谈到很多人眼中、心中的人工智能，通常都是人脸识别、聊天机器人等，认为人工智能可以等同于人机交互，其实这些只是应用场景而非“AI 之心”。
AI的核心支撑技术，是围绕机器学习（Auto Machine Learning）构建的技术框架。
关于AI的应用普及现状，天云大数据CEO雷涛指出，“AI民主化的核心是将科学家在传统实验室完成的工作，赋予更多人使用，降低使用门槛，让更多的开发者、业务人员能够使用人工智能。”
但如今，人工智能在各个领域的发展并不均衡。
例如无人驾驶、人脸识别及机器人等领域，因其算法与目的都很明确，又因媒体过多的关注以及推动，再加上资本与数据的聚焦，十分容易达成尽如人意的实践成果。
相反来说，面对算法纷繁复杂、数据私有的商业智能领域，AI应用程度更是参差不齐。
但从实用场景出发，例如打车软件、测序基因、互联网快递等，这些才是AI实际帮助我们解决问题的日常。
手机、汽车从诞生到大规模量产的事实表明，新技术的发展历程往往经历数十年乃至上百年，AI的量产也同样面临着困难重重。
相关数据显示，到2020年，市场对AI应用的需求将增长300%。旺盛的需求、偏少的人才供给，将会导致AI人才成本急剧高昂，只有通过升级大规模生产工具，才有望满足需求。
就在不久之前的全球人工智能大会上，Google对此提出的解决路径也是供给规模化的AI工具。
无独有偶，天云大数据同样提出了解决问题的规模化AI工具， 通过构建支持Auto Machine Learning特性的PaaS化AI平台MaximAI，尝试为客户做AI赋能，减少对数据科学家的依赖，让企业获取机器智能像读书一样简单。
应用机器学习技术解决现实世界问题是昂贵而困难的。
利用基于AI的技术方案来克服这一应用过程中的难题，就是自动化机器学习(AutoML)，AutoML指的是”用于优化AI”的AI。
微软和谷歌先后利用图片分类的案例给出了其对AutoML的答案：建模者只需付出最少的操作(上传、选择和评估)，利用微软或谷歌云AI平台的能力，即可获得具有一定精度的机器学习模型。
天云大数据自2015年即开始开发分布式人工智能平台MaximAI，目前MaximAI已经迭代到3.0版本，实现了算法的自动化优化，即Auto Machine Learning。
也就是说，客户在选择算法时能更加简单，像基于Android开放应用一样，基于天云的PaaS化AI平台去构建机器学习模型。
同时，还可以实现notebook环境下的容器化部署，根据任务类型自动确定算法，特征工程自动化，自动衍生或合成特征，模型超参优化智能化。
经过几次平台迭代，天云平台已经可以实现模型的智能化生产，真正实现Auto Machine Learning。
“AI不是少数人的专利，AI模型的PaaS化（平台即服务）、智能化成为突破AI产业化应用的关键。未来人工智能发展趋势更应凸显规模化生产能力，让企业获取机器智能像读书一样简单。”雷涛最后总结道。