云竞争加剧倒逼IBM向竞争对手开放AI数据。IBM周二在旧金山的年度Think技术大会上宣布，将向竞争对手亚马逊、微软等云服务平台开放部分人工智能系统Watson AI。也就是说未来在亚马逊云AWS或者微软云Azure上运营的企业用户也能获取Watson AI的数据。

这是IBM走向开放的重大举措，IBM当天股价大涨超过1.5%，今年以来，IBM股价累计上涨已经超过20%。

巨头抢滩万亿美元云市场

IBM董事长兼CEO Ginni Rometty表示：“开放Watson AI是重要的篇章，不仅仅是对Watson，而是对整个混合云行业的里程碑事件。我们认为这是一个万亿美元的市场，IBM将成为第一。”

过去多年来，只有在IBM云上运营的企业用户才能获得Watson的数据。早在2016年，时任IBM首席财务官、现任IBM高级副总裁Martin Schroeter曾表示：“Watson和我们的技术只能在IBM云上运营。”

但近年来，IBM已经打破了这种封闭的策略，并试图进一步扩大Watson的影响力。此前IBM还宣布斥资340亿美元收购开源软件公司红帽（RedHat），不过这起收购还有待相关部门批准。

“IBM将开放提升到一个从未有过的高度。”IBM数据和AI总经理Rob Thomas在Think大会上表示，“在大部分大公司把数据存储在混合云的背景下，这些企业需要选择并将AI应用到它们存储在任何地方的数据。” IBM将通过谷歌旗下的开源软件包Kubernetes实现将数据连接到竞争对手的云服务平台。

去年5月，IBM已经推出了基于Kubernetes的名为Cloud Private for Data（ICP for Data）的新服务，这一技术能够使用户通过使用Watson实现为机器学习建模或者创建数字聊天机器人等任务。

IBM数据和AI副总裁Daniel Hernandez接受第一财经记者专访时表示：“IBM现在不仅为一朵云服务，而是为所有的云服务。我们也是唯一一家将AI数据开放给所有云平台的巨头公司。”

Hernandez还向第一财经记者介绍道，Watson AI系统能够帮助金融、医疗、呼叫中心等领域的客户提升业务能力。Watson AI能够帮助客户在自然语言处理和个人助手等人工智能领域进行优化，从而在激烈的市场竞争中确立领先地位。

已经有金融和通讯等领域的企业开始积极部署人工智能生态圈。上个月，思科（Cisco）的竞争对手、美国通信领域领导者Avaya宣布扩大AI生态系统，并纳入了人工智能和云计算解决方案。新的生态系统将能使得Avaya及其伙伴开发出面向统一通信和联络中心解决方案的人工智能与机器学习技术，从而提升企业员工的工作效率。

AI发展推动云业务需求激增

IBM策略的转向也是大势所趋。这家超过百年历史的老牌科技公司已经摈弃硬件全面向软件转型。IBM的公有云份额远低于竞争对手亚马逊云AWS和微软云Azure，位列第三。根据IBM上个月公布的最新财报，2018年第四季度，科技服务和云平台部门营收为89.29亿美元，云业务营收增速已从第一季度的20%降至第四季度的2%，增速明显放缓。

研究机构Hurwitz&Associates分析师Dan Kirsch告诉第一财经记者，IBM的开放策略“意义重大”，因为用户对技术的需求已经不再仅仅依赖于一家公司的技术。“如果你和客户说你只能用我们的软件和产品，他们将会不再搭理你。”Kirsch说道。

亚马逊、微软、谷歌的等竞争对手都在大力推动人工智能的布局，原因是随着深度学习技术的发展，大量的数据需要在云上进行处理。谷歌新任云业务CEO Thomas Kurian在同一天于旧金山举行的高盛科技大会上表示：“谷歌云正在以前所未有的速度发展，谷歌将会在云业务方面采取更加激进的竞争举措。”根据谷歌公布的数据，来自云业务的收入每季度超过10亿美元，包括公有云和云应用。亚马逊在最新一个季度公布的云业务收入更是高达74.3亿美元。

另一方面，IBM开放Watson也是向亚马逊、微软和谷歌的妥协——在深度学习方面，IBM已经失去了传统的领先地位。Gartner研究副总裁盛陵海对第一财经记者表示：“IBM开放Watson AI，一方面扩大了用户的选择范围，他们以后在用Watson的时候，不一定要用IBM的云服务；另一方面也能借此向其它云服务厂商推销Watson AI，让业内一起推动Watson AI的发展。”

不过尽管企业认为在开发软件和IT产品时，把自己限制在一个特定的云服务是不利于公司发展的，但是目前企业仍然没有大范围开始使用像Watson这样的人工智能系统，而是更愿意将公司数据上传到像AWS这样的云平台上，并依靠这些云服务厂商提供机器学习的软件能力。

IBM相信这种趋势将发生转变。IBM副总裁、首席数据官Seth Dobrin博士对第一财经记者表示：“过去的方式只适合小规模、对时效没有很大要求的数据学习，但是现在的数据规模正在变大，而且大多数情况下对时效的要求更高，比如在金融领域，反欺诈需要实时快速的数据处理，这就对人工智能的能力提出了新的要求。”