在应用效率上，PaddlePaddle在运行RNN算法时比其他主流框架占用更少的内存，速度却提升了1－2倍。

在训练部分的调用方式上PaddlePaddle集中了浏览器和客户端等多种主流调用方式，并支持CPU、GPU、FPGA等多种硬件，从而极力降低开发成本。同时还支持多种深度学习模型，使得开发者可以更关注模型的高层结构，抛开底层编码，使得 TensorFlow 里需要数行代码才能实现的功能，在 PaddlePaddle 里可能只需要一两行。

除此之外，PaddlePaddle还展示出了很多适用于应用层面的功能。例如在最新的Fluid版本中让开发过程更接近常见的高级语言，减少深度学习中“黑箱”状况的出现，让开发者不再用“玄学”调参，更进一步明晰开发和优化中产生的对应关系，使得开发过程更有可复制性。

还包括PaddlePaddle支持弹性使用计算资源完成深度学习训练，根据需求变化设置资源消耗的弹性区间。对于时常面对着繁多计算任务的大型企业来说，此举可以帮助他们节约大量资源，让深度学习的开发和训练成本进一步降低。

近日有新闻报道，Google发布TensorFlow．js，支持在浏览器上进行机器学习的相关工作，但在降低开发者使用浏览器发展机器学习的门槛方面，PaddlePaddle确实做得更早也相对成熟。同时为了让更多开发者和企业能够将现有项目接入到中PaddlePaddle，PaddlePaddle做到了从基础训练到分布架构彻底开源。这一点即使在以开源精神著称的硅谷都很稀有。

当然在中国市场范围来看，PaddlePaddle最大的优势还是拥有唯一提供适用中文文档与数据集的开发框架社区。中国市场作为区别于欧美世界之外的独立极，坐拥庞大的中国AI产业与开发集群，这些产业和开发者都需要适用于本土的经验体系，也自然会被PaddlePaddle的社区氛围吸引。综合这些优势，PaddlePaddle完全可以与欧美巨头们一战。

关注未来红利：PaddlePaddle的崛起带来中美AI对标新命题

在理想状态下，通过开发框架牢牢把控开发者体系，在自身平台上不断产生生态效应，收割未来必然出现的AI时代现象级产品与应用，这一流程才是巨头们所关注的目标。

同时我们要知道，所谓的把现象级产品和应用放到AI这一定语之下，就意味着这些应用可能与社交媒体联系，关乎着我们的舆情数据，也可能与自动驾驶联系，关乎着每一辆汽车的行驶路线。

在这时我们不得不提出另一个可能，在中美贸易战的大背景下，中国AI开发群体，尤其是AI企业，使用TensorFlow等平台的风险指数正在提升。

就拿美国向全球提供免费GPS技术来说，曾经很多国家甚至在军用设施上也利用GPS进行定位技术，但在99年印巴战争时，美国出于利益直接关闭了印巴地区所有的GPS服务。想象一下，两军交战之时，忽然所有人都不知道自己的位置信息，这是一件多么恐怖的事情？

最近中兴被裹挟在中美贸易战争中，进而引发的芯片恐慌更提醒了我们，市场经济和全球化不会是一柄绝对中立的保护伞，技术的自主权很可能在关键时刻成为阿克琉斯之踵。这一点在人工智能中更是如此。

如今TensorFlow早已不再是单纯的开发框架，而关系着技术、云服务等等多种模块。如果同样的状况复制到AI上，如果有一天深度学习模型已经埋藏在我们生活作业的种种细节深处，谷歌却因为种种原因停止向中国提供云服务，我们连迁移模型都十分被动。因而造成的结果很可能比今天的芯片问题更加恐怖，自动驾驶突然失灵，自动化工业生产突然向人力求救，这一切造成的不仅仅是生产效率的降低，而是人们的生活陷入混乱。

这时PaddlePaddle对于中国开发者的优势，就不仅仅是易用性和灵活性了。PaddlePaddle的适时崛起，似乎在将开发者引入另一种可能：建立完全本土化的开发框架和社区，连接在地化的数据、计算服务和技术，中国AI可以实现由开发到技术创新，再到产业模块与商业化的完全自生态流程。而PaddlePaddle的快速部署优势，可以让中国开发者在世界范围内的AI应用竞赛上获得更多速度优势。或许当海外还在利用TensorFlow调试底层代码时，中国开发者就已经通过PaddlePaddle实现模型的应用了。AI自生态的靠拢过程不是因为躲避风险，而是因为本土化的确是更高效的选择。

这样一来，中国AI领域就可以完全脱离对美国的依赖，这在两国科技产业竞争的大背景下，由此带来的自主和安全就显得尤为关键和重要。如今深度学习开发框架的竞赛刚刚开始，代表着中国AI开发品牌，甚至中国AI未来红利的PaddlePaddle如何布局，或许会为这场竞争增加更多看点。

（脑极体）