健澜科技史上最全面AI产业盘点报告，解读AI技术秘密

　　JIANLAN TEC
　　人工智能（AI），可以说是科技信息时代的大飞跃，既具备一定的类人逻辑性，又具备强大的计算能力和数据存储能力。虽然，目前业界并不处在一个良好的投资状态，但AI 技术依旧被认为是下一个带来巨大经济效益，提高社会生产力的巨大突破点。
　　事实上，在过去的这两年时间里，AI、机器人、自动驾驶等概念已经成为最前沿的文化、政治名词。很多研究认为，我们目前正处于这样一个技术拐点：计算能力更强更快，数据源更丰富，深度学习算法趋于成熟，专业的硬件（芯片）和开源代码逐渐崛起，越来越多的实用性AI应运而生。
　　杭州健澜科技有限公司
　　以下为杭州健澜科技有限公司整理呈现的干货： AI背后的三大推手：数据、芯片、算法 1、移动网络大量普及 数据结构化或爆发
　　数据可以说是机器学习的关键。分布全球的无所不在的互联设备，包括移动设备、物联网等，使得非结构化的数据大量增长，也就是说，机器学习算法能够用来模拟、训练和测试的数据源更加充足。
　　仅以特斯拉互联汽车为例，截至目前，特斯拉总行程78000万英里，公司平台额外驱动的互联汽车也行驶了 100万英里。无线运营方面，Verizon8月公布了新的传输标准，使得远程传感器联通云端软件的速度更快。同时，新的5G网络也将促进传输数据，IDC预计截至2020年，年均数据量将达44 泽 字节（也就是44万亿字节），未来五年复合年增长率将达141%，大数据技术将逐渐渗透实用领域。
　　与此同时，移动网络建立大规模数据库和云端处理技术的成本也在不断降低。智东西也曾在111期智能内参援引世界经济论坛指出：预计不用三年，将有90%的人拥有被广告商支持的无限的免费数据存储。这是因为，硬盘驱动器的成本持续下降，激励着数据的创造。事实上，近90%的数据是过去两年中创建的。
　　*IDC调研的数据量增长趋势 2、GPU应用大势 新硬件更适配并行结构
　　GPU被认为是低成本、高计算能力的处理单元，特别是针对云端服务和新的神经网络结构，它能提高准确性和计算速率。基于GPU的并行结构允许更快的机器学习培训体系，远远优于目前广泛使用的基于CPU的数据架构。此外，通过额外的显卡网络，GPU体系可以加快迭代，实现更为精确的快速培训。
　　*基于GPU的云运算
　　芯片浮点能力发展之快可以以NVIDIA GPU（GTX 1080）为例：该芯片性能为9T浮点运算，价值约700美元，也就是每G约8美分。参考1961年的IBM 1620，不考虑浮点运算能力的话，通过串联实现的每G浮点运算需耗9万亿美元。
　　智东西也曾在102期智能内参中强调GPU的市场前景，并分析市场份额。相比于CPU，GPU 具有数以千计的计算核心，及强大、高效并行计算能力， 可实现 10-100倍应用吞吐量，特别适用于AI 海量训练数据情形。目前深度学习解决方案几乎完全依赖 （NVIDIA的）GPU。
　　*超级计算机浮点指数增长趋势
　　*千兆次浮点运算所需成本变化趋势 3、算法不断优化 大公司推动开源
　　越来越多的算法研究推动着深度学习的实用性，伯克利、谷歌、Facebook也纷纷公开自家的源代码框架，也就是Caffe、TensorFlow和Torch。源代码的开放吸引着越来越多的软件开发者尝试新的算法，不到一年，TensorFlow就以及该形成了一个活络的存储库GitHub，作为目前最大的开发商合作网站。当然，并不是所有的AI都出自于开源框架。
　　*AI进程时间表 AI产业的三大类布局
　　从技术更新周期来看，过去50年，计算机在摩尔定律的推动下不断进步，仅仅在系统框架方面，计算能力、存储容量带宽、编程语言转换都有很大的进展。参见90年代技术变革带来的经济繁荣，推动了软件、硬件、网络公司的整改。公共软件公司1995至今市值从2亿美元暴涨到5亿美元，只有2000年左右趋于平缓。显然，AI也有这样的趋势，引领硬件、软件、数据和服务提供商等领域的增长。事实上，谷歌、亚马逊、微软和Salesforce自2014年来就已经完成了17起AI相关的收购。
　　*2014年以来的AI相关收购项目
　　*AI风投增长趋势
　　目前，科技大佬和风投人主要关注的有三个方面：DIY，也就是自主建立自己的人才和数据库，推出新的AI栈，主要玩家包括微软、谷歌、亚马逊和百度；咨询服务，为垂直和特定的领域提供专业的AI咨询，如IBM的沃森；开发服务型AI（AI-aaS），如谷歌图片识别模型。
　　*人工智能系统框架示意图
　　*AI栈的演化 1、DIY趋势：云平台和开源
　　高盛咨询了各大公司和风投机构，总结认为，AI或者机器学习（ML）将被互联网公司大量的使用，这就需要有效数据收集和相关人才稀缺。不过，随着移动互联设备和物联网的普及，数据量越来越多，数据收集变得越来越容易。
　　目前，AI堆栈与其他前沿技术最大的区别在于，大部分的机器学习严重依赖于开源技术和基于云平台供应商的服务。这是因为，AI和ML需要大量数据支持，并且按需计算。目前，AI主要的基础技术投资都来自于微软、谷歌、亚马逊等云服务提供者，其中，云运算的首选是GPU和FPGA，它们能够进行并行的，快速的数据处理。很多公司都会购买这些开源或者云服务来帮助开拓客户，减少运营成本。
　　*主要的开源项目 2、咨询服务：资本弥补技术差距
　　人才缺乏为IBM、埃森哲和德勒等公司的资讯服务营造了市场环境。因此，机器学习的相关人才有着非常大的机遇，甚至有组织举行数据科学大赛，提供奖励。
　　*机器学习人才招聘状况 3、AI-aaS：或将造就最大蓝海
　　AI需要独特的数据集和专业的人才，这似乎使得五年内看到大量AI公司成为一件奢望。事实上，最可能的情况是，公司们利用AI提供商的数据和框架等来创造附加价值的AI服务，也就是API，研发AI应用程序是最基本的例子，尤其是图像识别和语音识别等。目前，谷歌和微软都提供收费API，开发者可以 讲 该API嵌入自己的应用程序，提高产品定位和水平。
　　AI-aaS应用于垂直领域可以帮助大公司组合数据，构建机器学习模型，卖给合作伙伴或者客户、供应商。初创公司也可以据此构建专门的数据集，用于诸如医学成像、广告、零售等领域。
　　值得注意的是，除了这些高端技术层面，跟我们更为密切的AI应用即聊天机器人（聊天程序，bots），这被认为是未来人机交互的入口，尤其是自然语言识别、讯息平台和虚拟助手，是目前技术关注的关键点。
　　*AI-aaS案例
　　*AI-aaS API及价格 2025年：五大领域的千亿级市场
　　1、AI农业规模达200亿美元
　　基于传感器和卫星等技术提供的有效的视听数据，机器学习有望帮助增加作物产量（即繁殖能力），减少肥料和灌溉成本，协作作物和牲畜疾病的早期检测，降低劳动力成本，帮助收获后进行分类物流，进入市场。
　　*机器学习用于农业 2、金融服务规模达340-4302亿美元
　　机器学习和人工智能在金融服务行业有广泛的应用,随着数据集的丰富，AI可以用于投资决策、信贷风险概况等，利用更少的时间处理更为丰富全面的市场信息，提供专业可观，甚至更准确的分析。
　　*AI用于金融服务 3、AI医疗每年能省540亿美元
　　机器学习在医疗方面的可用性非常广，能够提供实时监测，帮助发现高回报的技术和药物，帮助测试分析、优化治疗。预计随着机器学习的人工智能的技术逐渐成熟，将推动药物研发过程，每年减少260亿成本支出，同时还能驱动医疗信息高效化。
　　*未来十年医疗AI的投资回报率
　　*AI在医疗垂直领域的应用 4、零售业年均消费540亿美元省410亿美元
　　线上对线下已经被证实是对传统零售业的挑战，电子商务可以积累大量的客户信息，基于这些数据，AI零售可以帮助企业更好的为目标客户服务，更有效的传递产品信息。
　　*全球电子商务发展趋势 5、AI能帮助能源工程节约1400亿美元
　　石油和天然气行业的探测和采炼有时处在极端条件，因此设备和工艺的可靠性很重要，影响着项目的经济效益。为了避免操作失误，这个行业往往采用了过渡冗杂的工程化设备和过多的人力。事实上，AI可以帮助设计更为可靠的设备和流程，降低资本支出和运营成本，预计未来时间，基于AI的能源工程可以帮助节省1400亿美元的开支。
　　*从能源产业结构看可出AI的潜力 巨头的游戏：软件与硬件之歌
　　详细介绍过目前各大科技巨头在AI产业上的布局，可以看到，硬件、开源算法、云服务已经成为必争之地。 1、谷歌：贯彻软硬件结合的理念
　　谷歌，或者说现在的Alphabet，已经建立了独一无二的AI检索算法，在自然语言处理上面颇具优势，并应用于谷歌搜索，预计还将在谷歌智能家居生态中大显身手。公司的开源软件库/云计算平台TensorFlow还在结合了很多前沿的硬件加速器，推出新的AI张量处理单元TPU。此外，收购的DeepMind也在击败李世石的战役中一举成名。 2、亚马逊：筹备开源服务
　　亚马逊AWS在云服务的布局已经颇具优势，2015年4月，公司宣布推出机器学习服务亚马逊ML，提供针对性的用户体验。今年5月，亚马逊推出了自家的开源软件DSSTNE，帮助建立深度学习开发库。 3、苹果：活跃的收购者
　　过去一年间， 评估 已经收购了Emotient、Turi、Tuplejump等AI创业公司，并雇佣了之前在NVIDIA从事GPU软件项目的Johnathan Cohen，并找来Ruslan Salakhutdinov作为其AI研发部主管。Siri可以算作苹果在AI方面最主要的成就之一，此外，苹果大脑的传言也甚嚣尘上。 4、微软：力推基于GPU和FPGA的云
　　微软首席执行官纳德拉介绍称，微软正在建立＂民主化的AI（democratizing AI）＂，目前AI研究小组员工人数超过5000人，目标在于改变人机体验和交互技术，小娜是比较有代表性的一个成果。此外，公司还在建立基于GPU和FPGA的云（Azure）方面做努力。 5、Facebook：开源工具组建开发者社群
　　Facebook在AI方面的主要布局集中在建立开发者社群，开源Torch、Chef、fastText、BigSur 等一系列 AI 工具及资料库，并推出具体的应用程序，比如已经出现的 图象 识别、语音文字转换和智能翻译等。 6、Salesforce：建立云生态
　　2014和2015年，Salesforce开始利用自家电开发平台执行云机器学习任务。公司还收购了Minhash,、PredictionIO、MetaMind等AI公司，目的在于建立云销售、云营销、云服务、云社区、云物联网、基于云的应用程序等。 7、NVIDIA：借力GPU大势
　　GPU在之前的计算机应用不多，但AI算法给了它莫大的基于，目前，几乎所有的AI算法都采用了NVIDIA的GPU，虽然英特尔也在加快研发新的替代芯片FPGA，但目前来看，GPU依旧是比较好的选择。借此大势，NVIDIA还专门设计了全球首款针对深度学习的GPU架构（Pascal 架构） 。 8、英特尔：加快芯片研发
　　GPU的大势让英特尔感到了危机，英特尔收购Nervana systems和Altera，加快FPGA的推进，在运算速度和编程灵活性取得一系列进展。2016年中期，英特尔推出了至强二代，用于智能家庭产品的网络服务和云服务。 9、Uber：合作汽车制造商
　　Uber在AI方面的主要布局更趋近于物联网，尤其是汽车传感器。2016年9月，Uber在匹兹堡推出了自动驾驶试点项目，并 于 卡内基梅隆大学教授、汽车制造商合作，研发基于传感器获得的数百万数据点，建立安全、有序、自动的交通模式。 10、IBM：沃森成AI之星
　　IBM在AI方面的布局很早，公司在全球的AI研发每人元超过3000名，专利超过1400项，覆盖云计算和硅纳米科学，其超级智脑沃森在自然语言处理和模式识别、非结构化数据处理方面有着出色的表现，已经应用于虚拟代理，帮助金融、医疗等合作伙伴处理和分析数据。 11、中国方面：BAT着力构建神经网络
　　目前，国内对于AI的支持力度也比较大，在学术方面也有 很是 很大的研究热点。学术机构，以及百度、阿里、腾讯等公司也在语音识别、图像识别、神经网络、自然语言处理等方面都有重要的突破。艾瑞咨询认为，国内AI市场将从2015年的12亿元增至2020年的91亿元。 12、健培科技：着力构建神经网络学习中国人自己的机器人医生
　　健培在AI方面的布局很早，公司在全球的AI研发超过300名，专利超过1400项，其超级智脑啄医生在医学影像处理和模式识别、非结构化数据处理方面有着出色的表现，已经应用于全国各大中医院，帮助患者、医疗等合作伙伴处理和分析数据。
　　*国内公司主要的AI进展
　　健澜科技： 一方面，当前的社会经济、产业的发展急需的新的变革式刺激；另一方面，大数据科技、硬件工艺、并行算法的急速发展，也使得AI成为一个备受瞩目的变革动力。目前来看，服务型AI（AI-aaS）将作为创业者最容易进入的风口，并且在相当多的领域都大有可为；而神经网络、运算芯片、算法框架等基础层的AI建设更像是大佬的游戏。