人工智能（AI），可以說是科技信息時代的大飛躍，既具備一定的類人邏輯性，又具備強大的計算能力和數據存儲能力。雖然，目前業界并不處在一個良好的投資狀態，但AI 　技術依舊被認為是下一個帶來巨大經濟效益，提高社會生產力的巨大突破點。

　　事實上，在過去的這兩年時間里，AI、機器人、自動駕駛等概念已經成為最前沿的文化、政治名詞。很多研究認為，我們目前正處于這樣一個技術拐點：計算能力更強更快，數據源更豐富，深度學習算法趨于成熟，專業的硬件（芯片）和開源代碼逐漸崛起，越來越多的實用性AI應運而生。

　　AI背后的三大推手：數據、芯片、算法

　　1、移動網絡大量普及 數據結構化或爆發

　　數據可以說是機器學習的關鍵。分布全球的無所不在的互聯設備，包括移動設備、物聯網等，使得非結構化的數據大量增長，也就是說，機器學習算法能夠用來模擬、訓練和測試的數據源更加充足。

　　僅以特斯拉互聯汽車為例，截至目前，特斯拉總行程78000萬英里，公司平臺額外驅動的互聯汽車也行駛了 　100萬英里。無線運營方面，Verizon8月公布了新的傳輸標準，使得遠程傳感器聯通云端軟件的速度更快。同時，新的5G網絡也將促進傳輸數據，IDC預計截至2020年，年均數據量將達44澤字節（也就是44萬億字節），未來五年復合年增長率將達141％，大數據技術將逐漸滲透實用領域。

　　與此同時，移動網絡建立大規模數據庫和云端處理技術的成本也在不斷降低。智東西也曾在111期智能內參援引世界經濟論壇指出：預計不用三年，將有90％的人擁有被廣告商支持的無限的免費數據存儲。這是因為，硬盤驅動器的成本持續下降，激勵著數據的創造。事實上，近90％的數據是過去兩年中創建的。

　　2、GPU應用大勢 新硬件更適配并行結構

　　GPU被認為是低成本、高計算能力的處理單元，特別是針對云端服務和新的神經網絡結構，它能提高準確性和計算速率�；�于GPU的并行結構允許更快的機器學習培訓體系，遠遠優于目前廣泛使用的基于CPU的數據架構。此外，通過額外的顯卡網絡，GPU體系可以加快迭代，實現更為精確的快速培訓。

　　芯片浮點能力發展之快可以以NVIDIA GPU（GTX 　1080）為例：該芯片性能為9T浮點運算，價值約700美元，也就是每G約8美分。參考1961年的IBM 　1620，不考慮浮點運算能力的話，通過串聯實現的每G浮點運算需耗9萬億美元。

　　智東西也曾在102期智能內參中強調GPU的市場前景，并分析市場份額。相比于CPU，GPU 具有數以千計的計算核心，及強大、高效并行計算能力， 可實現 　10——100倍應用吞吐量，特別適用于AI 海量訓練數據情形。目前深度學習解決方案幾乎完全依賴 （NVIDIA的）GPU。

　　3、算法不斷優化 大公司推動開源

　　越來越多的算法研究推動著深度學習的實用性，伯克利、谷歌、Facebook也紛紛公開自家的源代碼框架，也就是Caffe、TensorFlow和Torch。源代碼的開放吸引著越來越多的軟件開發者嘗試新的算法，不到一年，TensorFlow就以及該形成了一個活絡的存儲庫GitHub，作為目前最大的開發商合作網站。當然，并不是所有的AI都出自于開源框架。

　　AI產業的三大類布局

　　從技術更新周期來看，過去50年，計算機在摩爾定律的推動下不斷進步，僅僅在系統框架方面，計算能力、存儲容量帶寬、編程語言轉換都有很大的進展。參見90年代技術變革帶來的經濟繁榮，推動了軟件、硬件、網絡公司的整改。

　　公共軟件公司1995至今市值從2億美元暴漲到5億美元，只有2000年左右趨于平緩。顯然，AI也有這樣的趨勢，引領硬件、軟件、數據和服務提供商等領域的增長。事實上，谷歌、亞馬遜、微軟和Salesforce自2014年來就已經完成了17起AI相關的收購。

　　目前，科技大佬和風投人主要關注的有三個方面：DIY，也就是自主建立自己的人才和數據庫，推出新的AI棧，主要玩家包括微軟、谷歌、亞馬遜和百度；咨詢服務，為垂直和特定的領域提供專業的AI咨詢，如IBM的沃森；開發服務型AI（AI——aaS），如谷歌圖片識別模型。

　　1、DIY趨勢：云平臺和開源

　　高盛咨詢了各大公司和風投機構，總結認為，AI或者機器學習（ML）將被互聯網公司大量的使用，這就需要有效數據收集和相關人才稀缺。不過，隨著移動互聯設備和物聯網的普及，數據量越來越多，數據收集變得越來越容易。

　　目前，AI堆棧與其他前沿技術最大的區別在于，大部分的機器學習嚴重依賴于開源技術和基于云平臺供應商的服務。這是因為，AI和ML需要大量數據支持，并且按需計算。

　　目前，AI主要的基礎技術投資都來自于微軟、谷歌、亞馬遜等云服務提供者，其中，云運算的首選是GPU和FPGA，它們能夠進行并行的，快速的數據處理。很多公司都會購買這些開源或者云服務來幫助開拓客戶，減少運營成本。

　　2、咨詢服務：資本彌補技術差距

　　人才缺乏為IBM、埃森哲和德勒等公司的資訊服務營造了市場環境。因此，機器學習的相關人才有著非常大的機遇，甚至有組織舉行數據科學大賽，提供獎勵。

　　3、AI——aaS：或將造就最大藍海

　　AI需要獨特的數據集和專業的人才，這似乎使得五年內看到大量AI公司成為一件奢望。事實上，最可能的情況是，公司們利用AI提供商的數據和框架等來創造附加價值的AI服務，也就是API，研發AI應用程序是最基本的例子，尤其是圖像識別和語音識別等。目前，谷歌和微軟都提供收費API，開發者可以講該API嵌入自己的應用程序，提高產品定位和水平。

　　AI——aaS應用于垂直領域可以幫助大公司組合數據，構建機器學習模型，賣給合作伙伴或者客戶、供應商。初創公司也可以據此構建專門的數據集，用于諸如醫學成像、廣告、零售等領域。

　　值得注意的是，除了這些高端技術層面，跟我們更為密切的AI應用即聊天機器人（聊天程序，bots），這被認為是未來人機交互的入口，尤其是自然語言識別、訊息平臺和虛擬助手，是目前技術關注的關鍵點。

　　1、AI農業規模達200億美元

　　基于傳感器和衛星等技術提供的有效的視聽數據，機器學習有望幫助增加作物產量（即繁殖能力），減少肥料和灌溉成本，協作作物和牲畜疾病的早期檢測，降低勞動力成本，幫助收獲后進行分類物流，進入市場。

　　2、金融服務規模達340——4302億美元

　　機器學習和人工智能在金融服務行業有廣泛的應用，隨著數據集的豐富，AI可以用于投資決策、信貸風險概況等，利用更少的時間處理更為豐富全面的市場信息，提供專業可觀，甚至更準確的分析。

　　3、AI醫療每年能省540億美元

　　機器學習在醫療方面的可用性非常廣，能夠提供實時監測，幫助發現高回報的技術和藥物，幫助測試分析、優化治療。預計隨著機器學習的人工智能的技術逐漸成熟，將推動藥物研發過程，每年減少260億成本支出，同時還能驅動醫療信息高效化。

　　4、零售業年均消費540億美元省410億美元

　　線上對線下已經被證實是對傳統零售業的挑戰，電子商務可以積累大量的客戶信息，基于這些數據，AI零售可以幫助企業更好的為目標客戶服務，更有效的傳遞產品信息。

　　5、AI能幫助能源工程節約1400億美元

　　石油和天然氣行業的探測和采煉有時處在極端條件，因此設備和工藝的可靠性很重要，影響著項目的經濟效益。為了避免操作失誤，這個行業往往采用了過渡冗雜的工程化設備和過多的人力。事實上，AI可以幫助設計更為可靠的設備和流程，降低資本支出和運營成本，預計未來時間，基于AI的能源工程可以幫助節省1400億美元的開支。

　　可以看到，硬件、開源算法、云服務已經成為必爭之地。

　　1、谷歌：貫徹軟硬件結合的理念

　　谷歌，或者說現在的Alphabet，已經建立了獨一無二的AI檢索算法，在自然語言處理上面頗具優勢，并應用于谷歌搜索，預計還將在谷歌智能家居生態中大顯身手。公司的開源軟件庫／云計算平臺TensorFlow還在結合了很多前沿的硬件加速器，推出新的AI張量處理單元TPU。此外，收購的DeepMind也在擊敗李世石的戰役中一舉成名。

　　2、亞馬遜：籌備開源服務

　　亞馬遜AWS在云服務的布局已經頗具優勢，2015年4月，公司宣布推出機器學習服務亞馬遜ML，提供針對性的用戶體驗。今年5月，亞馬遜推出了自家的開源軟件DSSTNE，幫助建立深度學習開發庫。

　　3、蘋果：活躍的收購者

　　過去一年間，評估已經收購了Emotient、Turi、Tuplejump等AI創業公司，并雇傭了之前在NVIDIA從事GPU軟件項目的Johnathan 　Cohen，并找來Ruslan 　Salakhutdinov作為其AI研發部主管。Siri可以算作蘋果在AI方面最主要的成就之一，此外，蘋果大腦的傳言也甚囂塵上。

　　4、微軟：力推基于GPU和FPGA的云

　　微軟首席執行官納德拉介紹稱，微軟正在建立“民主化的AI（democratizing 　AI）”，目前AI研究小組員工人數超過5000人，目標在于改變人機體驗和交互技術，小娜是比較有代表性的一個成果。此外，公司還在建立基于GPU和FPGA的云（Azure）方面做努力。

　　5、Facebook：開源工具組建開發者社群

　　Facebook在AI方面的主要布局集中在建立開發者社群，開源Torch、Chef、fastText、BigSur 等一系列 AI 　工具及資料庫，并推出具體的應用程序，比如已經出現的圖象識別、語音文字轉換和智能翻譯等。

　　6、Salesforce：建立云生態

　　2014和2015年，Salesforce開始利用自家電開發平臺執行云機器學習任務。公司還收購了Minhash，、PredictionIO、MetaMind等AI公司，目的在于建立云銷售、云營銷、云服務、云社區、云物聯網、基于云的應用程序等。

　　7、NVIDIA：借力GPU大勢

　　GPU在之前的計算機應用不多，但AI算法給了它莫大的基于，目前，幾乎所有的AI算法都采用了NVIDIA的GPU，雖然英特爾也在加快研發新的替代芯片FPGA，但目前來看，GPU依舊是比較好的選擇。借此大勢，NVIDIA還專門設計了全球首款針對深度學習的GPU架構（Pascal 　架構） 。

　　8、英特爾：加快芯片研發

　　GPU的大勢讓英特爾感到了危機，英特爾收購Nervana 　systems和Altera，加快FPGA的推進，在運算速度和編程靈活性取得一系列進展。2016年中期，英特爾推出了至強二代，用于智能家庭產品的網絡服務和云服務。

　　9、Uber：合作汽車制造商

　　Uber在AI方面的主要布局更趨近于物聯網，尤其是汽車傳感器。2016年9月，Uber在匹茲堡推出了自動駕駛試點項目，并于卡內基梅隆大學教授、汽車制造商合作，研發基于傳感器獲得的數百萬數據點，建立安全、有序、自動的交通模式。

　　10、IBM：沃森成AI之星

　　IBM在AI方面的布局很早，公司在全球的AI研發每人元超過3000名，專利超過1400項，覆蓋云計算和硅納米科學，其超級智腦沃森在自然語言處理和模式識別、非結構化數據處理方面有著出色的表現，已經應用于虛擬代理，幫助金融、醫療等合作伙伴處理和分析數據。

　　11、中國方面：BAT著力構建神經網絡

　　目前，國內對于AI的支持力度也比較大，在學術方面也有很是很大的研究熱點。學術機構，以及百度、阿里、騰訊等公司也在語音識別、圖像識別、神經網絡、自然語言處理等方面都有重要的突破。