从实际案例来看，例如在传统工业质检领域，致力于机器视觉在工业质检方面应用的大恒图像就与飞桨合作，解决了传统基于机器学习特征工程方法对外观缺陷类质检无法快速进行场景切换、场景与场景之间的迁移研究成本高、识别效果差等痛点问题，在飞桨深度学习的框架下生成模型，实现产品缺陷分类，实际应用到流水线检出率已达99.8%。
类似的案例还有很多，但总而言之，飞桨走的产业智能化升级联动路线在全球范围内十分独特，反过来看，这恰恰也是中国现阶段独一无二的产业发展现实所决定，飞桨顺应了这个趋势。
而在国际上，准确地说是在美国，深度学习框架的竞逐颇有“百花齐放”的意味。
例如微软的Cognitive Services注重垂直能力经营，其深度学习平台服务涵盖图像、视频、文本和语音等各个领域，2018年重点推出的完全自动化的平台Microsoft Custom Vision Services就是视觉领域的强化，这符合微软一贯从垂直领域做产品而不做大平台的调性。
而Facebook的Pytorch则更像是一个学究型开放平台，实验室气质十分浓厚，Pytorch一开始就致力于为研究者服务，例如在2019年，引用PyTorch的论文数量就爆速增长了194%，在学院派AI阵营中颇有地位。
不过，Facebook也在试图改变这一境况，现在包括Uber等大公司也开始采用PyTorch。
与之对应的是，是有评论认为，“PyTorch搞定研究，TensorFlow搞定业界”——作为Google家的产品，TensorFlow比冤家对头PyTorch更有现实应用色彩，用来为实验室刷AI论文的痕迹不那么浓。
而TensorFlow打出旗号——任何人都可以用，学生、研究员、爱好者、极客、工程师、开发者、发明家、创业者——其在安卓之外再度垄断一个操作系统的野心也十分明显了。
产业应用“必要+充分”，中国深度学习具备唯一的生态“完全体”基因
深度学习在中国的境况，与互联网在中国的境况类似：庞大的应用市场和需求，哺育出最广泛、全面的前沿技术与产品，这些技术和产品在持续“供养”下又能极大满足市场需求，并实现国际领先。
互联网、AI等的弯道超车就是这个逻辑，这种“必要+充分”的双向循环，即是典型的生态“完全体”，是中国所有前沿技术应有的独特优势，飞桨也处在这样的环境中，只不过是放到产业视角下看。
1、越是产业规模庞大的国家，越需要集中的深度学习能力共享
深度学习平台本质是AI能力的一种云上“共享经济”，平台把自己的知识储备拿出来，通过框架设计共享给更多开发者，“操作系统”的意义即在于此。
