人工智能—产业爆发的拐点

☞ 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”！

风口上的人工 智能技术究竟会引 起什么样的产业转型巨浪！

1、人工智能即将进入产业爆发的拐点

自从 2016 年 3 月 AlphaGo 大战李世石以来，人们对人工智能的关注度空前火热，国内外互联网巨头 Google、微软、亚马逊、百度、腾讯、阿里巴巴等在人工智能领域跑马圈地，各国也将人工智能上升到国家战略，企图抢占下一代技术革命的制高点。

1. 1深度学习技术使人工智能达到商用化水平

在深度学习出现之前，机器学习领域的主流是各种浅层学习算法。 传统的机器学习需要人工提取特征，其思路是，从开始的通过传感器来获取数据，然后经过预处理、特征提取、特征选择、再到推理、预测或者识别，最后一部分也就是机器学习的部分。然而手工地选取特征既耗费时间又不能保证选取好，深度学习彻底解决了这个问题。

深度学习突破人工智能算法瓶颈。 2016 年， Hinton 等人提出深度学习神经网络， 掀起了深度学习的浪潮。“深度”某种意义上是指人工神经网络的层数， 旨在建立可以模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据，例如，图像、声音和文本。在短短几年内，深度学习颠覆了语音识别、图像分类、文本理解等众多领域的算法设计思路，创造了一种从数据出发，经过一个端到端（end-to-end）最后得到结果的新模式。由于深度学习是根据提供给它的大量的实际行为（训练数据集）来自调整规则中的参数，进而调整规则，因此在和训练数据集类似的场景下，可以做出一些很准确的判断。

1.2 运算力和数据量为人工智能提供引擎

1.2.1 数据量和算法可以分别比作人工智能的燃料和发动机 。

数据集的丰富和大规模性对深度学习算法训练尤为重要。实现精准识别的第一步，就是获取海量而优质的应用场景数据。以人脸识别为例，训练该算法模型的图片数据量至少应为百万级别

1.2.2 运算能力提升和运算成本下降大幅推动人工智能发展

深度模型训练是一件比较复杂的事情，很多事项需要注意，如网络结构的选择，神经元个数的设定，权重参数的初始化，学习率的调整，Mini-Batch 的控制等，具体实践中还需要反复尝试、多次训练。在 GPU 出现之前，算法运行的速度是很慢的，即使一个简单的神经网络数据的培训，也得花费几天、甚至几周时间。1999 年，NVIDIA 公司提出了 GPU（图像处理器）概念。GPU 是专为执行复杂的数学和集合计算而设计的数据处理芯片。它的出现让并行计算成为可能，对数据处理规模、数据运算速度带来了指数级的增长，极大的促进了人工智能行业，尤其是计算机视觉领域的发展。

今天，数据处理速度不再成为制约计算机视觉发展的主要瓶颈。目前 GPU 已经发展到了较为成熟的阶段。谷歌、微软、Facebook、百度等公司都在使用 GPU 分析图片、视频和音频文件，改进搜索和图像标签等应用功能。VR/AR 产业也在使用 GPU，同时很多汽车生产商也在使用 GPU 作为传感器芯片发展无人车技术。研究公司 Tractica LLC 预计，到 2024 年深度学习项目在 GPU 上的花费将从 2015 年的 4360万增长到 41 亿美元，在相关软件上的花费将从 1.09 亿增长到 104 亿。除了使用 GPU 之外，很多公司都在研究用其他的芯片来替代 GPU，如 Nvidia Tesla 、P100 芯片，谷歌的 TPU，微软研发 FPGA、寒武纪芯片、IBM  TrueNorth 等。

1.3 资本持续投入催化产品化进程与产业链的构建

人工智能领域投资额逐年增长，5 年增长 12 倍。 2011 年开始投资额度飞速增加，据 Venture Scanner 统计，截止到 2016 年 Q2，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。

深度学习、自然语言处理和计算机视觉是创业最火热的领域。 目前受到关注度最高的 AI 应用有自然语言处理、图像识别的深度学习、计算机视觉、自动驾驶、聊天机器人等。其中研究深度学习应用的公司最多，自然语言处理和计算机视觉的公司其次。同时，深度学习和自然语言处理获得的融资额也是最多的。应用型的深度学习公司融资额最高为 2.1 亿美元，自然语言处理类的公司总融资额为 7000 万美元，位居第二位。

1.4  政策加码，加速人工智能发展

1.4.1 国内人工智能首次写入政府工作报告，政策不断落地

2017 年两会上，人工智能更是首次写入政府工作报告，2016 年 5 月，国家四部委更是颁布《“互联网+”人工智能三年行动实施方案》 ，明确提出要培育发展人工智能新兴产业、推进重点领域智能产品创新、提升终端产品智能化水平。

2 人工 智能产业链明晰，科技巨头卡位布局

2.1 产业链可分为基础支撑层、技术应用层和产品层

基础支撑层主要由算法模型（软件）和关键硬件（AI 芯片、传感器）两部分构成。传感器负责收集数据，AI 芯片（GPU、FPGA、NPU 等）负责运算，算法模型复杂训练数据。技术应用层主要由感知类技术和其他深度学习应用构成。感知技术主要用于让机器完成对外界的探测，即看懂、听懂、读懂世界，由计算机视觉、语音识别、语义理解构成，是人工智能产品或方案不可或缺的重要部分。只有看懂、听懂、读懂才能够做出分析判断，进而采取行动，让更复杂层面的智慧决策、自主行动成为可能。方案集成是集成一类或多类基础应用技术而面向应用场景特定需求的产品或方案。人工智能作为一类技术，应用在多种多样的应用场景中；而在各类产品中人工智能的比重或有区别，但其本质都是让机器更好的服务于我们的生产和生活。

2.2 巨头打造开源平台、布局 AI 芯片和核心技术

人工智能被认为是引爆下一代产业革命的技术，国内外巨头纷纷布局人工智能产业链，主要有三种方式：打造开源平台、布局 AI 芯片、布局 AI 核心技术。

2.2.1. 打造人工智能开源平台，“开放”谋求大生态

开源是科技巨头在人工智技术层的共同选择。开放的安卓系统在手机中获得成功，份额高达 87%。科技巨头通过推出算法平台吸引开发者，希望能够实现快速的产品迭代、活跃的社区、众多的开发者，从而打造开发者生态，成为行业标准，实现持续获利。谷歌、Facebook、IBM、微软等科技巨头相继推出并开源自家的人工智能平台。

Google 开源人工智能系统 TensorFlow 和训练平台 DeepMindLab。TensorFlow 是谷歌基于 DistBelief 研发的第二代机器学习系统。是一个能处理多种语音理解和认知任务的开源软件库。DeepMindLab 是针对基于代理的 AI 研究而开发的平台，为学习代理提供了一系列颇具挑战的三维探索和解谜任务。旨在为 AI 研究，尤其是深度强化学习提供试验田。DeepMindLab 具有高度可定制、可扩展性。

2.2.2.  布局 AI 芯片，抢占技术制高点

人工智能基层芯片作为重要的底层架构， 具有极强的战略意义。目前并行运算的 GPU 广泛应用于 AI 领域， NVIDIA在该市场份额超过 80%。其他科技巨头希望研发新一代芯片提升计算性能并打破垄断。谷歌专为其深度学习算法TensorFlow 设计专用集成芯片 TPU，IBM 推出神经元芯片，降低功耗，微软研发基于 FPGA 的 A-eye 芯片，赋予摄像头视觉理解力。 英特尔将于 2017 年推出为 AI 深度学习设计的 Intel Xeon Phi 处理器， 强度与 CPU 协调工作的 GPU 技术，能快速计算，并根据概率和联系做决策。中科院推出专门面向深度学习技术的处理器芯片“寒武纪”.

2.2.3. 兼并收购，布局 AI 应用技术

谷歌、IBM、雅虎、英特尔、苹果和 Salesforce 竞相收购人工智能企业，福特、三星、通用电气和 Uber 也加入其中。自 2012 年已经有超过 200 家私营人工智能企业被收购， 仅 2017 年第一季度就有超过 30 家人工智能初创企业被并购。规模最大的是福特以 10 亿美元的价格收购 Argo AI。

IBM、Google、百度全面布局 AI  技术，在重点研究 AI  核心算法基础上，在应用层全面推进 AI  商用化进程，在 AI  核心算法、智能搜索、无人驾驶、医疗诊断等领域率先布局且行业领先。Facebook、腾讯、微软、苹果侧重于，社交应用，这些巨头最为关注图像和语音的识别技术，希望打通图像、语音等人机交互接口，提高用户参与度，收集用户行为数据，从而进一步训练 AI  系统，最终希望打造一个智能私人助理来统一管理旗下应用。

2.3. 语音识别、计算机视觉等技术日趋成熟，步入商业化阶段

目前人工智能处在感知阶段，即机器听懂、看懂、读懂世界，才能进一步分析、预测。人工智能感知技术主要包括语音识别、计算机视觉、 自然语言处理。 从产业链角度讲， 这些技术可以作为核心技术直接应用于终端产品中，也可以作为一种传感技术集成于产品中。如语音识别既可以作为人机交互的核心技术，也可以作为一种产品解决录音电子化的产品。