對于任何值得加以認真對待的云方案，其都需要滿足用戶對于功能的不斷追求。機器學習顯然應該被列入這份需求清單當中，而各大云服務供應商如今也已經拿出了自己的答卷。

不過其具體實現方式則又是另一碼事了。除了“設計API對開放式算法市場”模型，市面上還存在著“涵蓋一切對夠用就好”這類衍生方案。下面我們將一同了解四大云服務供應商——IBM、微軟、谷歌與Amazon——如何各自實現機器學習技術。

IBM:率先起錨，沃森掌舵

自當初IBM公司宣布將其沃森AI系統轉化為可消費服務以來，相關問題可謂越來越多。它會以怎樣的形式體現?客戶如何對其進行消費?不過最重要的仍然是，此舉能給IBM的云巨頭發展之路帶來怎樣的影響?

經歷了兩年的時光與變遷，如今IBM公司已經在其Bluemix PaaS之上推出了一整套機器學習服務組合，具體包括天氣預報、語言分析系統、圖像識別、語言翻譯以及情緒與語調分析等等。

在全部立足于云環境交付某種形式的機器智能方案的廠商當中，IBM公司擁有最為可觀的發展野心。更重要的是，藍色巨人也一直在努力讓這項高科技成果更接地氣，而其具體體現就是分析與報告機制。(正處于發展中的沃森似乎還在通過一系列戰略性收購沖擊其它領域：氣候、醫療衛生以及更多層面。)

目前的問題并不在于沃森服務是否能夠找到合適的起效平臺——假以時日，相信答案會是肯定的——而在于這些服務能否在特定領域取得良好進展，并幫助IBM找到合適的投入節奏。目前大部分此類服務選項都需要慢慢找到適合自己的用例，而IBM方面亦認為Spark服務(或者其最新推出的仿AWS Lambda服務，OpenWhisk)更容易賺錢。

某些企業已經開始將沃森分析服務以創造性方式引入業務。不過盡管IBM公司明確表示其有信心將沃森發展為一項年價值100億美元的業務，但擺在其面前的發展道路仍然非常漫長——漫長到令這項營收目標顯得有些遙不可及。

微軟：由您構建、為您構建

正如IBM擁有沃森，微軟擁有Oxford項目——這是一整套經過精心設計的高級API組合，涵蓋機器視覺、語音識別與語言分析。這份API清單并不像沃森那樣廣泛得夸張，但微軟提出的既定目標卻與藍色巨人基本一致：構建一套精心設計的API，旨在充分發掘機器學習的潛能。

Azure Machine Learning Studio可能是目前微軟機器學習發展計劃中最為重要的組成部分。在這里，人們能夠導入自己的數據、以此為基礎訓練機器學習模型，而后將得到的模型作為API通過REST接口進行共享。IBM公司在自家Bluemix上的預測性分析服務中也提供類似的功能，不過微軟的Studio存在時間更長且表現得更具泛用性。

IBM與微軟雙方正在努力構建兩種不同風格的機器學習服務。一種風格在于位居幕后悄悄鼓搗，并主要使用經過規劃的數據集與經過調整的行為(沃森API、Oxford項目)，另一種風格則作為通用型平臺，允許各類機器學習服務以此為基礎實現構建、共享甚至是商業化(Azure Machine Learning Studio與預測性分析服務)。

不過微軟與IBM之間的最大區別并不在于服務，而在于動機。微軟公司只是希望通過云業務反哺自己的其它業務類型——例如游戲業務——這意味著其并不像IBM那樣面臨著生存壓力。不過這并不是說微軟正盲目地邁出自己的機器學習發展步伐。

Amazon與谷歌，支持極簡主義

如果非要給谷歌與Amazon的云方案總結出一種指導方針，那就是“少即是多”。也許更準確的說法應該是“夠用就好”，這一點自然也體現在了兩家企業在所提供的云機器學習服務身上。

在谷歌方面，谷歌Cloud Platform目前只提供兩項機器學習類服務：谷歌翻譯(一套API，支持谷歌的現有機器翻譯引擎)以及谷歌預測API。前者是由谷歌完全掌控的內部API。而后者盡管名號不響，但卻屬于一項廣泛的包容性服務，允許用戶以等同于Azure Machine Learning Studio的方式上傳數據與訓練模型。(數據可以導出自各類谷歌現有服務，例如谷歌BigQuery。)

Amazon Machine Learning與谷歌預測API在模型層面上非常相似，可根據數據實現訓練并被用于預測方向。這是一項經過刻意簡化的服務，這可能是為了面向只希望解決具體特定問題的開發人員，或者是因為Amazon希望首先進行市場試水。

對于Amazon與谷歌來說，雙方的目標在于引導開發人員盡可能簡化需求定義，并利用已經存在于其云環境中的數據——也就是“夠用就好”模式。IBM與微軟則擁有更為遠大的目標，其中IBM的野心最大，當然一旦失敗也將面臨最為慘重的損失。

原文標題：How IBM, Google, Microsoft, and Amazon do machine learning in the cloud

 【51CTO.com獨家譯稿，合作站點轉載請注明來源】