AI 站在科技浪潮之巔

隨著美國對華為的制裁升級，國內(nèi)對于高科技的關(guān)注與日俱增。我國處于經(jīng)濟(jì)轉(zhuǎn)型的關(guān) 鍵時間點已經(jīng)是毋庸置疑，而整個社會從傳統(tǒng)行業(yè)轉(zhuǎn)向科技驅(qū)動還需要長久的努力。時至今日，我們對于技術(shù)的未來需要有更深層次的理解，所謂科技興國，在人文上必然需要理性、 理想和理念的價值觀來支撐。本篇立足于從技術(shù)上對 AI 進(jìn)行解讀，這也是下一次科技浪潮 的必然趨勢。

18 世紀(jì)以來，人類經(jīng)歷了三次工業(yè)革命，分別以機械、電氣和信息技術(shù)為核心驅(qū)動力。 今天以 AI 為驅(qū)動的第四次工業(yè)革命已經(jīng)來臨。我國一直在高速地追趕發(fā)達(dá)國家，每次革命 都提供了更多的變化和機會，也會涌現(xiàn)出來新的科技巨頭。

人工智能近年來以驚人的速度發(fā)展，局部智能水平已經(jīng)超越人類，比如圖像識別領(lǐng)域， ImageNet 圖像識別錯誤率已經(jīng)降低至 2%以下，明顯超過了人類水平。

在物理、化學(xué)、材料等基礎(chǔ)領(lǐng)域的研究中充滿了大數(shù)據(jù)，而在實際工程中，利用 AI 提 高生產(chǎn)率、降低成本從而提高全球競爭力是各個企業(yè)的目標(biāo)。如果說幾年前，企業(yè)大量投資 從而達(dá)到降本增效的目的還比較模糊，畢竟所有人都追求“增量”，但是顯然這兩年所有企 業(yè)家都知道要“增效”。AI 的本質(zhì)，仍然是為了在客觀世界中和管理實踐中增加確定性，這 或許是我們所有人都應(yīng)該具備的思維。

AI 的發(fā)展歷程

人工智能（Artificial Intelligence）指由人類制造出來的機器所展現(xiàn)出來的智能，試圖通 過計算機來模擬人的思維過程和行為。目前這一領(lǐng)域主要包括計算機視覺、自然語言處理、 跨媒體分析推理、智適應(yīng)學(xué)習(xí)、群體智能、自主無人系統(tǒng)、智能芯片和腦機接口等關(guān)鍵技術(shù)， 將為人類的生產(chǎn)生活帶來革命性的轉(zhuǎn)變。從歷史上看，人工智能主要包括符號主義 （Symbolicism）、連接主義（Connectionism）和行為主義（Actionism）三大學(xué)派：

“符號主義”又稱心理學(xué)派(Psychologism)，原理為符號操作系統(tǒng)假設(shè)和有限合理性原理。其基本思想是應(yīng)用邏輯推理法則從公理出發(fā)推演整個理論體系，在人工智能走向工程應(yīng)用和實現(xiàn)理論聯(lián)系實際具有特別重要的意義。代表人物包括 Newell、Simon 和 Nilsson 等， 主要成果有啟發(fā)式程序邏輯理論家（LT）、專家系統(tǒng)、知識工程理論技術(shù)等。

“連接主義”又稱仿生學(xué)派(Physiologism)，原理為神經(jīng)網(wǎng)絡(luò)及神經(jīng)網(wǎng)絡(luò)間的連接機制與學(xué)習(xí)算法。認(rèn)為人工智能源于仿生學(xué)，從神經(jīng)元開始研究神經(jīng)網(wǎng)絡(luò)模型和腦模型，開辟了 人工智能的又一發(fā)展道路。代表人物包括 McCulloch、Hopfield 和 Rumelhart 等，主要成果 有腦模型（MP）、感知機、多層網(wǎng)絡(luò)中的反向傳播算法（BP）和人工神經(jīng)網(wǎng)絡(luò)（ANN）等。

“行為主義”又稱控制論學(xué)派(Cyberneticsism)，原理為控制論及感知-動作型控制系統(tǒng)。 認(rèn)為智能取決于感知、行為以及對外界環(huán)境的自適應(yīng)能力，把神經(jīng)系統(tǒng)的工作原理與信息理 論、控制理論、邏輯以及計算機聯(lián)系起來。行為主義 20 世紀(jì)末才興起，主要關(guān)注智能控制 和智能機器人系統(tǒng)，代表性成果為 Brooks 的“控制論動物”六足行走機器人，是一個基于 感知-動作模式模擬昆蟲行為的控制系統(tǒng)。

圖靈（Turing）最早提出了著名的“圖靈測試”和“圖靈機”概念，并在 1950 年預(yù)言 了創(chuàng)造智能機器的可能性。自 1956 年達(dá)特茅斯會議第一次提出人工智能的概念以來，人工 智能的發(fā)展經(jīng)歷了三次浪潮：

第一次浪潮（1956-1974）：算法雛形初現(xiàn)

第一次浪潮的主要成就是算法、方法論及早期人工智能系統(tǒng)。其中最為杰出的代表就是 貝爾曼公式（增強學(xué)習(xí)的雛形）和感知機（深度學(xué)習(xí)的雛形）。早期人工智能系統(tǒng)主要是用 機器證明的辦法去證明和推理一些知識，第一次浪潮中實現(xiàn)效果最好的就是定理證明。這一 時期出了很多人工智能系統(tǒng)，如 STUDENT（1964 年）、ELIZA（1966 年），前者能夠?qū)崿F(xiàn) 應(yīng)用題的證明，后者可以實現(xiàn)簡單的人機對話。但隨著計算能力的不足、社會資本的退出、 政府資助的下降，人工智能迎來第一次寒冬。

第二次浪潮（1974-2006）：專業(yè)化發(fā)展

較第一次浪潮而言，第二次浪潮朝著更為專業(yè)化的方向發(fā)展，側(cè)重于借用領(lǐng)域?qū)＜业闹?識來武裝自己。這一時期的主要成就是人工智能計算機、多層神經(jīng)網(wǎng)絡(luò)和 BP 反向傳播等方 算法的突破及語音識別和語言翻譯等領(lǐng)域。第二次浪潮更專注于解決實際問題，不再專注于 理論知識的證明。由于人工智能應(yīng)用的范疇依舊有限，人工智能的浪潮在 90 年代開始逐漸 消退。

第三次浪潮（2006-至今）：基于互聯(lián)網(wǎng)大數(shù)據(jù)的深度學(xué)習(xí)

與前兩次浪潮不同，第三次浪潮依靠的是計算機性能的提升和海量數(shù)據(jù)的不斷積累，其 核心是深度學(xué)習(xí)的突破。2016 年的 AlphaGo 和 2017 年的 AlphaGo Master 這兩個智能程序 的勝出，促使著人工智能逐漸成為當(dāng)下炙手可熱的研究領(lǐng)域。依靠算法、大數(shù)據(jù)、計算力的 作用，人工智能迎來第三次浪潮。此外，深度學(xué)習(xí)在語音識別、圖像識別、自然語言理解等 領(lǐng)域均取得了突破性進(jìn)展，再加上海量數(shù)據(jù)提供測試樣本和強大計算能力的支持，人工智能 開始向前高速發(fā)展。

AI 是中國彎道超車的好機會

眾所周知，國內(nèi)科技企業(yè)往往都是先從低端產(chǎn)品做起來，再逐步往上游延伸。比如先從 OEM 做到系統(tǒng)集成，然后再做上游關(guān)鍵零部件，最后積累實力才涉及更基礎(chǔ)的研發(fā)。AI 的 浪潮中，最核心的就是算法，大家都在算法上角逐，使得基礎(chǔ)研究到技術(shù)開發(fā)到系統(tǒng)集成扁 平化，研究比一般的企業(yè)更加貼近市場，這會帶來全新的變化：企業(yè)創(chuàng)始人和核心管理團(tuán)隊 都必須是技術(shù)大牛，企業(yè)的文化更加高效，從而極大降低管理成本。在基礎(chǔ)研究領(lǐng)域中，國內(nèi) AI 的水平在迅速提升，中美是最有可能引領(lǐng)該潮流的兩個國家，AI 是中國彎道超車的好 機會。

過去二十年間，全球眾多國家和地區(qū)廣泛地參與到人工智能領(lǐng)域的基礎(chǔ)性研究中，其中 中國和美國的論文產(chǎn)出位于全球的第一、二位，且是位于第三位的英國產(chǎn)出量的倍以上。英 國、日本、德國、印度、法國、加拿大、意大利、西班牙、韓國、臺灣、澳大利亞構(gòu)成了該 領(lǐng)域論文產(chǎn)出的第二梯隊。

雖然論文多，但是國際人工智能杰出人才集中投入于美、英、德、法等少數(shù)發(fā)達(dá)國家， 排名前十的國家 AI 人才投入占據(jù)總量的 63.6%。美國在人工智能杰出人才投入量上依舊遙 遙領(lǐng)先，占據(jù)世界總體的 25%，。中國排名第六，杰出人才占比過低。

此外高強度人才投入的企業(yè)集中在美國，中國僅有華為一家企業(yè)進(jìn)入前 20。國際人工智 能人才投入主要以計算機軟硬件開發(fā)企業(yè)為主體，美國相關(guān)行業(yè)發(fā)軔于 19 世紀(jì)末，IBM、微 軟、谷歌等公司皆為行業(yè)巨頭，在世界范圍內(nèi)擁有廣泛的影響能力，成為集聚人工智能領(lǐng)域 人才的企業(yè)前三甲，英特爾、通用電氣、惠普、霍尼韋爾、思科、高通、蘋果等美國知名企 業(yè)也榜上有名。德國的西門子、SAP、軟件、博世三家企業(yè)入駐前 20，主要以大型制造企業(yè) 為主。

AI 技術(shù)梳理

人工智能的技術(shù)在近年得到長足的發(fā)展，主要還是圍繞著深度學(xué)習(xí)、機器視覺兩大塊。 深度學(xué)習(xí)是機器學(xué)習(xí)的升級，流行的卷積神經(jīng)網(wǎng)絡(luò)，GAN 等都屬于深度學(xué)習(xí)。

機器學(xué)習(xí)（Machine Learning）

機器學(xué)習(xí)（ML）是人工智能的重要子領(lǐng)域，與數(shù)據(jù)挖掘（DM）和知識發(fā)現(xiàn)（KDD）領(lǐng) 域相交叉它他的處理系統(tǒng)和算法主要是通過找出數(shù)據(jù)里隱藏的模式進(jìn)而做出預(yù)測的識別模式。機器學(xué)習(xí)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計學(xué)、逼近論、凸分析、算法復(fù)雜度 理論等多門學(xué)科。專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識或技能， 重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能

從發(fā)展歷史來看，1950 年圖靈測試和 1952 年塞繆爾開發(fā)跳棋程序?qū)儆跈C器學(xué)習(xí)的奠基 時期的。經(jīng)歷過六七十年代發(fā)展停滯的瓶頸時期后，神經(jīng)網(wǎng)絡(luò)反向傳播算法（BP）、多參數(shù) 線性規(guī)劃（MLP）、決策樹、回歸樹、ID4 和 CART 算法在八十年代相繼提出，機器學(xué)習(xí)開 始重振。

機器學(xué)習(xí)的常見算法有決策樹、樸素貝葉斯、支持向量機、隨機森林、人工神經(jīng)網(wǎng)絡(luò)、 Boosting 與 Bagging、關(guān)聯(lián)規(guī)則、期望最大化、期望最大化等十大算法?？梢园凑沼?xùn)練樣本 提供的信息以及反饋方式分為監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、強化學(xué)習(xí)。

監(jiān)督學(xué)習(xí)（Supervised Learning）的數(shù)據(jù)集是有標(biāo)簽的，目標(biāo)是通過建模樣本的特征和 標(biāo)簽之間的關(guān)系。根據(jù)標(biāo)簽類型可以分為分類問題和回歸問題兩類，分類問題用來預(yù)測某一 樣?xùn)|西所屬的類別（離散的），回歸問題用來預(yù)測某一樣本所對應(yīng)的實數(shù)輸出（連續(xù)的）。大 部分模型如線性分類器、支持向量機等都屬于監(jiān)督學(xué)習(xí)，常見算法包括 k-近鄰算法（kNN）、 決策樹（DT）和樸素貝葉斯等。

無監(jiān)督學(xué)習(xí)（Unsupervised Learning）的數(shù)據(jù)集是完全沒有標(biāo)簽的，依據(jù)相似樣本在數(shù) 據(jù)空間中一般距離較近這一假設(shè)分類，可以解決的問題可以分為關(guān)聯(lián)分析、聚類問題和維度約減。關(guān)聯(lián)分析是指發(fā)現(xiàn)不同事物之間同時出現(xiàn)的概率，聚類問題是指將相似的樣本劃分為一個簇，維度約減是指減少數(shù)據(jù)維度的同時保證不丟失有意義的信息。常見算法包括 DBSCAN 算法、最大期望算法（EM）、主成分分析（PCA）、k-均值算法和稀疏自編碼等。

半監(jiān)督學(xué)習(xí)（Semi-Supervised Learning）是監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)相結(jié)合的一種學(xué)習(xí) 方法，數(shù)據(jù)集量大但標(biāo)簽少。常見的半監(jiān)督學(xué)習(xí)方式包括直推學(xué)習(xí)和歸納學(xué)習(xí)，直推學(xué)習(xí)可 以用沒有標(biāo)記的測試數(shù)據(jù)進(jìn)行訓(xùn)練，而歸納學(xué)習(xí)不使用沒有標(biāo)簽的數(shù)據(jù)做測試集

強化學(xué)習(xí)（Reinforcement Learning）從動物學(xué)習(xí)、參數(shù)擾動自適應(yīng)控制等理論發(fā)展而 來，目標(biāo)是在每個離散狀態(tài)發(fā)現(xiàn)最優(yōu)策略以使期望的折扣獎賞和最大。強化學(xué)習(xí)在機器人學(xué) 科中被廣泛應(yīng)用，如果 Agent 的某個行為策略導(dǎo)致環(huán)境正的獎賞（強化信號），那么 Agent 以后產(chǎn)生這個行為策略的趨勢便會加強，通過這種方式改進(jìn)行動方案以適應(yīng)環(huán)境。

深度學(xué)習(xí)（Deep Learning）

深度學(xué)習(xí)（DL）是近三十年來機器學(xué)習(xí)領(lǐng)域發(fā)展最快的一個重要分支，也是實現(xiàn)人工智 能的必經(jīng)之路。深度學(xué)習(xí)是一類模式分析的統(tǒng)稱，含多個隱藏層的多層感知器就是一種深度 學(xué)習(xí)結(jié)構(gòu)，其最終目標(biāo)是讓機器能夠像人一樣具有分析學(xué)習(xí)能力，能夠識別文字、圖像和聲 音等數(shù)據(jù)。深度學(xué)習(xí)源于人工神經(jīng)網(wǎng)絡(luò)的研究，最早可以追溯到 1958 年的感知機，通過組 合低層特征形成高層特征來發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。

深度學(xué)習(xí)主要有以計算機視覺和卷積網(wǎng)絡(luò)為主、以生成模型為主、序列模型和增強學(xué)習(xí) 四條發(fā)展脈絡(luò)，本節(jié)重點介紹卷積神經(jīng)網(wǎng)絡(luò)、AutoEncoder、增強學(xué)習(xí)和生成對抗網(wǎng)絡(luò)。

（1）卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的代表算法之一。卷積神經(jīng)網(wǎng)絡(luò)（CNN）最早的雛形是 由 LeCun 在 Fukushima 的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上應(yīng)用 BP 算法進(jìn)行訓(xùn)練實現(xiàn)的。2012 年 Hinton 引入深層結(jié)構(gòu)和 Dropout 方法提出了 AlexNet，顛覆了圖像識別領(lǐng)域。在這個基礎(chǔ)上， 2013 年 LeCun 提出的 DropConnect 和 2014 年顏水成提出的 NIN 引發(fā)了大家對 CNN 結(jié)構(gòu) 的大膽創(chuàng)新，兩個新的構(gòu)架 Inception 和 VGG 把網(wǎng)絡(luò)加深到 20 層。2015 年任少卿提出 ResNet 將 CNN 深化到 152 層、1202 層等，后來 Residual-Attention、DenseNet、SENet、 MobileNet 也各有貢獻(xiàn)。

卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)主要由輸入層、隱含層以及輸出層三個部分組成，其中隱含層又包 括了由卷積核和卷積層參數(shù)并通過激勵函數(shù)表達(dá)的卷積層、池化層、Inception 模塊和全連接 層。以 LeNet-5 為例，3 類常見構(gòu)筑在隱含層中的順序通常為：輸入-卷積層-池化層-全連接 層-輸出。

卷積神經(jīng)網(wǎng)絡(luò)的連接性可以提高網(wǎng)絡(luò)結(jié)構(gòu)的穩(wěn)定性和泛化能力，避免過度擬合，同時， 稀疏連接減少了權(quán)重參數(shù)的總量，有利于神經(jīng)網(wǎng)絡(luò)的快速學(xué)習(xí)，和在計算時減少內(nèi)存開銷。 卷積神經(jīng)網(wǎng)絡(luò)的表征學(xué)習(xí)能力可以識別位于空間不同位置的相近特征。一個成功的卷積神經(jīng) 網(wǎng)絡(luò)中，傳遞至全連接層的特征圖會包含與學(xué)習(xí)目標(biāo)相同的特征，例如圖像分類中各個類別 的完整圖像。

卷積神經(jīng)網(wǎng)絡(luò)主要應(yīng)用于計算機視覺、自然語言處理及其他領(lǐng)域，在計算機視覺領(lǐng)域中， 該算法又主要運用于圖像識別、物體識別、行為認(rèn)知、姿態(tài)估計、神經(jīng)風(fēng)格遷移等方面，在 自然語言處理領(lǐng)域中，該算法主要運用于語音處理，在其他領(lǐng)域中，該算法對物理學(xué)、遙感 科學(xué)、大氣科學(xué)等學(xué)科均有貢獻(xiàn)。

（2）AutoEncoder（AE）的基本思想是利用神經(jīng)網(wǎng)絡(luò)來做無監(jiān)督學(xué)習(xí)。Autoencoder 是一種無監(jiān)督的學(xué)習(xí)算法，主要用于數(shù)據(jù)的降維或者特征的抽取，在深度學(xué)習(xí)中， autoencoder 可用于在訓(xùn)練階段開始前，確定權(quán)重矩陣 WW 的初始值。encode 和 decode 兩個過程可以理解成互為反函數(shù)，在 encode 過程不斷降維，在 decode 過程提高維度。當(dāng) AutoEncoder 過程中用卷積操作提取特征，相當(dāng)于 encode 過程為一個深度卷積神經(jīng)網(wǎng)絡(luò)， 好多層的卷積池化，那么 decode 過程就需要進(jìn)行反卷積和反池化。

它的特點是編碼器會創(chuàng)建一個隱藏層（或多個隱藏層）包含了輸入數(shù)據(jù)含義的低維向量。 然后有一個解碼器，會通過隱藏層的低維向量重建輸入數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)中的權(quán)重矩陣 WW 可 看作是對輸入的數(shù)據(jù)進(jìn)行特征轉(zhuǎn)換，即先將數(shù)據(jù)編碼為另一種形式，然后在此基礎(chǔ)上進(jìn)行一 系列學(xué)習(xí)。

（3）增強學(xué)習(xí)。增強學(xué)習(xí)是機器學(xué)習(xí)的一種。機器學(xué)習(xí)主要分監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、 半監(jiān)督學(xué)習(xí)、增強學(xué)習(xí)。增強學(xué)習(xí)讓計算機自己去學(xué)著做事情，如果做的好就獎勵，做的不 好就給與一定懲罰。

（4）生成對抗網(wǎng)絡(luò)是一個以生成模型為基礎(chǔ)的模型，其傳統(tǒng)模型為預(yù)測聯(lián)合概率分布 P（x，y）。最早出現(xiàn)于 1986 年的玻爾茲曼機的模型，并在 2006 年被重新定義，并且將其 堆疊成為 Deep Belief Network，使用逐層貪婪或者 wake-sleep 的方法訓(xùn)練。生成對抗網(wǎng)絡(luò) 是 Ian Goodfellow 在 2014 年提出的一種新模型。最初，是為了通過神經(jīng)網(wǎng)絡(luò)來生成數(shù)據(jù)。 因此，Ian 被稱為生成對抗網(wǎng)絡(luò)之父。生成對抗網(wǎng)絡(luò)由兩部分組成，分別是生成器和判別器。 在訓(xùn)練的過程中，需要兩者很好的配合。生成器慢慢達(dá)到一個更好狀態(tài)，而判別器也越來越 精確，兩者不斷博弈，相互促進(jìn)，最終判別器無法識別生成器。

計算機視覺

計算機的視覺感知是為了讓計算機具備人的視覺，可以自動提取圖像、視頻等視覺數(shù)據(jù) 中蘊含的層次化語義概念及多語義概念間的時空關(guān)聯(lián)等。它的主要任務(wù)就是通過對采集的圖 片或視頻進(jìn)行處理以獲得相應(yīng)場景的三維信息。其原理是用各種成像系統(tǒng)代替視覺器官作為 輸入敏感手段，由計算機來代替大腦完成處理和解釋。視覺感知的最終研究目標(biāo)就是使計算 機能象人那樣通過視覺觀察和理解世界，具有自主適應(yīng)環(huán)境的能力。主要應(yīng)用于控制過程、 導(dǎo)航、檢測事件、組織信息、造型對象或環(huán)境、相互作用及自動檢測等，其中最突出的應(yīng)用 領(lǐng)域是醫(yī)療計算機視覺和醫(yī)學(xué)圖像處理。

目前視覺感知存在著識別、運動、場景重建及圖像恢復(fù)四個問題。在識別方面，到目前 為止，還沒有某個單一的方法能夠廣泛的對各種情況進(jìn)行判定：在任意環(huán)境中識別任意物體。 現(xiàn)有技術(shù)能夠也只能夠很好地解決特定目標(biāo)的識別，比如簡單幾何圖形識別，人臉識別，印 刷或手寫文件識別或者車輛識別。而且這些識別需要在特定的環(huán)境中，具有指定的光照，背 景和目標(biāo)姿態(tài)要求。

視覺感知主要是通過各種系統(tǒng)來實現(xiàn)，有些是獨立工作的，用于解決具體的測量或檢測 問題；也有些作為某個大型復(fù)雜系統(tǒng)的組成部分出現(xiàn)，比如和機械控制系統(tǒng)，數(shù)據(jù)庫系統(tǒng)， 人機接口設(shè)備協(xié)同工作。而每個系統(tǒng)都具備圖像獲取、預(yù)處理、特征提取、檢測分割及高級 處理等五項重要功能。

計算機視覺經(jīng)歷了馬爾計算視覺、多視幾何與分層三維重建、基于學(xué)習(xí)的視覺三個階段。 本世紀(jì)初基于學(xué)習(xí)的視覺研究主要是以流形學(xué)習(xí)為代表的子空間法，當(dāng)前主要是以深度學(xué)習(xí) 為代表的視覺方法：SinGAN 生成框架由具有層級結(jié)構(gòu)的 patch-GANs（馬爾可夫判別器） 組成，能夠處理包含復(fù)雜結(jié)構(gòu)和紋理的普通自然圖像的神經(jīng)網(wǎng)絡(luò)。DeepLabv3+通過添加一 個簡單有效的解碼器模塊來優(yōu)化對象邊界的分割結(jié)果，將深度分離卷積應(yīng)用于 ASPP，通過 空洞卷積提取稠密特征。AAE 與最先進(jìn)的深度學(xué)習(xí)方法相比，具有更好的準(zhǔn)確性和更高的效 率。

雖然技術(shù)看起來眼花繚亂，但究其本質(zhì)，AI 其實是一種新的思維方式，是對人的意識、 思維進(jìn)行模擬，它滲透到社會的各個層面。提升效率的正面因素是帶來生產(chǎn)率的提升，而思 維和其技術(shù)越來越隱藏于背后，使得外界難以一窺究竟?？梢韵胍?，不具備 AI 思維的企業(yè) 是沒有未來的，不具備 AI 思維的人才是沒有高度的。在可見的未來，AI 將會極大改變社會 生態(tài)和人才的分布，我們也會更加深刻地理解，人才是最關(guān)鍵的這個詞的真正的力量。

AI 商業(yè)生態(tài)梳理

從投資的角度，或許沒有辦法對技術(shù)有多深刻的掌握和理解，由于技術(shù)、算法都是高速 迭代，從技術(shù)本身進(jìn)行判斷是非常困難的，其商業(yè)本質(zhì)和選擇的賽道會更容判斷。所以下面 一章，我們會從商業(yè)的角度進(jìn)行梳理。

AI 最令人激動的方面之一是實際應(yīng)用比比皆是。深度學(xué)習(xí)推動了計算機視覺的發(fā)展，而 自然語言處理等技術(shù)正在極大地提高蘋果的 Siri，亞馬遜的 Alexa 和 Google 的照片識別質(zhì) 量。在將大數(shù)據(jù)集與足夠強大的技術(shù)結(jié)合在一起的情況下，就可以創(chuàng)造價值并獲得競爭優(yōu)勢。 對 AI 的關(guān)注應(yīng)該是持續(xù)的，雖然各行各業(yè)都用 AI 提升自己的效率和技術(shù)水平，現(xiàn)階段在服 務(wù)、培訓(xùn)、數(shù)據(jù)、硬件等方面的投入在持續(xù)增加。

技術(shù)、硬件全球生態(tài)

現(xiàn)階段，各公司會根據(jù)自身的條件和資源學(xué)習(xí)或者掌握 AI 技術(shù)，機器學(xué)習(xí)嚴(yán)重依賴于云平臺供應(yīng)商提供的開源技術(shù)和服務(wù)。下表是全球機器學(xué)習(xí)浪潮中的 AI 技術(shù)生態(tài)和相關(guān)的 公司。

政府和全球巨頭生態(tài)建設(shè)火熱進(jìn)行中

AI 技術(shù)目前已經(jīng)滲透進(jìn)各個行業(yè)，每個行業(yè)屬性不同，其技術(shù)發(fā)展水平和使用場景不同。 目前產(chǎn)品成熟度較高的為智能家居。

從人工智能技術(shù)目前在各個行業(yè)的使用率情況來看，安防和金融行業(yè)的人工智能技術(shù)使 用率最高，其他行業(yè)如零售、交通、教育、醫(yī)療、制造、健康使用率較低。

在政府和大型公司的領(lǐng)跑下，越來越多的 AI 開放平臺開始涌現(xiàn)出來。2017-2018 年， 科技部等多部門確定了五大國家新一代人工智能開放創(chuàng)新平臺：分別依托百度、阿里云、騰 訊、科大訊飛公司、商湯集團(tuán)，建設(shè)自動駕駛、城市大腦、醫(yī)療影像、智能語音、智能視覺 人工智能開放創(chuàng)新平臺。由科技部、發(fā)改委、財政部、教育部、工信部、中科院等 15 個部 門構(gòu)成的新一代人工智能發(fā)展規(guī)劃推進(jìn)辦公室來推進(jìn)項目、基地、人才的統(tǒng)籌布局。

除了國家級人工智能開放創(chuàng)新平臺以外，越來越多人工智能領(lǐng)域的其他企業(yè)也開始搭建 人工智能開放平臺。

互聯(lián)網(wǎng)科技巨頭全面布局人工智能：美國的 IBM、微軟和谷歌重點布局機器學(xué)習(xí)、語音 識別和語言處理。BATH 重點布局支付和交付技術(shù)、視頻圖像處理和智能搜索。

IBM 均衡布局人工智能技術(shù)，在云計算、語音識別、自然語言處理、深度學(xué)習(xí)和無人駕 駛等關(guān)鍵技術(shù)領(lǐng)域有很多積累。IBM 最著名的 Watson 認(rèn)知計算平臺已經(jīng)應(yīng)用于醫(yī)療和金融 領(lǐng)域，除此之外還有 SystemML 機器學(xué)習(xí)平臺，在多個領(lǐng)域進(jìn)行投資并購和合作。

微軟是語音技術(shù)的領(lǐng)導(dǎo)者，推動了深度神經(jīng)神經(jīng)網(wǎng)絡(luò)在工業(yè)界的大型語音識別方面的突破，組建人工智能與研究事業(yè)部聚焦語音識別、云計算、基礎(chǔ)算法。微軟的語音服務(wù)器已應(yīng) 用于政府、金融制造業(yè)等領(lǐng)域。

谷歌作為深度學(xué)習(xí)的領(lǐng)軍者，深耕人機交互、語言理解、機器人等領(lǐng)域，通過并購 DeepMind 與強生、福特深入合作。重點布局語音識別、自動駕駛、基礎(chǔ)算法、深度學(xué)習(xí)和 云計算，成為全球自動駕駛領(lǐng)域的巨頭。

百度建立完整生態(tài)，成立深度學(xué)習(xí)研究院、大數(shù)據(jù)研究院、硅谷人工智能實驗室和增強 現(xiàn)實實驗室和深度學(xué)習(xí)及應(yīng)用國家工程實驗室，創(chuàng)造了平臺體系百度智能云和百度大腦。在 語音識別、深度學(xué)習(xí)、基礎(chǔ)算法、無人駕駛和自然語音處理領(lǐng)域布局。

百度 2013 年進(jìn)入無人駕駛領(lǐng)域，具備完整的系統(tǒng)方案，依托交通場景物體識別和環(huán)境 感知技術(shù)為無人汽車駕駛提供智能決策，目前已經(jīng)在長沙進(jìn)行實際路測。

騰訊投資了搜狗、Skymind 和 Diffbot，并先后成立微信 AI 實驗室、優(yōu)圖實驗室和 AI Lab 三大機構(gòu)，主要產(chǎn)品包括騰訊云小微和深度學(xué)習(xí)平臺小微、DI-X 深度學(xué)習(xí)平臺、語音翻譯軟件。騰訊在語音識別、云計算、深度學(xué)習(xí)和基礎(chǔ)算法四個領(lǐng)域布局，非常關(guān)注 AI 技術(shù)在垂 直領(lǐng)域的落地應(yīng)用，包括醫(yī)療、金融、安防、政務(wù)、零售等。

阿里巴巴 2015 年推出可視化人工智能平臺 DT-PAI，并在此基礎(chǔ)上推出虛擬助手“阿里 小蜜”和 ET 機器人，先后成立達(dá)摩院和數(shù)據(jù)科學(xué)與技術(shù)研究院從事前沿研究，重點開發(fā)計算資源及人工智能共性技術(shù)，并將 AI 集成到云服務(wù)中。

風(fēng)險提示

技術(shù)路徑風(fēng)險，政策推動力度不達(dá)預(yù)期的風(fēng)險。