「人工智能」涵蓋了很多前沿技術(shù)和分支，卻很難用一句話(huà)來(lái)定義，因為它一直處在發(fā)展當中。比如，一些在過(guò)去看來(lái)很「人工智能」的事情，現在卻變成了簡(jiǎn)單的「機械重復」，像是數字的高速計算、圖像的處理等。?但總體上來(lái)看，「人工智能」的本質(zhì)和目的一直沒(méi)有發(fā)生太多變化，那就是「完成人類(lèi)的部分腦力工作」。

20 世紀 60 年代開(kāi)始，就有許多科幻電影和科幻小說(shuō)描述著(zhù)人類(lèi)對「人工智能」的憧憬和恐懼，比如斯皮爾伯格的知名影片《人工智能》。不過(guò)在現實(shí)中，長(cháng)久以來(lái)，受到技術(shù)、科技發(fā)展和應用層面的限制，人工智能只是一件人人都在說(shuō)，都以為別人在做，但事實(shí)上卻沒(méi)多少人知道該怎么做的事——無(wú)論在學(xué)術(shù)研究層面還是在應用層面都是如此。

人工智能曾經(jīng)在 20 世紀 90 年代互聯(lián)網(wǎng)泡沫破裂前風(fēng)靡一時(shí)，到了 21 世紀伊始卻變成了一個(gè)禁忌，大家開(kāi)始懷疑它是否存在。而到了 2011 年，美國資本市場(chǎng)再度為人工智能而瘋狂。風(fēng)險投資機構和頂級科技公司們開(kāi)始頻繁投資這個(gè)領(lǐng)域的創(chuàng )業(yè)公司，投資范圍從應用層面的機器人、增強現實(shí)，到底層技術(shù)層面的深度學(xué)習算法、神經(jīng)網(wǎng)絡(luò )芯片等，人工智能項目也遍地開(kāi)花。比如，Google 接連投資了虛擬現實(shí)創(chuàng )業(yè)公司 Magic Leap，收購了人工智能公司 DeepMind；Facebook 收購語(yǔ)音識別公司 Wit.ai，等等。

除了投資外部團隊之外，像 IBM、Google、Facebook 和百度等國內外科技巨頭們也紛紛加強自己的人工智能方面的專(zhuān)業(yè)團隊，招募了一批人工智能尤其是深度學(xué)習相關(guān)領(lǐng)域的科學(xué)家，如深度學(xué)習鼻祖之一 Geoffrey Hinton 加入了 Google，Yann LeCun 加入了 Facebook 擔任人工智能實(shí)驗室負責人，Andrew Ng（吳恩達）加入百度負責深度學(xué)習研究院等。

驅動(dòng)人工智能發(fā)展的內外動(dòng)因

「人工智能」的再度興起并非偶然，外部環(huán)境和人工智能自身都在發(fā)生演化。我們認為，驅動(dòng)人工智能領(lǐng)域發(fā)展到現在程度的外部動(dòng)因有：

1.傳感器能力和數量的大幅提升：LIGA 等微電子技術(shù)的日趨成熟，推動(dòng)著(zhù)傳感器的能力有了質(zhì)的飛躍，而大量智能設備的出現則進(jìn)一步加速了傳感器領(lǐng)域的繁榮。這些延伸向真實(shí)世界各個(gè)領(lǐng)域的觸角是機器感知世界的基礎，而感知則是智能實(shí)現的前提之一。

2.計算成本的大幅下降：?摩爾定律使得計算成本在迅速下降，同時(shí)云計算的出現、GPU 的大規模應用使得集中化的數據計算能力變得前所未有得強大。大規模的的集中式計算使得人工智能的發(fā)展速度指數級加快。過(guò)去僅訓練深度神經(jīng)網(wǎng)絡(luò )模型對某一物體的認知就要花費近一年時(shí)間，而現在這個(gè)時(shí)間被縮短到幾天內。

3.海量數據的出現：?根據預計，2015 年全球產(chǎn)生的數據總量將達到十年前的 20 多倍。如此海量的數據給機器學(xué)習的提供了足夠多的素材（但是需要注意的是，在其中真正有標注的數據不超過(guò)總量的 10%）。

當然，?更重要的驅動(dòng)因素是內因——算法的進(jìn)步。當下人工智能領(lǐng)域最先進(jìn)、應用最廣泛的核心技術(shù)是深度神經(jīng)網(wǎng)絡(luò )（深度學(xué)習）。?而且，直到 2006 年，深度神經(jīng)網(wǎng)絡(luò )才得到快速發(fā)展，逐漸成為人工智能領(lǐng)域的主流研究方向。

21 世紀人工智能的里程碑事件之一是，2006 年 Geoffrey Hinton 發(fā)表的論文 & nbsp;A Fast Learning Algorithm for Deep Belief Nets。?他在此文中提出的深層神經(jīng)網(wǎng)絡(luò )逐層訓練的高效算法，讓當時(shí)計算條件下的神經(jīng)網(wǎng)絡(luò )模型訓練成為了可能，同時(shí)通過(guò)深度神經(jīng)網(wǎng)絡(luò )模型得到的優(yōu)異的實(shí)驗結果讓人們開(kāi)始重新關(guān)注人工智能。之后，深度神經(jīng)網(wǎng)絡(luò )模型成為了人工智能領(lǐng)域的重要前沿陣地，深度學(xué)習算法模型也經(jīng)歷了一個(gè)快速迭代的周期，Deep Belief Network、Sparse Coding、Recursive Neural Network, Convolutional Neural Network 等各種新的算法模型被不斷提出，而其中卷積神經(jīng)網(wǎng)絡(luò )（Convolutional Neural Network，CNN）更是成為圖像識別最炙手可熱的算法模型。

目前，隨著(zhù) GPU 和 CPU 集群的出現，云端的計算資源已經(jīng)慢慢不再是人工智能的發(fā)展瓶頸。而人工智能算法模型的進(jìn)一步豐富和改進(jìn)以及本地化人工智能的實(shí)現成為了人工智能新的主要發(fā)展方向。

人工智能的三步走

從人工智能的整個(gè)發(fā)展歷程來(lái)看，按照應用場(chǎng)景和人工智能資源的集中度，可以大致分成三個(gè)階段。

第一階段：實(shí)驗室研究階段，這一階段的人工智能資源高度集中。?人工智能在 2011 年前的發(fā)展大致還處于實(shí)證研究階段，資源高度集中在國家或大學(xué)資助的研究機構中，用于算法模型的訓練和研究，人工智能還只能為極少數人接觸到。?這一階段大量的工作除了在算法模型本身的研究外，還包括建立計算能力本身。

第二階段：企業(yè)應用階段，這一階段的人工智能資源被少部分科技巨頭掌握。?在人工智能表現出一定的實(shí)際應用價(jià)值后，科技巨頭們一擁而上，紛紛希望在這個(gè)領(lǐng)域取得突破。在少部分核心企業(yè)掌握了大規模的人工智能資源以后，其它小規模的企業(yè)一般會(huì )利用這些核心企業(yè)提供的人工智能資源接口和其支持的人工智能應用為自身的發(fā)展提供服務(wù)。?由于掌握大規模的計算資源是這一模式的前提，因此這一階段人工智能資源的集中度仍然非常高，而這將是人工智能在企業(yè)場(chǎng)景下的主要應用形式，即集中計算，分布使用。

第三步：個(gè)人應用階段，這一階段的人工智能資源被分散到個(gè)人手中。?顯然，依賴(lài)于云端大規模計算資源的人工智能算法限制著(zhù)人工智能在消費者場(chǎng)景的應用，因為集中式計算意味著(zhù)巨量的網(wǎng)絡(luò )資源消耗，并且因為網(wǎng)絡(luò )問(wèn)題，難以在消費者應用場(chǎng)景中有穩定的表現。因此，?人工智能的本地化，也就是從集中走向分布（細化到智能手機、可穿戴設備等）實(shí)現將是人工智能在消費者場(chǎng)景中得到普及的關(guān)鍵一步。?伴隨著(zhù)人工智能的本地化實(shí)現，將使得人工智能真正延展到手持設備、家用電器、汽車(chē)等消費級應用。

人工智能本地化實(shí)現的難點(diǎn)在于本地的計算能力在如今動(dòng)輒幾個(gè) G 的算法模型面前杯水車(chē)薪、無(wú)能為力。?一部 iPhone 6 手機采用一般的 CNN 算法去處理一張 200*200 像素圖像的 ImageNet 千分類(lèi)問(wèn)題需要的時(shí)間是 300 毫秒，但這樣的處理速度對于用戶(hù)體驗來(lái)說(shuō)是災難性的。要提高本地的圖像識別處理速度，?目前能夠想到的途徑有三條：一是精簡(jiǎn)算法模型，根據實(shí)際的場(chǎng)景適配需要的精度，讓模型盡可能簡(jiǎn)化，二是提升 CPU 的計算能力。目前的智能手機 CPU 已經(jīng)在 20nm 制程以下，按照傳統路線(xiàn)，CPU 提升的極限可能在 7-10nm，這其實(shí)非常有限。?而且，?大功耗也是一般移動(dòng)設備難以承受的，因此只有為人工智能算法模型重新開(kāi)發(fā)專(zhuān)門(mén)的芯片才有可能滿(mǎn)足本地的計算要求。

從這個(gè)角度來(lái)看，人工智能在消費者場(chǎng)景實(shí)現的關(guān)鍵是對算法模型優(yōu)化和用戶(hù)場(chǎng)景的綜合理解，以及底層硬件的設計制造。而人工智能的企業(yè)應用則會(huì )是巨頭們的游戲。

人工智能的產(chǎn)業(yè)生態(tài)

人工智能產(chǎn)業(yè)主要由底層可應用技術(shù)（圖像識別、語(yǔ)音識別、自然語(yǔ)言處理、硬件技術(shù)等）、計算資源（大規模 GPU 集群）、基礎數據服務(wù)，以及企業(yè) / 政府 / 消費者應用組成。遵循產(chǎn)業(yè)的一般發(fā)展規律，人工智能的發(fā)展路徑仍然是從底層可應用技術(shù)的成熟開(kāi)始，再到商業(yè)化計算資源、數據服務(wù)等基礎設施的完善，最后形成企業(yè)和消費者應用的繁榮。

目前還是人工智能的早期階段，我們需要關(guān)注的是三方面的發(fā)展：?一方面是底層可應用技術(shù)的突破，包括算法的和硬件的；另一方面是中間的數據服務(wù)和計算資源利用的進(jìn)步；最后也是最重要的是，基于現有技術(shù)的應用場(chǎng)景的發(fā)掘。?其中，底層技術(shù)不一定是「獨門(mén)秘技」，能夠把底層技術(shù)商業(yè)化的公司一定是?因為自身的成本曲線(xiàn)優(yōu)于大部分用戶(hù)的成本曲線(xiàn)。如果不滿(mǎn)足這個(gè)特性，那么某些企業(yè)即使有短暫的技術(shù)領(lǐng)先，最后都難以實(shí)現大規模商業(yè)化。

風(fēng)起于青萍之末

乍看上去，人工智能是個(gè)巨頭間的游戲，巨頭企業(yè)無(wú)論從資本、人才還是技術(shù)積累上似乎都更有優(yōu)勢。然而事實(shí)未必如此。如果以汽車(chē)行業(yè)做類(lèi)比，汽車(chē)電動(dòng)化的先驅并非寶馬、大眾這樣的傳統汽車(chē)巨頭，而是特斯拉這樣的「小」公司。這其中的原因在于，大公司面對創(chuàng )新變革時(shí)，往往看不上小機會(huì )，因為小機會(huì )對它們的吸引力實(shí)在太小了。巨頭們往往喜歡憋大招，喜歡一步到位，從而徹底甩開(kāi)競爭對手。?但是創(chuàng )新、特別是針對大眾消費者的創(chuàng )新卻是循序漸進(jìn)的，所謂「大招」中其實(shí)包含著(zhù)不少對用戶(hù)需求的錯誤假設。小步快跑，不斷尋求和用戶(hù)互動(dòng)，積跬步終能致千里。?因此，創(chuàng )業(yè)公司在人工智能的創(chuàng )新變革中反而會(huì )更有機會(huì )。從 Google 和 Yahoo 在搜索領(lǐng)域，到 Facebook 和 MySpace 在社交領(lǐng)域，再到 Apple 和 Nokia 在手機領(lǐng)域，最終變革的主導力量其實(shí)都是「小」公司。

基于這個(gè)方向判斷，有志于在人工智能領(lǐng)域挑戰巨頭的創(chuàng )業(yè)者們需要先想清楚三件事：

一、人工智能改變了什么。?偉大的產(chǎn)品或技術(shù)一定是改變了消費者在某些場(chǎng)景下的行為，有沒(méi)有都一樣的產(chǎn)品，很難給消費者使用它的理由。人工智能相關(guān)產(chǎn)品核心是要能夠替代一部分人的功能或者提高人的效率，那么在這個(gè)大前提下要考慮兩個(gè)小問(wèn)題，?第一個(gè)是，產(chǎn)品對應的用戶(hù)場(chǎng)景下人的介入頻次高不高，頻次決定了這個(gè)產(chǎn)品的天花板。第二個(gè)是，這個(gè)應用場(chǎng)景下替代掉的人的價(jià)值有多大，顯然替代掉的這部分價(jià)值轉化成了產(chǎn)品的內在價(jià)值。最后不妨做一個(gè)乘法，把產(chǎn)品所替代的工作／操作的頻次乘以每次工作／操作能夠產(chǎn)生的價(jià)值，這個(gè)乘積越大說(shuō)明人工智能在該應用場(chǎng)景中發(fā)揮的作用越大。

二、該方向上的人工智能是否能夠實(shí)現。?人工智能的許多技術(shù)都還沒(méi)到非常成熟的地步。之前提到，創(chuàng )業(yè)者的優(yōu)勢在于小步快跑，因此在人工智能還不成熟的領(lǐng)域，一味追求技術(shù)上的突破來(lái)解決所有問(wèn)題并不可取。無(wú)法解決一個(gè)通用場(chǎng)景就從幾個(gè)專(zhuān)門(mén)的場(chǎng)景先入手，無(wú)法做出一個(gè)「萬(wàn)能」的產(chǎn)品不妨先做出一個(gè)可以用的產(chǎn)品。只有用戶(hù)使用了產(chǎn)品并給予反饋，才可能真正知道自己產(chǎn)品的缺陷和下一步的方向。

三、人工智能能否成為該產(chǎn)品的核心競爭力。?核心競爭力是一個(gè)產(chǎn)品的拳頭，如果拳頭不硬，這個(gè)產(chǎn)品無(wú)疑打開(kāi)不了市場(chǎng)。因此產(chǎn)品的核心競爭力如果是人工智能，那么該方面的人工智能必須是完美適用于該特定場(chǎng)景的。如果產(chǎn)品倚重的是還存在很多瑕疵的人工智能技術(shù)，那么這個(gè)產(chǎn)品本身的被接受程度就會(huì )很不理想。但不要籠統地認為人工智能技術(shù)的某些局限會(huì )成為產(chǎn)品的絆腳石。以特斯拉電動(dòng)車(chē)為例：電池性能至今還在很多方面限制著(zhù)電動(dòng)車(chē)的表現，依然有很多用戶(hù)青睞特斯拉，原因是特斯拉的核心競爭力在于它出色的啟動(dòng)、智能化的駕駛體驗和簡(jiǎn)易的維護，電池盡管是一個(gè)短板但不是核心功能。因此，關(guān)鍵仍然在于定義自己的核心競爭力，并確保在核心競爭力上的技術(shù)是經(jīng)得起推敲的。

人工智能已經(jīng)走出了象牙塔，在企業(yè)和消費者端的應用有了顯著(zhù)進(jìn)步。但這仍然不夠。如何讓消費者手中的設備擁有盡可能多的處理能力，需要技術(shù)和應用的雙端突破，這也正是人工智能領(lǐng)域創(chuàng )業(yè)公司的機會(huì )和任務(wù)所在——人工智能之風(fēng)，在未來(lái)會(huì )起于青萍之末。

人工智能概念股：埃斯頓、科大智能、漢王科技、江南化工、華東數控、和而泰、中科曙光、永創(chuàng )智能、北京君正、通富微電、永創(chuàng )智能、勁拓股份。