人工智能大时代已至，深度分析人工智能这盘棋下得有多大

人工智能大时代已至，深度分析人工智能这盘棋下得有多大人工智能大时代已至，深度分析人工智能这盘棋下得有多大

本文转载自：-- 发表时间：2017-6-2 本文作者：-- 浏览次数：6218

1、深度分析：人工智能（AI）的过去、现状、未来
2、人工智能大时代已至，深度分析人工智能这盘棋下得有多大
3、不了解人工智能,你可能会错过一个时代
最近，人工智能的发展持续抢眼球：和柯洁对垒的 AlphaGo，比去年和李世石对战时的算法效率提高了近10倍，已接近“围棋上帝”，不难想象，阿尔法狗血洗顶尖棋手所带来的震撼；今年5月，德勤正式将人工智能引入财务工作中，一个机器人可以顶替15个财务的工作，而且可以每周24小时*7日的工作，打开了一个全新财务工作的时代；微软的人工智能少女小冰发布了自己的第一本诗集《阳光失了玻璃窗》，虽然各位文化大伽称其诗篇还比较稚嫩，但前景可畏；刚刚过去不久的Google I/O大会上，Google公布了Google Assistant（类似苹果的Siri）的图片识别翻译功能，也是令人敬畏。

【60年发展，从AI诞生到AI产业爆发】
人工智能（Artificial Intelligence or AI）：通过模拟、延伸和扩展人类智能，使机器胜任人类智能才能完成的复杂工作，如用计算机模仿人脑的判断、推理、证明、感知、识别、理解、设计、学习、思考、规划、问题求解等思维过程。该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
智能包括的四种能力：

人工智能的三种类型：
1）弱人工智能：仅擅长某个单方面应用的人工智能，超出特定领域外则无有效解；
2）强人工智能：人类级别的人工智能，在各方面都能和人类比肩，且无法简单进行人类与机器的区分；
3）超人工智能：在各个领域均可以超越人类，在创新创造、创意创作领域均可超越人类，可解决任何人类无法解决的问题。
从目前人工智能的应用场景来看，当前人工智能仍是以特定应用领域为主的弱人工智能，而未来随着运算能力、数据量的大幅增长以及算法的提升，弱人工智能将逐步向强人工智能转化。

人工智能的发展历程：
人工智能发展历程
1955 达特茅斯会议标志着AI的诞生；
1957 罗森布拉特发明第一款神经网络Perceptron，将人工智能推向第一个高峰；
1970 计算能力突破没能使机器完成大规模数据训练和复杂任务，AI进入第一个低谷；
1982 霍普菲尔德神经网络被提出；
1986 BP算法出现使得大规模神经网络的训练成为可能，将AI 推向第二个黄金期；
1990 人工智能计算机DARPA没能实现，政府投入缩减，AI进入第二次低谷；
2006 Hinton提出“深度学习”神经网络使得人工智能性能获得突破性进展；
2013 深度学习算法在语音和视觉识别上取得成功，识别率分别超过99%和95%，进入感知智能时代；
2016 谷歌AlphaGo4:1战胜李世石九段，揭开人工智能新篇章。

人工智能的发展阶段：

【政策、资本、技术三大驱动力助力AI行业浪潮高涨】

政策驱动：多国释放“最高信号”助力人工智能发展
1、国内近两年相继出台扶植人工智能发展的政策，积极推动人工智能在各个细分领域的渗透。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。2017年两会上，人工智能更是首次写入政府工作报告。
2、同时各国均在政策层面强调和推动人工智能的发展。其中，美国侧重于研发新型脑研究技术；欧盟主攻以超级计算机技术来模拟脑功能；日本则聚焦以动物为模型研究各种脑功能和脑疾病的机理。

资本驱动：巨头加入，资本层面爆发持续带动AI行业加速
巨头的加入、资本的持续布局在一定程度上印证了人工智能行业的火爆，虽然短期看人工智能仍处于大规模投入期，短期内较难变现，但未来人工智能应用于无人驾驶汽车、辅助诊断、刑侦监测等领域将会产生巨大的商业价值和社会价值，资本层面的爆发将持续带动人工智能行业加速爆发。
1、截止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。人工智能领域投资额逐年增长，2011-2016年5年间增长了12 倍。资本层面的爆发将持续带动人工智能行业加速爆发。
2017年一季度，国内AI投资项目达36个，千万级别融资超一半，超亿元人民币融资至少有5起，知名投资机构包括软银中国、昆仲资本、君联资本、清科创投、创新工场等。相关研究预测，到2018年62%的大型企业都将会使用AI技术。

2017年一季度国内AI超亿元人民币融资项目
2、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。

巨头巨头布局人工智能实验室
Google 人工智能实验室：负责谷歌自身相关AI产品开发，开发了第二代人工智能系统TensorFlow；
DeepMind：由人工智能研究者Demis Hassabis等人创立，2014年被谷歌收购，开发了智能围棋机器人AlphaGo；
Google X：谷歌终极实验室，开发了Google Glass、谷歌无人车，正在研发物联网、智能机器人等神秘项目；
微软微软研究院：微软拥有七大研究院，其中：微软雷蒙德研究院成立于1991年，研究人工智能、自然用户界面等；微软剑桥研究院成立于1997年，研究生物计算、人工智能、机器学习、信息安全等；微软亚洲研究院成立于1998年，研究深度学习等。研发成果包括必应搜索，Skype语音翻译，Cortana、聊天机器人Tay、小冰智能助理，支持实时卷积神经网络的智能摄像头A-eye等；
艾伦人工智能研究院：致力于对人工智能的研究，目前主要专注于四个项目：名为Aristo的机器阅读与推理程序、SemanticScholar语义理解搜索程序，Euclid自然语言理解程序和Plato计算机视觉程序；
IBM IBM研究院：推出各项创新技术和理念，包括超级电脑DeepBlue和Watson；
Facebook 人工智能研究中心（Facebook AI Research，简称FAIR）：研究图像识别、语义识别等人工智能技术，支持读懂照片、识别照片中的好友、智能筛选上传照片、回答简单问题等功能；
应用机器学习实验室（AppliedMachine Learning，简称AML）：将人工智能和机器学习领域的研究成果应用到Facebook现有产品；
百度深度学习研究院：2013年成立。引领“百度大脑”计划，旗下有百度识图、百度无人车、百度无人飞行器、DuBike、BaiduEye、DuLight等产品
阿里数据科学技术研究院（Institute ofData Science & Technologies，IDST）：公开的团队负责人有两位，来自普渡大学计算机系和统计系的终身教授漆远，擅长机器学习和人工智能；来自美国密歇根州立大学的终身教授金榕，研究领域包括分布式信息检索、机器学习、多媒体数据处理与挖掘等；
腾讯智能计算与搜索实验室：专注于搜索技术、自然语言处理、数据挖掘和人工智能四大研究领域，推出了智能搜索引擎“云搜”和中文语义平台“文智”；

巨头AI领域的资本并购
Apple 2016年8月收购人工智能公Turi；
2016年1月收购计算机视觉公司FlybyMedia；
2016年1月收购面部表情情绪识别公司Emotient；
2015年10月收购图像识别公司Perceptio；
2015年10月收购深度学习语义识别公司VocalIQ；
2015年5月收购计算机视觉和增强现实公司Metaio；
2010年收购语音识别Siri；
其它：数据挖掘公司Cue、Matcha、Semetric、Spotsetter等（每年20~30 家）；
Google 2016年7月投资智能家政公司Care.com；
2015年5月收购深度学习图像识别公司VisionFactory；
2015年5月收购深度学习自然语言处理公司DarkBlueLabs；
2014年8月收购图片分析公司Jetpac；
2014年1月收购智能家居公司Nest；
2014年1月收购人工智能公司DeepMind；
2013年7月收购神经网络公司DNNResearch；
Intel 2016年8月收购专攻深度学习的Nervana；
2016年5月收购计算机视觉公司Itseez；
2015年10月收购人工智能公司Saffron；
2015年3月收购人工智能芯片厂商Altera；
2013年9月收购自然语言识别公司Indisys；
2013年7月收购姿势识别软件开发商Omek；
其它：Lumiata、DataRobot、Perfant、Parallel Machines等；
微软 2016年8月收购人工智能虚拟助手公司Genee；
2016年6月收购自然语言和人工智能技术公司WandLabs；
2016年2月收购智能手机可预测人工智能键盘开发商Swiftkey；
IBM 2015年3月收购自然语言处理云平台AlchemyAPI；
2014年5月收购AI虚拟助手Cogenea；
亚马逊 2015年4月收购图片识别公司Orbeus；
2012年收购智能仓储机器人Kiva；
Facebook 2015年1月收购语音识别和自然语义处理公司wit.ai；
2013年8月收购语音识别和翻译应用MobileTechnologies；
2012年2月收购脸部识别公司Face.com；

【AI技术驱动：深度学习，计算能力，大数据】
（一）算法层-深度学习
深度学习是通过大量的简单神经元组成，每层的神经元接收更低层神经元的输入，通过输入与输出的非线性关系将低层特征组合成更高层的抽象表示，直至完成输出。

深度学习模型
与传统机器学习不同的是，深度学习提出了一种让计算机自动学习出模式特征的方法，并将特征学习融入到了建立模型的过程中，从而减少了人为设计特征造成的不完备性。而目前以深度学习为核心的某些机器学习应用，在满足特定条件的应用场景下，已经达到了超越现有算法的识别或分类性能。
深度学习直接尝试解决抽象认知的难题，并取得了突破性的进展。深度学习的提出、应用与发展，无论从学术界还是从产业界来说均将人工智能带上了一个新的台阶，将人工智能产业带入了一个全新的发展阶段。
（二）硬件层-计算能力
英特尔创始人之一戈登〃摩尔于1975年开创性的提出摩尔定律，即当价格不变时，集成电路上可容纳的晶体管数目约每隔18个月便会增加一倍，性能也将提升一倍。计算成本的极速下降也为人工智能加速发展提供可能。

1000美元能买到的计算能力呈指数级增长
随着人工智能的不断发展，基于深度学习模型的算法对大规模并行计算能力的需求不断增加，CPU不再能很好地满足科学家们对于并行计算能力的需求，而GPU天然强大的并行计算能力被科学家们充分挖掘，GPU逐渐从由若干专用的固定功能单元组成的专用并行处理器向以通用计算资源为主，固定功能单元为辅的架构转变。
目前国际GPU市场被NVIDIA和AMD两大公司瓜分。截至2015年第二季度，NVIDIA市场份额已达到82%。谷歌无人驾驶汽车所采用的技术部件中，就采用了NVIDIA的移动终端处理器Tegra（4核CPU+256核GPU）。

GPU市场份额

（三）数据层-大数据
近年来，随着移动设备渗透率的逐步提升，全球数据量加速爆发。据国际数据资讯公司(GlobalPulse)估测，数据数量一直在快速增加，这个速度不仅是指数据流的增长，而且还包括全新的数据种类的增多。据统计，2013年全球产生的数据达到3.5ZB，到2020年产生的数量将增至44ZB，CAGR达到43.57%。

全球产生的数据量快速增长
深度学习的根本是能否有足够多的数据对人工智能系统进行训练，随着移动互联网的爆发，数据量指数级的增长，这都为利用大数据进行深度学习提供了可能。因此，在DT时代，大数据在知识解析、机器智能与人类智能协调工作及智能分析系统中将会扮演要角色，在大数据的支撑下，人工智能应用也将变的更加广泛，大数据将支撑人工智能产业爆发。

【人工智能 —— 当前人类技术革命的热点】
1、人工智能市场年复合增速超50%，市场空间极为广阔
根据艾瑞咨询预测数据，2015年我国人工智能市场规模约为12亿人民币，其中语音识别和视觉识别占比分别约为60%和12.5%，其他约占27.5%。随着资本持续投入、计算效率提升与数据积累以及技术不断迭代成熟，2017年将是人工智能产业化的元年，将在各领域开始进入应用落地阶段。
目前人工智能应用尚不完善，国内市场商业模式主要集中在License授权、项目等模式中，应用也多局限在以语音识别、语义理解为核心的智能客服、语音助手等及以人脸识别为代表的门禁、打卡及安防领域。由于目前人工智能技术主要应用感知智能技术，因此市场空间尚未打开，预计随着诸如无人驾驶汽车等认知智能技术的加速突破与应用，人工智能市场将加速爆发，未来人工智能+汽车、人工智能+医疗等产业均将创在巨大的商业价值。
2020年全球AI市场规模将达到1190亿元，年复合增速约19.7%；同期中国人工智能市场规模将达91亿元，年复合增速超50%，市场空间极为广阔。
2、未来3-5年，人工智能以服务智能为主要趋势：
在服务智能情景下，数据可得性高的行业，人工智能将率先用于解决行业痛点，爆发大量场景应用。医疗、金融、交通、教育、公共安全等行业数据电子化程度较高、数据较集中且数据质量较高，在这些行业将会率先涌现大量的人工智能场景应用，用以解决行业痛点。目前科技巨头打造开源平台，以开放谋求大生态；布局购布局AI应用技术。语音识别和计算机视觉等技术达到商业化阶段，语音识别准确率在95%以上，诸多神经网络深度学习模型的应用，使得计算机视觉达到商业化高度，ImageNet计算机视觉识别挑战中系统错误率已经低于人眼识别错误率，达到4.94%。
3、核心算法具有绝对优势的公司将在人工智能产业“长跑”最终取胜
人工智能产业链可划为三层：底层基础层、中间层技术层与上层应用层。

人工智能产业链

除通用性基础层外，人工智能产业竞争差异化的在于技术层与应用层，应用的开发周期短而核心算法的开发周期较长：短期可以依靠应用层创新获取市场机会，长期竞争优势则须在算法层有较深的技术储备。算法是人工智能的核心，掌握算法的公司可以迅速利用算法优势向应用层延伸。因此核心算法具有绝对优势的公司将在人工智能产业“长跑”最终取胜。