起航学习网

历史上，人工智能的商业化阶段共有两次，第一次始于1977年，斯坦福大学计算机科学家费根 · 鲍姆提出“知识工程”概念，随后十年，专家系统渗透入化学、医学、农业、计算机等各个领域，市场中出现数千个专家系统。第二次始于2012年，深度学习的运用大大提升了图像识别和语音识别的准确率，神经网络模型开始引起工业界强大的兴趣。2年后的2014年，中国人工智能投资市场热度陡增，并持续升温。2017年前三季度人工智能总投资额，已超过2016年全年投资额。其“疯狂吸金”态势证明，人工智能商业化的“二次革命”已经爆发。

达妹整理了高盛人工智能报告的浓缩版，文末有完整版的报告链接哦。

人工智能是什么？

人工智能是制造智能机器、可学习计算程序和需要人类智慧解决问题的科学和工程。经典地，这些包括自然语言处理和翻译，视觉感知，模式识别，决策制定等，但应用的数量和复杂性在快速增长。

为什么现在人工智能加速发展 ？

深度学习能力方面的主要飞跃成为当前进行中的 AI 拐点的催化剂。神经网络，深度学习之后潜在的科技架构，已经存在了几十年，但是过去的 5 到 10 年，三件事发生了改变。

1.数据。通过分布于全球持续增长无所不在的互相联系的设备、机器和系统产生的非结构化数据的数量呈现巨大的增长。拥有的数据越多，神经网络就变得越有效率，意味着随着数据量的增长，机器语言可以解决的问题的数量也在增长。

移动手机、物联网、低耗数据存储的成熟和处理技术（通常在云端）已经在数量、大小、可靠数据结构方面创造了大量的成长。

例如，特斯拉至今已经搜集了 780mn 英里的驾驶数据，并且每 10 小时通过它连接的汽车增加百万公里的数据。Jasper（2016 年 2 月被思科以 14 亿美元收购）拥有一个平台驱动机器和机器的沟通，服务于多种汽车制造商和电话公司。

Verizon在8月进行了一次类似的投资，宣布收购Fleetmatics，它通过快速增长的无线网络，连接运输工具上的远程传感器到云端软件。5G 的首次展示将最适当地加速数据可被获取和转移的机率。根据 IDC 的数字域报告，

到 2020 年，每年数据量将达到 44ZB（万亿 G），5 年内年复合增长率达到 141%，暗示我们刚开始看到这些科技可以达到的应用场景。

2. 更快的硬件 。GPU 的再次使用、低成本计算能力的普遍化，特别是通过云服务，以及建立新的神经网络模型，已经极大的增加了神经网络产生结果的速度与准确率。

GPU 和并行架构要比传统的基于数据中心架构的CPU能更快的训练机器学习系统。通过使用图像芯片，网络能更快的迭代，能在短期内进行更准确的训练。同时，特制硅的发展，比如微软和百度使用的 FPGA，能够用训练出的深度学习系统做更快的推断。

另外，从 1993 年开始超级计算机的原计算能力有了极大发展。在 2016 年，单张英伟达游戏显卡就有了类似于 2002年之前最强大的超级计算机拥有的计算能力。成本也有了极大的降低。英伟达 GPU （GTX 1080）有 9 TFLOPS 的性能，只要 700 美元，意味着每 GFLOPS 只要 8 美分。

在 1961 年，要提供1GFLOPS，需要足够多的 IBM 1620s 串联在一起，计算下来费用要超过 9 万亿美元（根据通货膨胀调整）。

3. 更好 、 更普遍可用的算法 。更好的输入（计算和数据）使得更多的研发是面向算法，从而支持深度学习的使用。例如伯克利的 Caffe、谷歌的 TensorFlow 和 Torch 这样的开源框架。

比如，刚开源一周年的 TensorFlow，已经成为最大的开发人员协作网站GitHub上最多分支（或活动）的框架。虽然不是所有的人工智能都发生于普遍可用的开源框架中，但开源确实在加速发展，而且也有更多先进的工具正在开源。

中国人工智能现状

根据 IResearch 的研究，中国 2020 的 AI 市场规模将由 2015 年的 12 亿人民币增长到 91 亿人民币。在 2015 年，有将近 14 亿（年同比增长 76%）的资金流入 AI 市场。

在政府政策方面，中国发改委联合相关部门在 2016 年 5 月 18 号发布了互联网+和人工智能三年实施计划。规划确定了在六个具体方面支持人工智能的发展，包括资金、系统标准化、知识产权保护、人力资源发展、国际合作和实施安排。规划确立了在 2018 年前建立基础设施、创新平台、工业系统、创新服务系统和 AI 基础工业标准化这一目标。发改委预计中国的 AI 工业会和国际发展水平接轨，同时在系统级的 AI 技术和应用方面领先世界市场。

中国已经采取了行动：从提到“深度学习”或者“深度神经网络”的期刊文章数据上看，中国已经超越美国。中国的 AI 研究实力同样让人印象深刻，其拥有世界领先水平的语音和图像识别技术。百度在 2015 年 11 月开发的深度语音 2 可以达到 97%的准确度，并被 MIT 科技评论评为 2016 年度十大科技突破。另外，早在 2014 年中国香港大学开发的 DeepID 在 LFW数据集上达到了 99.15%的准确度。

中国互联网巨头BAT引领中国 AI 的发展，与此同时，数百个初创公司在不同的 AI 细分和应用领域建立服务模型。

当前，中国的 AI 市场主要分为以下几个领域：

1) 基础服务如数据源和计算平台

2) 硬件产品如工业机器人和服务机器人

3) 智能服务如智能客服和商业智能

4) 技术能力如图像识别和机器学习

根据 iResearch 的报告，语音和图像识别分别占有当前中国 AI 市场的 60%和 12.5%。71%的中国 AI 公司集中在应用开发上，其他的则聚焦在算法上，其中 55%是计算机视觉，13%在自然语言处理，9%在基础机器学习。

人工智能创新：百度

百度在人工智能领域正在做什么 ？

在 2016 年 9 月 1 日推出了百度的 AI 研究，百度大脑，它由三个元素组成：1）、AI 算法模拟人类神经网络，用数百数十亿样品的大量的训练。2）对数十万服务器和许多 GPU 集群进行操作的计算能力（图形处理单元）用于高性能计算（HPC）; HPC 允许更多可扩展的深度学习算法。 百度是第一个宣布这个架构的组织，正在与 UCLA 合作。3）标签数据，百度已经收集了数万亿页的网页，包括几百亿个视频/音频/图像内容，数十亿次的搜索查询以及数百亿次的位置查询。训练特定型号的机器要求非常高的计算能力和 4T 数据。

为什么会做这样的事情呢 ？

人工智能正在改进百度全线产品的用户体验和提升用户粘性，也在推动针对每一用户的定制化高质量内容。建立一个内部平台来运行从网页搜索到广告投放的带有标签数据的深度学习实验，能够预测点击率（CTR），这会直接影响百度的广告投放，因此也是它们目前的主要收益。此外，基于人工智能的技术也能带来更高的 CTR，而且每点击成本的降低也能促进变现。

人工智能的主要影响

1.促进未来生产力。在经历了 90 年代中后期的高速发展和过去十年的平缓增长后，美国的劳动生产力近几年已经进入了增长停滞的阶段。我们相信实用的机器学习和人工智能的蓬勃发展可以将生产力典范作用广泛推广至全球各产业领域。

人工智能和机器学习带来的自动化及效率提升在普遍各领域都缩减了0.5%-1.5%的劳动工时，预计到 2025 年将带来 51-154 比特/秒的生产力提升。在期待未来人工智能和机器学习得以同时提升生产效率的分子和分母（标准工时和实际投入工时），最重要的是它带来的早期影响将会体现在低薪工作的自动化层面，用更少的工时动同比产出增长。

我们基本认为人工智能和机器学习提速 97 比特/秒意味着在 2025 年 IT将为生产率增长贡献 1.16%效能，也即比 1995-2004 提高 11 比特/秒.技术与生产力增长。

90 年代掀起的科技热潮伴随着生产力、资本深化和多因素生产力被异常放大，并与飞涨的股票估值紧密关联。

2.资本深化。高盛的经济学家 Jan Hazius 提供了他近期就资本深化（每工时资本量）反周期性趋势的分析，在扩张时期没有同等水平股本增长的情况下历史劳动工时一般趋于增长（参见 Jan 的报告：“生产率悖论 2.0 版本再探” 2016 年 2 月 9 日发表）90 年代资本深化急剧增长，其中最显著的是非典型资本投资的增长超越了劳动力市场的增长。

2013 年 3 月，美联储研究的大卫 · 伯恩等研究后发现，90 年代在 IT 生产和一般操作流程中同时推广技术有助于促进增长呈三倍激增 （每劳动工时的产出） ，其中从科技热潮前到1995至2004之间，年生产率平均每年增长中不超过49%的部分来自于IT 生产部门。

3.千禧年后停滞期。在过去的十年中，有关 IT 应用 （计算机硬件、 软件和电信） 的资本深化增长已经停滞了。

IT 资本，与更广泛的市场资本类似，带来 IT 部分整体增长相比科技浪潮甚至其之前的时期内还低。总劳动时间一直在增加，但资本强度对生产力的贡献已经远远落后于上世纪 907年代。

日益精细且可利用的机器学习和人工智能可能成为一剂催化剂将资本密集度带回最前沿，在我们看来，将会带来类似 90 年代所看到的周期阶段，极大增加劳动生产率。对于方程另一侧的 MFP，我们更乐观些。

高盛经济学家强调 （“生产率悖论 2.0 再探” 2016年 2 月 9 日发表），ICT 价格的正偏差，非货币产出的输入增长 （免费的在线内容、 后端流程等） 也在一定程度上反映了实际 GDP 和生产力增长。

Facebook 和谷歌等互联网巨头的发展充分说明了复杂输入的劳动力和资本并不必然将标准生产力指标中的传统消费品转

换为货币。

4.人工智能/ 机器学习激发的生产力可以影响投资。我们认为人工智能/机器学习所带来日益增长的生产力产生的潜在影响之一可能是公司资本分配方式的转变。

自 2011 年中期，股息和股票回购的增长大大超过了资本支出增长，然而管理层对于投资资本项目的冷淡依然保持了经济衰退后期的状态。

生产率的提高有可能恢复管理层的信心，并鼓励公司像上世纪 90 年代一样投资于生产性资本。根据高盛资本支出追踪，90 年代资本支出同比增长，持续性高于耶鲁大学教授罗伯特 · 希勒的 S & P 500 分析报告中的同比股息增长。

我们有理由更相信投资者会支持提高生产率的这种转变。在资本支出投资和相关生产率的增长期内周期性调整股价收益率经历了严重的通货膨胀，而目前的估值才刚刚达到经济衰退前水平。

人工智能对投资者的影响

我们发现人工智能实实地影响着每个公司、行业和经济因素，对投资者有四个方面值得注意。

生产力 。人工智能和机器学习有引发生产力增长的潜力，有益于经济增长，公司盈利，资本回收和资产估值。根据 GS 首席经济学家 Jan Hatzius“原则上，人工智能看起来的确比上一波革新在统计学上有表现更好的潜力，人工智能降低成本和人力需求，更高的产品附加值类型。”例如，同iPhone应用的多样性和可靠性相比，统计学家可能更好的建立并获得这些商业部门的费用节减革新。广义的人工智能对商业部门的费用结构有广泛的基础性影响，我由衷相信人工智能将被统计学家采纳，并在整体生产力数字中有所展现。”

优质科技。人工智能和机器学习的速度价值有扭转更便宜的数据中心和网络硬件的趋势的潜力。我们相信这将驱动硬件、软件和服务领域市场费用的大量变化。

例如，1 条运行在标准数据中心上的 AWS 工作量，同在人工智能优化后的 GPU 上运行所需的 0.9 美元相比，每小时实际计算成本只要 0.0065 美元。

竞争优势。我们看到人工智能和机器学习在改造各行业竞争订单方面的潜力。那些失败于投资和平衡这些科技风险的管理团队被竞争者超越，这些竞争者受益于他们创建的战略情报、获得的生产力和资本效率。

新公司创建 。近 10 年来在人工智能和机器学习领域，我们已经识别出有超过150 家私营公司.我们相信人工智能的大部分价值将由拥有资源、数据、投资能力的大公司获得。

我们希望风险投资家、企业家和技术专家继续驱动新公司的创建，反过来，驱动实质3性的创新和价值创造，至少是，M&A，我们不能无视谷歌或脸书的人工智能出现的可能接下来的内容中，我们深入了解人工智能，它的历史，由机器学习、围绕这些技术应用的一路领先的行业和公司所构建的应用生态体系。

文章出自：http://qh.itpxw.cn/ai/python/201840978.html

文章标题：为什么现在人工智能需要加速发展



免责声明：本站文章均由入驻起航学习网的会员所发或者网络转载，所述观点仅代表作者本人，不代表起航学习网立场。如有侵权或者其他问题，请联系举报，必删。侵权投诉

(责任编辑：IT培训网)