人工智能的最新发展趋势
1956年的达特茅斯会议首次提出人工智能的定义：使一部机器的反应方式像一个人在行动时所依据的智能。经过超过半个世纪的发展，人工智能已经渡过了简单地模拟人类智能的阶段，发展为研究人类智能活动的规律，构建具有一定智能的人工系统或硬件，以使其能够进行需要人的智力才能进行的工作，并对人类智能进行拓展的边缘学科。涉及到信息论、控制论、计算机科学、自动化、仿生学、生物学、心理学、数理逻辑和哲学等自然和社会科学。本文首先简单介绍人工智能的3大阶段和行业应用，其次深度剖析人工智能最新的商业和技术趋势，并从数据、计算能力和算法3个角度去分析人工智能的最新发展趋势。
一、人工智能的发展阶段和行业应用
人工智能的发展可以分为三个阶段——计算智能、感知智能、认知智能。第一个发展阶段是在计算这个环节，它使得机器能够像人类一样进行计算，诸如神经网络和遗传算法的出现，使得机器能够更高效、快速处理海量的数据。第二个发展阶段就是感知智能，让机器能听懂我们的语言、看懂世界万物。语音和视觉识别就属于这一范畴，这些技术能够更好的辅助人类高效完成任务。第三个发展阶段是认知智能，在这一阶段，机器将能够主动思考并采取行动，比如无人驾驶汽车、智能机器人，实现全面辅助甚至替代人类工作。
目前，人工智能还处于感知智能阶段。语音识别和视觉识别是这一阶段最为核心的技术。近年来，随着计算处理能力的突破以及互联网大数据的爆发，再加上深度学习算法在数据训练上取得的进展，人工智能在感知智能上正实现巨大突破。
随着人工智能的第三次浪潮的到来，人工智能在各大行业中的应用也越来越广泛，下图是Mckinsey咨询公司调研的各大行业的人工智能应用程度和未来AI投资走向分析。从图中可以看到，在人工智能应用领域方面，最为广泛和领先的是汽车/组装、金融、电信等高科技领域。其次是物流、零售、媒体等行业。目前应用最广泛的领域也是未来3年AI投资增长最快的领域。
二、人工智能的商业和技术发展趋势
人工智能产业链根据技术层级从上到下，分为基础层、技术层和应用层。基础层主要包括计算能力层和数据层，技术层主要包括框架层、算法层和通用技术层。应用层主要指针对于场景应用的解决方案层。人工智能产业链中，基础层是构建生态的基础，价值最高，需要长期投入进行战略布局；通用技术层是构建技术护城河的基础，需要中长期进行布局；解决方案层直戳行业痛点，变现能力最强。
在人工智能平台化的趋势下，国内外各大公司包括互联网巨头，软件公司，传统企业，初创企业等纷纷加入到人工智能生态体系的建设中，当下人工智能竞争格局初步形成，商业模式主要分为以下5大模式（见图三）。
- 模式一：生态构建者——全产业链生态+场景应用作为突破口。以互联网公司为主，长期投资基础设施和技术，同时以场景应用作为流量入口，积累应用，成为主导的应用平台，将成为人工智能生态构建者（如Google、Amazon、Facebook、阿里云等）。
- 模式二：技术算法驱动者——技术层+场景应用作为突破口。以软件公司为主，深耕算法平台和通用技术平台。同时以场景应用作为流量入口，逐渐建议应用平台（如Microsoft、IBM Watson等）。
- 模式三：应用聚焦者——场景应用。以创业公司和传统行业公司为主，基于场景或行业数据，开发大量细分场景应用。
- 模式四：垂直领域先行者——杀手级应用+逐渐构建垂直领域生态。以垂直领域先行者为主，在垂直领域依靠重量级应用（如出行场景应用、面部识别应用等）积累大量用户和数据，并深耕该领域的通用技术和算法，成为垂直领域的颠覆者（如滴滴出行、旷视科技等）。
- 模式五：基础设施提供者——从基础设施切入，并向产业链下游拓展。以芯片或硬件等基础设施公司为主，从基础设施切入，提高技术能力，向数据、算法等产业链上游拓展。
三、人工智能的核心三要素
人工智能的核心三要素分别是：数据、算法和计算能力。数据是基础，大数据为机器学习装上引擎；算法是核心，将人工智能带到全新高度；计算能力是保障，为算法的实现提供坚实的后盾。下面分别介绍三要素的现状和发展趋势。
数据是所有计算和应用的基础，数据的创建位置可以分为核心、边缘和端点。核心是指企业内部或云端的特定计算数据中心。它涵盖所有类型的云计算，包括公共云、私有云和混合云。边缘是指不处于核心数据中心的企业级计算机/设备。
它包括服务器机房，现场服务器。端点是指网络边缘的所有设备，包括PC、手机、摄像机、联网汽车、可穿戴设备以及各种传感器。根据咨询公司IDC预计，到 2025 年，全世界将创建和复制 163ZB 的数据，是 2016 年所创建数据量的十倍。随着数据量的激增，数据和信息的安全性也将大大提高，到 2025 年，需要安全保障的数据百分比将接近总体数据的90%。
算法是人工智能中的核心，人工智能、机器学习和深度学习的关系如下图所示。机器学习是一种实现人工智能的方法。机器学习最基本的方法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。深度学习是一种实现机器学习的技术，是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习与浅度学习相比，强调结构模型的深度，通常有4层以上的隐层节点。深度学习海量数据，训练复杂度高，分类及预测精度高；浅度学习数量量小，训练简单，分类及预测精度低。
计算能力是保障，为算法的实现提供坚实的后盾。一项深度学习工程的搭建，可分为训练和推断两个环节：训练环境通常需要通过大量的数据输入，训练出一个复杂的深度神经网络模型。训练过程由于涉及海量的训练数据和复杂的深度神经网络结构，需要的计算规模非常庞大，通常需要GPU集群训练几天甚至数周的时间。推断环节指利用训练好的模型，使用新的数据去“推断”出各种结论。推断环节的计算量相比训练环节少，但仍然涉及大量的矩阵运算。在推断环节，除了使用CPU或GPU进行运算外，FPGA以及ASIC均能发挥重大作用。根据训练和推断环节的数据量大小和对计算能力的需求不同，下图列出了符合计算能力要求的各种硬件。
