☞ 新丝路金融诚邀有识之士加入，岗位详情，请戳文末原文链接“阅读原文”！
概要：
这两天人工智能分外火爆，乐视推出超级大脑，猎豹投入5000万美金研发机器人。
这两天人工智能分外火爆，乐视推出超级大脑，猎豹投入5000万美金研发机器人。在中信证券这篇长达1.5万字的人工智能产业投资研究报告里，分析师冷静而严谨地看好深度学习、图像识别和智能机器人这三片投资蓝海。报告认为，历史上人工智能的投资如果在应用层出现泡沫，未来的机会往往在技术层。中信证券的秦培景博士昨天在中信证券与新智元联合举办的人工智能产业研讨会上说：“未来人工智能这片蓝海怎么去航行？可以说是技术为锚，资本为帆，但是如果我们没有把握这个航线的话，创业的小船也是说翻就翻。”
引文
：从二十年前超级计算机“深蓝”战胜国际象棋大师加里·卡斯帕罗夫到如今围棋世界冠军李世石在与谷歌Alpha GO的比拼中投子认输，我们见证了人工智能（Artificial Intelligence，简称AI）从孩提时代一路走来，横空出世的Alpha Go同时引发了棋界和科技界的“大地震”，人类智力“最后的堡垒”也轰然倒塌，我们似乎已经无法阻挡人工智能超越人类的步伐。作为人工智能发展里程碑上浓墨重彩的一笔，此次“人机大战”正式宣告着信息社会实现由“互联网+”向“人工智能+”质的飞跃，也昭示着以信息技术为代表的“旧IT”（Information Technology）已被以人工智能领军的“新IT”（Intelligent Technology）无情地赶下了历史舞台。
2016年，恰逢人工智能诞生60周年。近年来，从习近平主席提到的“机器人革命”，中国版工业4.0，到李克强总理的“万众创新”；从国务院在《关于积极推进“互联网+”行动的指导意见》中将人工智能推上国家战略层面，到“十三五”规划的“科技创新-2030项目”中将智能制造和机器人列为重大工程之一，人工智能在中国掀起了新一轮技术创新的浪潮。一切都预示着：人工智能正在为产业革命的新风口，人类历史上最好的“人工智能+”时代已经到来。
WHY：AI或将催化下一轮产业革命
社会的飞跃发展必经路径：科技革命驱动产业革命
经验表明：历史上每一次的社会重大飞跃都伴随着科技革命。科技革命包括两个范畴：科学革命和技术革命。科学革命是技术革命的前提，但是科学革命不一定会带来产业变革，技术革命是科学革命到产业革命的必经之路。
纵观人类近代史上五次重要的科技革命：第一次科学革命的结果是建立了完整的近代科学体系，由于它并未从理论到技术层面进行实用，社会的生产力水平并未实现质的飞跃。只有在以蒸汽机为代表的第一次工业革命（也可以称为第一次技术革命）爆发后，人类社会的生产力和发展水平才开始了快速而稳定的提升。人类社会也从依靠生物能的农业时代进入了依靠机械能的工业时代。二十世纪下半场的第三次技术革命则是将二十世纪上半叶的第二次科学革命的理论实用化。第三次技术革命驱动了以第三产业为代表的新兴产业高速发展，推动人类进入到知识化、信息化、网络化的新时代，这极大地提高了资本、技术等要素跨境流动的便利性。人类社会从此从工业社会逐步迈入信息社会。西方发达国家得以陆续进入后工业化时代，而其传统部门则向陆续入场的新兴与发展中国家转移。无论是工业信息化还是信息工业化，第三次技术革命带动了先发国家劳动生产率的快速提升。
从劳动生产率角度来看，在历史的长河中，仅有的两次劳动生产率飞跃式提高都是技术进步带来的结果。以蒸汽机为代表的第一次工业革命的广泛应用之后，劳动生产率才出现了快速的上升；而在第三次技术革命时期，上升的速度更快。在工业革命席卷各国之前，长期以来人均产出或劳动生产率的提升是很难观测到的，如图2所示，在工业革命之前，英国人均GDP的增长十分缓慢，而工业革命之后，这一指标迅速上升。如图3，根据Ian Morris测算的社会发展指数，工业革命也是西方率先走向现代化并长期领先东方的重要因素。工业革命带来了生产方式、交通运输、国际贸易、甚至是社会阶层和全球力量格局的变化。历史学教授Gregory Clark认为：“人类历史中其实只发生了一件事，即1800年前后开始的工业革命。只有工业革命之前的世界和工业革命之后的世界之分，人类其他的历史细节有意思，但不关键”。
人工智能或将引领下一轮产业变革
人工智能引领的这场革命是否能刮起产业的飓风呢？人工智能给人类社会带来的变革似乎不像历次科技革命一样，仅仅停留在延伸人的体力和脑力上，而是进入了人和机器共同演化的时代。
人工智能的产生具有坚实的科学理论基础。算法、数据和计算三大基础要素共同驱动人工智能发展。其中算法是机器实现人工智能的核心，计算能力和大数据是人工智能的基础。一直以来人工智能突破主要依赖于算法性能的提升，近年来主要有工程学法和模拟法实际应用在人工智能技术中，推动人工智能开始发展至感知智能阶段。而随着第三次技术革命以来计算机、互联网在数据生成、采集、存储、计算等环节的突破，为人工智能进入高速发展阶段提供了坚实的基础。
在国内外的国家战略层面，资金和政策都倾力支持人工智能研究与产业的持续发展。欧盟委员会将在未来十年内拿出10亿美元支撑欧盟“人脑计划”研究。而随着近年来国内业界的不断推动，人工智能在“十三五”规划首年被纳入到国家战略发展层面，结合互联网经济热点带来的资金支持和国家源源不断的人才储备和大量研发投入，必将推动人工智能产业进入新一轮创新发展的黄金阶段。
人工智能不仅仅是科学革命，更悄然改变人们日常生活的方方面面。当韩国棋王李世石在与谷歌Alpha Go的比拼中投子认输的那一刻，人类既震惊于人工智能已经可以超越人类的水平，也开始将更多的目光投入人工智能这一领域，殊不知在经历了60年的发展历程之后，在金融业、汽车制造业、医疗保健行业甚至艺术创作领域这些似乎与人工智能并不那么相关的行业，都已经逐步实现了人工智能的应用。
随着人工智能与传统行业的不断结合，人工智能产业链迎来爆发式增长。从产业分类和公司数量来看，咨询公司Venture Scanner统计，2016年全球人工智能公司已突破1000家，跨越13个子门类，融资金额高达48亿美元。在这13个种类中，研究机器学习（应用）的人工智能公司数目最多，达260家，约占整个行业的30%。从区域分布情况来看，欧美等西方国家发展较为迅猛，其中美国以499家人工智能公司占据绝对主导地位，且初创公司数量众多；而以中国为首的发展中国家在人工智能领域显然仍处于起步阶段，真正布局该产业的公司较少，以传统互联网巨头进军人工智能领域为主。
但是人工智能应用仍是广阔的等待开拓的蓝海市场。从技术层面而言，人工智能技术的发展可以分为三个阶段：计算智能、感知智能和认知智能，目前已经融合在各种传统产业中的人工智能应用主要集中在第一个阶段——计算智能，少量应用已经开始试水第二阶段的技术，即感知智能。考虑到全面的感知智能所需的应用化技术、完善的数据、高性能芯片还有待于进一步发展，感知智能技术应用普及还需要5~10年，而认知层的技术突破和数据、计算等基础资源的提升和积累是值得期待的长期发展方向。
我们认为，目前较为成熟的感知智能技术（如语音、视觉识别的服务、硬件产品等）的应用开发所形成的新“人工智能+”将引领产业变革，成为推动社会飞跃发展的新动力。在传统产业，人工智能可以在制造业、农业教育、金融、交通、医疗、文体娱乐、公共管理等领域得到广泛应用，将不断引入新的业态和商业模式；在新兴产业，人工智能还可以带动工业机器人、无人驾驶汽车、VR、无人机等处于产业生命周期导入期的公司飞跃式发展。从具体应用方向来看，如今十分火热的工业4.0、人脸识别、智能答题机器人、智能家居、智能安保、智能医疗、虚拟私人助理等人工智能概念是有望得到快速爆发的重点领域。
HOW：从AI历史看未来
“人工智能”一词最初是在1956年达特茅斯学会上提出的。从学科定义上来说，人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。
人工智能的发展历史大致可以分为三个阶段：带有理想主义色彩的起步期，由“专家系统”大范围应用而推动的第二波浪潮，以及由基础设施、技术融合与应用拓展共同推动的第三波浪潮（1993年至今）。
历史沿革：三大发展浪潮—“理想主义”、“专家系统”、“三大动力”
有理想主义色彩的起步期（1956-1974）
这个阶段的起步期人工智能是以“计算机不断解决以往人类从没设想过其能解决的问题”为特征的，解文字题、证明定理甚至是学习语言。正是这样的超预期激发了人们对于人工智能的畅想，对人工智能做出了大量乐观的预测。
这个阶段对于人工智能的许多尝试并不是以实际应用为目的的，许多人工智能程序更像是“玩具”，而研究者们均致力于尽快设计出能够通过“图灵测试”的人工智能机器，对于通向这一目标的路径并没有很清晰的认识。随着研究进程不断受阻，研究者很快就意识到人工智能的许多基础设施上的限制在上世纪70年代是不可能克服的。这些障碍包括极其有限的计算能力，缺乏能够处理运算量指数增长的问题的算法，缺乏数据，难以处理图像识别等感知问题，需要不断改变基础架构来适应不同的问题等。因为这些问题的限制，人工智能进入上世纪70年代以后止步不前，研究资金支持也大幅缩减，在1974年到1980年之间，人工智能进入第一波低谷。
由“专家系统”大范围应用而推动的第二波浪潮（1980-1987
）
“专家系统”是一个用于模拟人类专家决策过程的计算机系统，是人工智能历史上第一个较为成功的应用，并在八十年代被许多大型企业所接受。1980年，一款名为XCON的专家系统程序被设计出来，这款程序能够根据用户的需求自动选取DEC公司计算机系统（集群）里面合适的部分来完成计算任务。在1980年到1986年间，XCON平均每年帮DEC公司节省4000万美元的成本。在这个阶段，人们逐渐意识到研发人工智能的目的不仅仅是为了设计出能通过“图灵测试”的机器，能够以现有的条件帮助人类解决在实际工作中的问题并提高效率才是更为重要的目的。
正是因为人工智能的实际应用前景被挖掘，越来越多的公司投入资金研发不同类型的专家系统，人工智能进入第二个高速发展期。这个阶段人工智能开始逐步形成一个产业，诞生了一批公司，比如硬件公司Symbolics和Lisp Machines，软件公司如Intelli Corp和Aion。这个阶段最标志性的事件是Hi Tech和Deep Thought击败了国际象棋大师，Deep Thought也为后来IBM的Deep Blue奠定了基础。
第二波浪潮在80年代末结束了，最大的问题是“专家系统”的成本一直无法降下来，随着美国和日本经济走入低迷，市场对于人工智能的热情也大幅下降。更重要的是，苹果和IBM在这个阶段对于家用电脑的开发进入加速期，家用电脑的性能甚至逐步赶超Lispmachine，“专家系统”这样一个空间达到数亿美金的市场在顷刻间就消失了。此外，1991年日本的“第五代项目”（从1981年开始推动）的失败标志着人工智能进入第二个低潮。
由基础设施、技术融合与应用拓展共同推动的第三波浪潮（1993至今）
经过了将近半个世纪的发展，人工智能从90年代中旬终于进入了一个爆发期。在这个阶段，人工智能相关的技术已经逐步被应用到各个领域，只不过研究者们越来越弱化人工智能这个概念，大众除了“深蓝击败国际象棋世界冠军”、“Alpha Go击败围棋世界冠军”之类的事件，大都没有意识到人工智能的应用已经逐步渗透进生产和生活的方方面面。
人工智能的第三波浪潮是由基础设施、技术融合与应用拓展共同推动的。
（1）基础设施领域的进步
方面，在过去将近50年的时间里，集成电路上元器件的数目持续的以几何级数增长。即便当前传统计算机性能提升已经进入瓶颈期，互联网基础设施的提升又使得云计算成为可能，把大量的计算资源组成资源池并用于动态创建高度虚拟化的资源供用户使用。云计算大大降低了人工智能的商业化运营成本，推动了人工智能的进步。
此外，GPU的广泛应用使得大规模并行计算的效率大幅提升，这也为人工智能的多任务执行提供了基础。
基础设施领域的另一个大的进步便是海量数据资源的积累。海量的数据使得机器学习的效果大幅提升，并且数据量本身的增加还能够弥补算法上的缺陷。根据IDC的统计，全球数据总量在未来的增速惊人，预计到2020年全球总数据量大约达到35ZB，是2011年的将近20倍。
（2）技术融合
人工智能是处于技术前沿的各学科融合并共同推进的领域。人工智能的开发也越来越多地将数学、系统控制、经济等领域的知识结合起来，最常用的基础工具包括贝叶斯网络、隐式马尔科夫链、信息理论、随机建模、神经网络、动态优化以及近期因谷歌的Alpha Go而闻名的蒙特卡洛树搜索。跨学科的技术融合在人工智能基础设施上表现的更为重要。
例如，在计算领域，传统的电路只能实现0或1的存储你，集成芯片或是云计算最终都是由无数个基本电路组成的，难逃“能耗”的问题，势必需要一个能够在计算能力上产生质的飞跃的设计。量子计算机在理论上能够解决这一问题，一个量子可以呈现多态，那么大规模计算所需要的量子数就大大缩减。不过，根据海森堡不确定原理，一旦外界对量子的具体状态进行观察（或者说计算机读取一个量子的状态），那么量子的状态就是确定的，不再具有多态。显然，这样的问题已经不是计算机科学能够解决的问题，势必需要基础理论研究的支持。又比如，人工智能的许多设计思想来自于脑科学研究，通过模拟人脑思考的过程来设计计算机的基础架构。
（3）应用拓展
实际应用的拓展也在激发人工智能技术的不断创新。最典型的例子是便是人工智能在机器人领域的应用，传统的机器人仅仅是数控的机械装置，不能适应变化的环境，与人类的“沟通”成本也非常高。这样的机器人越来越不适应互联网时代的生产需要，于是诞生了对于“互动机器人”的需求：机器人需要能够随时与人进行沟通修正任务（这需要对自然语言进行识别，同时要具备能够自我生成运行代码的能力）、适应随时变化的环境（比如物流机器人能够躲避障碍）、辅助人们的决策（投资顾问、医疗诊断、教育培训、智能翻译等）。这些应用领域反过来推动了人工智能技术层的进步。应用拓展的范围和经济收益也是吸引资本持续进入相关领域的重要动力。
国外人工智能发展情况：深度学习成为最热门领域
回顾人工智能的发展历史，在实现人工智能上有三种路线：一是基于逻辑方法进行功能模拟的符号主义路线，代表领域有二十世纪80年代的专家系统和知识工程；二是基于统计方法仿生模拟的连接主义路线，代表领域有机器学习和人脑仿生；三是行为主义，是从进化的角度出发，基于智能控制系统的理论、方法和技术，研究拟人的智能控制行为。
从当前国外人工智能的发展情况来看，其中第二条线路是主流，基于人工神经网络的深度学习是当前最热的研究领域，被Google、Facebook、IBM、NEC以及其他互联网公司广泛使用，最典型的应用领域是图像和语音识别。
图像识别、语音识别、智能搜索是深度学习技术出现以来发展最快的几个领域，其迅速地从试验论证阶段进入到相对成熟的应用阶段。随着这些基础应用领域的成熟，一些高级应用领域的热度也逐步开始上升。例如Google在力推的自动驾驶项目，需要建立感知能力、决策能力以及不断自主学习的能力，可以说是人工智能技术的集大成者。自动驾驶技术需要算法做各种条件下面的路面目标检测、识别交通标志以及形成统一的路况感知。
国内人工智能企业现状：不同规模企业深耕各自的细分领域
