水坝中的水位进行准确预测，制定合适的泄洪时间表？
现在，基于人工智能的预测系统，通过学习过去10年甚至更长时间的庞大历史数据，包括水坝水位、降雨量、地表干燥度、气候变化等，来预测未来一段时间内的水位情况，精度可达厘米级，并给出恰当的泄洪时间点。
“人工智能、深度学习正在帮助我们解决靠人工很难突破的复杂场景问题和需求。”才云首席方案架构师杜宁说。才云科技（Caicloud）已为上述工业企业提供基于人工智能的解决方案。
人人都能用的谷歌开源技术
才云科技是一家创业公司，成立于2015年，几位创始人来自谷歌和亚马逊。在他们中间，CEO张鑫是原谷歌集群管理组核心成员，曾管理谷歌世界级的数据中心和庞大的服务器集群；CTO邓徳源是容器技术K8开源代码项目全球前十的代码贡献者；首席大数据科学家郑泽宇基于谷歌内部深度学习系统，提出产品聚类项目，用于衔接谷歌购物和谷歌知识图谱（KnowledgeGraph）数据，开启在谷歌搜索页面投放谷歌购物广告的业务。
“创办才云很大的契机是当时Kubernetes技术开源。”郑泽宇说。Kubernetes是谷歌集群管理系统的开源版，几个月后，谷歌又将其深度学习框架TensorFlow开源。这些开源技术能从底到上把云计算和大数据很好地融合。而才云的年轻人希望把谷歌技术分享给更多外部行业企业，让大家享受到技术福祉。
那么，才云怎样提供有价值的服务呢？它希望提供从底到上的整体解决方案——这更有助于大数据、人工智能技术落地。
原来，Kubernetes开源版本仅提供核心技术——就像一个新鲜椰子，如果你没有工具，是喝不到壳中的椰汁的。于是，才云根据每家企业现有的硬件环境，把Kubernetes需要的计算、网络和存储资源对接好。之后，因为Kubernetes只能管理一个集群，才云为企业搭建“集群联邦”，实现企业多个环境，如开发环境、测试环境、不同子公司的一体化管理。这些服务帮助企业将Kubernetes容器技术落地。
再之后，在基础设施之上，TensorFlow落地需要的工作就更重要了。TensorFlow只是一个非常核心的工具包，它在生产环境中的稳定性，它的调度、监控、用户管理都还不完善。企业需要一个对TensorFlow设计理念有深入了解的团队，帮他们在生产环境中去落地。才云就提供这样的落地服务。
才云科技首席大数据科学家郑泽宇说，至少在三五年内，在绝大部分场景下，通用人工智能提供不了帮助。人工智能一定要定制化才能落地深度学习像当年的Hadoop
为什么深度学习生态还不完善，这是因为深度学习在全球都还是新兴技术。“现在的TensorFlow，有点类似于2008年的Hadoop，是一个突破性技术，但需要付出学习成本。”郑泽宇说。
为了帮助大家去熟悉TensorFlow，郑泽宇出版了第一部TensorFlow中文书，并与国内高校，如他的母校北大和一些培训机构合作推广TensorFlow。
除了谷歌的TensorFlow，大企业相继对自身的深度学习框架开源，包括亚马逊MXNet、Facebook的Torch以及百度的PaddlePaddle，目的是竞争标准，瓜分火热的深度学习市场。
“我们选择TensorFlow很重要的原因，是底层环境的Kubernetes和上面的TensorFlow源自谷歌，因此它们也最融合。还有一个重要原因是TensorFlow在国内呼声最高，用户最广。”郑泽宇说，“你从出书的情况也能看出几分，TensorFlow有5本中文书，Caffe有一本，MXNet我还没看到。”
据悉，谷歌已有上万个项目应用TensorFlow。而在图像、机器人领域应用较多的Caffe，广度上不如TensorFlow。TensorFlow的积累从2011年就开始了，比其它深度学习平台要早几年。
人工智能落地要定制化
目前，国内外大企业如谷歌、亚马逊、阿里云都在提供现成的AI产品，才云这类企业提供的开源AI落地服务还有价值吗？
“大企业提供的AI针对的是非常通用的场景。”郑泽宇说。如果企业的需求能归纳成通用需求，如要用OCR（光学字符识别）识别纸上的文字，可以使用通用AI服务。但对于大部分具体行业中的具体场景，如在昏暗的矿井下识别异物，通用AI是肯定解决不了问题的。
“这就牵扯一个问题，为什么人工智能出来这么久，但落地不是特别好？这是因为人工智能是一种对定制化要求非常高的技术。”郑泽宇说，“至少在三五年内，在绝大部分场景下，通用人工智能提供不了帮助。人工智能一定要定制化才能落地。”
这就需要一批提供人工智能服务的企业，提供贴合企业场景的方案，把“智能”落地到业务中去——
他们要结合企业原有系统，构建从底层基础设施到上层人工智能算法的整套解决方案。这个过程要考虑与原有系统的兼容性，并与原有系统打通。
他们要针对特定行业和场景，如煤矿监控采集数据，训练模型算法。并且还要通过深度学习，加速人工智能方案在不同场景下的迁移，降低成本。
郑泽宇解释说，在深度学习技术出来前，人工智能应用的场景非常专，迁移很难，甚至不大可能。有了深度学习，之前AI系统学习到的技能，可以成为新技能的基础。就像人们学会了普通话，再学一门方言要快得多一样，现在，才云人工智能技术处理一个新场景的时间是原来的1/4到1/8，在1个星期到1个月之间，这更有利于人工智能落地。
聊出来的需求
除了要解决技术落地的挑战，郑泽宇他们遇到的另一个挑战是找到企业可能的需求。“因为做技术比较久，怎么把技术与企业的痛点做一个结合是件困难的事”。这也是他回国后做得最多的一件事。
郑泽宇发现，国内传统企业思想很开放，“都在向技术型企业转型”。他们会关注最新技术，希望利用新技术来解决他们的问题。一旦技术被证明能帮助他们解决问题，对他们的吸引力就很大。
“我现在的方法就是与搞业务的人多聊，了解他们最烦恼、最不方便的事，到处多看，这就是找需求的秘籍。”郑泽宇说。
现在，才云团队正与一家火电厂探索节能降耗的解决方案。在谷歌，通过人工智能技术，监控调节数据中心制冷设备的运行参数，一年就能节省6000万美元。这样的应用理念正被搬到国内。
在这家火电厂，排烟温度每降低1度，就能节省1000多万元成本。如何降低排烟温度问题，靠人的经验很难解决。“我们利用深度学习，分析当发电机组的哪些阀门和传感器进行调整，可以把温度降下来。”杜宁说，目前项目正在进展中。