「人工智能」涵蓋了很多前沿技術(shù)和分支，卻很難用一句話來定義，因為它一直處在發(fā)展當(dāng)中。比如，一些在過去看來很「人工智能」的事情，現(xiàn)在卻變成了簡單的「機(jī)械重復(fù)」，像是數(shù)字的高速計算、圖像的處理等。?但總體上來看，「人工智能」的本質(zhì)和目的一直沒有發(fā)生太多變化，那就是「完成人類的部分腦力工作」。

20 世紀(jì) 60 年代開始，就有許多科幻電影和科幻小說描述著人類對「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》。不過在現(xiàn)實中，長久以來，受到技術(shù)、科技發(fā)展和應(yīng)用層面的限制，人工智能只是一件人人都在說，都以為別人在做，但事實上卻沒多少人知道該怎么做的事——無論在學(xué)術(shù)研究層面還是在應(yīng)用層面都是如此。

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

除了投資外部團(tuán)隊之外，像 IBM、Google、Facebook 和百度等國內(nèi)外科技巨頭們也紛紛加強(qiáng)自己的人工智能方面的專業(yè)團(tuán)隊，招募了一批人工智能尤其是深度學(xué)習(xí)相關(guān)領(lǐng)域的科學(xué)家，如深度學(xué)習(xí)鼻祖之一 Geoffrey Hinton 加入了 Google，Yann LeCun 加入了 Facebook 擔(dān)任人工智能實驗室負(fù)責(zé)人，Andrew Ng（吳恩達(dá)）加入百度負(fù)責(zé)深度學(xué)習(xí)研究院等。

驅(qū)動人工智能發(fā)展的內(nèi)外動因

「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(rèn)為，驅(qū)動人工智能領(lǐng)域發(fā)展到現(xiàn)在程度的外部動因有：

1.傳感器能力和數(shù)量的大幅提升：LIGA 等微電子技術(shù)的日趨成熟，推動著傳感器的能力有了質(zhì)的飛躍，而大量智能設(shè)備的出現(xiàn)則進(jìn)一步加速了傳感器領(lǐng)域的繁榮。這些延伸向真實世界各個領(lǐng)域的觸角是機(jī)器感知世界的基礎(chǔ)，而感知則是智能實現(xiàn)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，同時云計算的出現(xiàn)、GPU 的大規(guī)模應(yīng)用使得集中化的數(shù)據(jù)計算能力變得前所未有得強(qiáng)大。大規(guī)模的的集中式計算使得人工智能的發(fā)展速度指數(shù)級加快。過去僅訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型對某一物體的認(rèn)知就要花費(fèi)近一年時間，而現(xiàn)在這個時間被縮短到幾天內(nèi)。

3.海量數(shù)據(jù)的出現(xiàn)：?根據(jù)預(yù)計，2015 年全球產(chǎn)生的數(shù)據(jù)總量將達(dá)到十年前的 20 多倍。如此海量的數(shù)據(jù)給機(jī)器學(xué)習(xí)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(biāo)注的數(shù)據(jù)不超過總量的 10%）。

當(dāng)然，?更重要的驅(qū)動因素是內(nèi)因——算法的進(jìn)步。當(dāng)下人工智能領(lǐng)域最先進(jìn)、應(yīng)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(xí)）。?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(jì)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(xùn)練的高效算法，讓當(dāng)時計算條件下的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練成為了可能，同時通過深度神經(jīng)網(wǎng)絡(luò)模型得到的優(yōu)異的實驗結(jié)果讓人們開始重新關(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(xí)算法模型也經(jīng)歷了一個快速迭代的周期，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 GPU 和 CPU 集群的出現(xiàn)，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現(xiàn)成為了人工智能新的主要發(fā)展方向。

人工智能的三步走

從人工智能的整個發(fā)展歷程來看，按照應(yīng)用場景和人工智能資源的集中度，可以大致分成三個階段。

第一階段：實驗室研究階段，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)展大致還處于實證研究階段，資源高度集中在國家或大學(xué)資助的研究機(jī)構(gòu)中，用于算法模型的訓(xùn)練和研究，人工智能還只能為極少數(shù)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(yīng)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(xiàn)出一定的實際應(yīng)用價值后，科技巨頭們一擁而上，紛紛希望在這個領(lǐng)域取得突破。在少部分核心企業(yè)掌握了大規(guī)模的人工智能資源以后，其它小規(guī)模的企業(yè)一般會利用這些核心企業(yè)提供的人工智能資源接口和其支持的人工智能應(yīng)用為自身的發(fā)展提供服務(wù)。?由于掌握大規(guī)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)場景下的主要應(yīng)用形式，即集中計算，分布使用。

第三步：個人應(yīng)用階段，這一階段的人工智能資源被分散到個人手中。?顯然，依賴于云端大規(guī)模計算資源的人工智能算法限制著人工智能在消費(fèi)者場景的應(yīng)用，因為集中式計算意味著巨量的網(wǎng)絡(luò)資源消耗，并且因為網(wǎng)絡(luò)問題，難以在消費(fèi)者應(yīng)用場景中有穩(wěn)定的表現(xiàn)。因此，?人工智能的本地化，也就是從集中走向分布（細(xì)化到智能手機(jī)、可穿戴設(shè)備等）實現(xiàn)將是人工智能在消費(fèi)者場景中得到普及的關(guān)鍵一步。?伴隨著人工智能的本地化實現(xiàn)，將使得人工智能真正延展到手持設(shè)備、家用電器、汽車等消費(fèi)級應(yīng)用。

人工智能本地化實現(xiàn)的難點(diǎn)在于本地的計算能力在如今動輒幾個 G 的算法模型面前杯水車薪、無能為力。?一部 iPhone 6 手機(jī)采用一般的 CNN 算法去處理一張 200*200 像素圖像的 ImageNet 千分類問題需要的時間是 300 毫秒，但這樣的處理速度對于用戶體驗來說是災(zāi)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：一是精簡算法模型，根據(jù)實際的場景適配需要的精度，讓模型盡可能簡化，二是提升 CPU 的計算能力。目前的智能手機(jī) CPU 已經(jīng)在 20nm 制程以下，按照傳統(tǒng)路線，CPU 提升的極限可能在 7-10nm，這其實非常有限。?而且，?大功耗也是一般移動設(shè)備難以承受的，因此只有為人工智能算法模型重新開發(fā)專門的芯片才有可能滿足本地的計算要求。

從這個角度來看，人工智能在消費(fèi)者場景實現(xiàn)的關(guān)鍵是對算法模型優(yōu)化和用戶場景的綜合理解，以及底層硬件的設(shè)計制造。而人工智能的企業(yè)應(yīng)用則會是巨頭們的游戲。

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(yīng)用技術(shù)（圖像識別、語音識別、自然語言處理、硬件技術(shù)等）、計算資源（大規(guī)模 GPU 集群）、基礎(chǔ)數(shù)據(jù)服務(wù)，以及企業(yè) / 政府 / 消費(fèi)者應(yīng)用組成。遵循產(chǎn)業(yè)的一般發(fā)展規(guī)律，人工智能的發(fā)展路徑仍然是從底層可應(yīng)用技術(shù)的成熟開始，再到商業(yè)化計算資源、數(shù)據(jù)服務(wù)等基礎(chǔ)設(shè)施的完善，最后形成企業(yè)和消費(fèi)者應(yīng)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(yīng)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(shù)據(jù)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(xiàn)有技術(shù)的應(yīng)用場景的發(fā)掘。?其中，底層技術(shù)不一定是「獨(dú)門秘技」，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優(yōu)于大部分用戶的成本曲線。如果不滿足這個特性，那么某些企業(yè)即使有短暫的技術(shù)領(lǐng)先，最后都難以實現(xiàn)大規(guī)模商業(yè)化。

風(fēng)起于青萍之末

乍看上去，人工智能是個巨頭間的游戲，巨頭企業(yè)無論從資本、人才還是技術(shù)積累上似乎都更有優(yōu)勢。然而事實未必如此。如果以汽車行業(yè)做類比，汽車電動化的先驅(qū)并非寶馬、大眾這樣的傳統(tǒng)汽車巨頭，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，往往看不上小機(jī)會，因為小機(jī)會對它們的吸引力實在太小了。巨頭們往往喜歡憋大招，喜歡一步到位，從而徹底甩開競爭對手。?但是創(chuàng)新、特別是針對大眾消費(fèi)者的創(chuàng)新卻是循序漸進(jìn)的，所謂「大招」中其實包含著不少對用戶需求的錯誤假設(shè)。小步快跑，不斷尋求和用戶互動，積跬步終能致千里。?因此，創(chuàng)業(yè)公司在人工智能的創(chuàng)新變革中反而會更有機(jī)會。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(jī)領(lǐng)域，最終變革的主導(dǎo)力量其實都是「小」公司。

基于這個方向判斷，有志于在人工智能領(lǐng)域挑戰(zhàn)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(fèi)者在某些場景下的行為，有沒有都一樣的產(chǎn)品，很難給消費(fèi)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，那么在這個大前提下要考慮兩個小問題，?第一個是，產(chǎn)品對應(yīng)的用戶場景下人的介入頻次高不高，頻次決定了這個產(chǎn)品的天花板。第二個是，這個應(yīng)用場景下替代掉的人的價值有多大，顯然替代掉的這部分價值轉(zhuǎn)化成了產(chǎn)品的內(nèi)在價值。最后不妨做一個乘法，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)生的價值，這個乘積越大說明人工智能在該應(yīng)用場景中發(fā)揮的作用越大。

二、該方向上的人工智能是否能夠?qū)崿F(xiàn)。?人工智能的許多技術(shù)都還沒到非常成熟的地步。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)上的突破來解決所有問題并不可取。無法解決一個通用場景就從幾個專門的場景先入手，無法做出一個「萬能」的產(chǎn)品不妨先做出一個可以用的產(chǎn)品。只有用戶使用了產(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。?核心競爭力是一個產(chǎn)品的拳頭，如果拳頭不硬，這個產(chǎn)品無疑打開不了市場。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)，那么這個產(chǎn)品本身的被接受程度就會很不理想。但不要籠統(tǒng)地認(rèn)為人工智能技術(shù)的某些局限會成為產(chǎn)品的絆腳石。以特斯拉電動車為例：電池性能至今還在很多方面限制著電動車的表現(xiàn)，依然有很多用戶青睞特斯拉，原因是特斯拉的核心競爭力在于它出色的啟動、智能化的駕駛體驗和簡易的維護(hù)，電池盡管是一個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(fèi)者端的應(yīng)用有了顯著進(jìn)步。但這仍然不夠。如何讓消費(fèi)者手中的設(shè)備擁有盡可能多的處理能力，需要技術(shù)和應(yīng)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(jī)會和任務(wù)所在——人工智能之風(fēng)，在未來會起于青萍之末。

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(shù)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。