鏈接： https://www.zhihu.com/question/20102212/answer/126994210
來源：知乎
隨着深度學習技術的成熟，AI人工智能正在逐步從尖端技術慢慢變得普及。AlphaGo和人類的對弈，並不是我們以往所理解的電子游戲，電子游戲的水平永遠不會提升，而AlphaGo則具備了人工智能最關鍵的“深度學習”功能。AlphaGo中有兩個深度神經網絡，Value Networks（價值網絡）和 Policy Networks（策略網絡）。其中Value Networks評估棋盤選點位置，Policy Networks選擇落子。這些神經網絡模型通過一種新的方法訓練，結合人類專家比賽中學到的棋譜，以及在自己和自己下棋（Self-Play）中進行強化學習。也就是說，人工智能的存在，能夠讓AlphaGo的圍棋水平在學習中不斷上升。
人工智能的技術應用主要是在以下幾個方面：
自然語言處理（包括語音和語義識別、自動翻譯）、計算機視覺（圖像識別）、知識表示、自動推理（包括規划和決策）、機器學習和機器人學。按照技術類別來分，可以分成感知輸入和學習與訓練兩種。計算機通過語音識別、圖像識別、讀取知識庫、人機交互、物理傳感等方式，獲得音視頻的感知輸入，然后從大數據中進行學習，得到一個有決策和創造能力的大腦。
從上世紀八九十年代的PC時代，進入到互聯網時代后，給我們帶來的是信息的爆炸和信息載體的去中心化。而網絡信息獲取渠道從PC轉移到移動端后，萬物互聯成為趨勢，但技術的限制導致移動互聯網難以催生出更多的新應用和商業模式。而如今，人工智能已經成為這個時代最激動人心、最值得期待的技術，將成為未來10年乃至更長時間內IT產業發展的焦點。
人工智能概念其實在上世紀80年代就已經炒得火熱，但是軟硬件兩方面的技術局限使其沉迷了很長一段時間。而現在，大規模並行計算、大數據、深度學習算法和人腦芯片這四大催化劑的發展，以及計算成本的降低，使得人工智能技術突飛猛進。
一、驅動人工智能發展的先決條件
物聯網——物聯網提供了計算機感知和控制物理世界的接口和手段，它們負責采集數據、記憶、分析、傳送數據、交互、控制等等。攝像頭和相機記錄了關於世界的大量的圖像和視頻，麥克風記錄語音和聲音，各種傳感器將它們感受到的世界數字化等等。這些傳感器，就如同人類的五官，是智能系統的數據輸入，感知世界的方式。而大量智能設備的出現則進一步加速了傳感器領域的繁榮，這些延伸向真實世界各個領域的觸角是機器感知世界的基礎，而感知則是智能實現的前提之一。
大規模並行計算——人腦中有數百至上千億個神經元，每個神經元都通過成千上萬個突觸與其他神經元相連，形成了非常復雜和龐大的神經網絡，以分布和並發的方式傳遞信號。這種超大規模的並行計算結構使得人腦遠超計算機，成為世界上最強大的信息處理系統。近年來，基於GPU（圖形處理器）的大規模並行計算異軍突起，擁有遠超CPU的並行計算能力。
從處理器的計算方式來看，CPU計算使用基於x86指令集的串行架構，適合盡可能快的完成一個計算任務。而GPU從誕生之初是為了處理3D圖像中的上百萬個像素圖像，擁有更多的內核去處理更多的計算任務。因此GPU天然具備了執行大規模並行計算的能力。雲計算的出現、GPU的大規模應用使得集中化的數據計算處理能力變得前所未有的強大。
大數據——根據統計，2015年全球產生的數據總量達到了十年前的20多倍，海量的數據為人工智能的學習和發展提供了非常好的基礎。機器學習是人工智能的基礎，而數據和以往的經驗，就是人工智能學習的書本，以此優化計算機的處理性能。
深度學習算法——最后，這是人工智能進步最重要的條件，也是當前人工智能最先進、應用最廣泛的核心技術，深度神經網絡（深度學習算法）。2006年，Geoffrey Hinton教授發表的論文《A fast learning algorithm for deep belief nets》。他在此文中提出的深層神經網絡逐層訓練的高效算法，讓當時計算條件下的神經網絡模型訓練成為了可能，同時通過深度神經網絡模型得到的優異的實驗結果讓人們開始重新關注人工智能。之后，深度神經網絡模型成為了人工智能領域的重要前沿陣地，深度學習算法模型也經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，而其中卷積神經網絡（Convolutional Neural Network，CNN）更是成為圖像識別最炙手可熱的算法模型。
二、IT巨頭在人工智能上的投入
技術的進步使得人工智能的發展在近幾年顯著加速，IT巨頭在人工智能上的投入明顯增大，一方面網羅頂尖人工智能的人才，另一方面加大投資力度頻頻並購，昭示着人工智能的春天已經到來。
科技企業巨頭近幾年在人工智能領域密集布局，巨頭們通過巨額的研發投入、組織架構的調整、持續的並購和大量的開源項目，正在打造各自的人工智能生態圈。在未來，人工智能將不再是尖端技術，而會成為隨處可見的基礎設施。對於人工智能初創企業而言，既要尋找與巨頭的合作契合點，又要避開正面沖突。
IBM
IBM Watson由90台IBM服務器、360個計算機芯片組成，是一個有10台普通冰箱那么大的計算機系統。它擁有15TB內存、2880個處理器、每秒可進行80萬億次運算。現在已經逐步進化到四個批薩盒大小，性能也提升了240%。Watson存儲了大量圖書、新聞和電影劇本資料、辭海、文選和《世界圖書百科全書》等數百萬份資料。Watson是基於IBM“DeepQA”（深度開放域問答系統工程）技術開發的。DeepQA技術可以讀取數百萬頁文本數據，利用深度自然語言處理技術產生候選答案，根據諸多不同尺度評估那些問題。IBM研發團隊為Watson開發的100多套算法可以在3秒內解析問題，檢索數百萬條信息然后再篩選還原成“答案”輸出成人類語言。
產業布局：IBM公司自2006年開始研發Watson，並在2011年2月的《危險地帶》(Jeopardy!)智力搶答游戲中一戰成名。一開始IBM想把Watson打造為超級Siri，主要還是賣硬件。但是后來轉型為認知商業計算平台，2011年8月開始應用於醫療領域。例如在腫瘤治療方面，Watson已收錄了腫瘤學研究領域的42種醫學期刊、臨床試驗的60多萬條醫療證據和200萬頁文本資料。Watson能夠在幾秒之內篩選數十年癌症治療歷史中的150萬份患者記錄，包括病歷和患者治療結果，並為醫生提供可供選擇的循證治療方案。目前癌症治療領域排名前三的醫院都在運行Watson，並在今年8月正式進入中國。
2012年3月，Watson則首次應用於金融領域，花旗集團成為了首位金融客戶。Watson幫助花旗分析用戶的需求，處理金融、經濟和用戶數據以及實現數字銀行的個性化，並幫助金融機構找出行業專家可能忽略的風險、收益以及客戶需求。
硬件：人腦模擬芯片SyNAPSE
SyNAPSE（Systems of Neuromorphic Adaptive Plastic Scalable Electronics，即“自適應塑料可伸縮電子神經形態系統”）芯片，含有100萬個可編程神經元、2.56億個可編程突觸，每消耗一焦耳的能量，可進行460億突觸運算。在進行生物實時運算時，這款芯片的功耗低至70毫瓦(mW)，比現代微處理器功耗低數個數量級。
谷歌在一系列人工智能相關的收購中獲益。2013年3月，谷歌以重金收購DNNresearch的方式請到了深度學習技術的發明者Geoffrey Hinton教授。2014年年初，谷歌以4億美元的架構收購了深度學習算法公司——DeepMind，也就是推出AlphaGo項目的公司。該公司創始人哈薩比斯是一位橫跨游戲開發、神經科學和人工智能等多領域的天才人物。
雲平台：TensorFlow數據庫，機器學習的核心是讓機器讀懂數據並基於數據做出決策。當數據規模龐大而又非常復雜時，機器學習可以讓機器變得更聰明。TensorFlow在數據輸入和輸出方面都有驚人的精度和速度，它被確切地定義為人工智能工具。
產業布局：谷歌無人駕駛汽車、基於Android智能手機的各種app應用與插件、智能家居（以收購的NEST為基礎）、VR生態、圖像識別（以收購的Jetpac為基礎）。
2013年12月，Facebook成立了人工智能實驗室，聘請了卷積神經網絡最負盛名的研究者、紐約大學終身教授Yann LeCun為負責人。Yann LeCun是紐約大學終身教授，是卷積神經網絡領域的重要推動者，而該技術的最主要應用就是圖像識別的自然語言處理，這與Facebook的需求和已經積累的數據類型非常匹配。在Yann LeCun的幫助下，2014年Facebook的DeepFace技術在同行評審報告中被高度肯定，其臉部識別率的准確度達到97%。而他領導的Facebook人工實驗室研發的算法已經可以分析用戶在Facebook的全部行為，從而為用戶挑選出其感興趣的內容。
AI技術：視覺DeepFace技術（收購http://face.com）、語音識別（收購Mobile technologies）、自然語義（收購Wit.AI）、神經網絡訓練+機器學習
雲平台：開發者平台Parse、Torch開源深度學習模塊
硬件： Big Sur（基於GPU的用於訓練神經網絡的硬件系統，開源）
產業布局：語音助手Moneypenny、VR生態（收購Oculus Rift、Sourroud360全景攝像機促進內容發展）
百度
2014年5月，被稱為“谷歌大腦之父”的AndrewNG(吳恩達)加盟百度，擔任首席科學家，負責百度“百度大腦”計划。大數據是人工智能的基礎，而作為天然的大數據企業，百度擁有強大的數據獲取能力和數據挖掘能力。2014年7月14日，百度憑借自身的大數據技術14場世界杯比賽的結果預測中取得全中的成績，擊敗了微軟和高盛。2014年9月，百度正式發布整合了大數據、百度地圖LBS的智慧商業平台，旨在更好在移動互聯網時代為各行業提供大數據解決方案。
AI技術：語音識別Deep Speech、視覺識別“智能讀圖”、自然語言與智能語義、自動駕駛、深度學習
解決方案：基於智能手機的語音服務系統（度秘）
開發者雲平台： 百度雲
產業布局：汽車領域無人駕駛、基於智能手機的各種app應用與插件。
Microsoft
AI技術：語音、視覺、自然語言、分布式機器學習
雲平台：Microsoft Azure（存儲、計算、數據庫、live、媒體功能）、分布式機器學習工具包DMTK（自然語言處理，推薦引擎，模式識別，計算機視覺以及預測建模等）、人工智能平台Project Malmo
產業布局：語言助手（微軟小冰、Cortana小娜、Tay）、VR（Hololens全息眼鏡）
Apple
AI技術：自然語言（收購Vocal IQ）、收購可視化地圖MapsenseGPS公司 Coherent Navigation
產業布局：汽車領域無人駕駛、SIRI語音助手
Amazon
雲平台：Amazon Web Services（存儲、計算、模式識別和預測，其中視頻識別API 收購Orbeus）
阿里
雲平台（阿里雲IaaS，可視化人工智能平台DTPAI）
產業布局 ：智能家具、物聯網
騰訊
AI技術：視覺、智能計算與搜索實驗室
產業布局：智能硬件
三、人工智能的生態
科技巨頭圍繞人工智能產業，開展了大量的收購；標的包括人工智能初創企業（算法）、大數據公司（算法或數據）和芯片研發公司（計算能力）。截至至2016年7月底，谷歌在其中的收購次數最多達到了13次。巨頭們在人工智能領域的並購呈現兩個特點：一是連續多次買入，二是標的規模較小。
從2013年開始，科技巨頭大多加大了對人工智能的自主研發，同時通過不斷開源，試圖建立自己的人工智能生態系統，開源力度不斷增加。比如Google 開源TensorFlow 后，Facebook、百度和微軟等都加快了開源腳步。最早走向人工智能工具開源的是社交巨頭Facebook，於去年1月宣布開源多款深度學習人工智能工具。而谷歌、IBM和微軟幾乎於去年11通同時宣布開源。谷歌發布了新的機器學習平台TensorFlow，所有用戶都能夠利用這一強大的機器學習平台進行研究，被稱為人工智能界的Android。IBM則宣布通過Apache軟件基金會免費為外部程序員提供System ML人工智能工具的源代碼。微軟則開源了分布式機器學習工具包DMTK，能夠在較小的集群上以較高的效率完成大規模數據模型的訓練，在今年7月微軟又推出了開源的Project Malmo項目，用於人工智能的訓練。
人工智能已經逐漸建立起自己的生態格局，由於科技巨頭的一系列布局和各種平台的開源，人工智能的准入門檻逐漸降低。未來幾年之內，專業領域的智能化應用將是人工智能主要的發展方向。無論是在專業還是通用領域，人工智能的企業布局都將圍繞着基礎層、技術層和應用層三個層次的基本架構。
基礎層就如同大樹的根基，提供基礎資源支持，由運算平台和數據工廠組成。中間層為技術層，通過不同類型的算法建立模型，形成有效的可供應用的技術，如同樹干連接底層的數據層和頂層的應用層。應用層利用輸出的人工智能技術為用戶提供具體的服務和產品。
位於基礎層的企業一般是典型的IT巨頭，擁有芯片級的計算能力，通過部署大規模GPU和CPU並行計算構成雲計算平台，解決人工智能所需要的超強運算能力和存儲需求，初創公司無法進入。技術層的算法可以拉開人工智能公司和非人工智能公司的差距，但是巨頭的逐步開源使算法的重要程度不斷降低。應用層是人工智能初創企業最好的機遇，可以選擇合理的商業模式，避開巨頭的航路，更容易實現成功。