📖 ZKIZ Archives

人工智能產業深度觀察（一）

AngelPlus洪泰幫 2016-06-17 11:03

什麽是人工智能？

人工智能在學術研究領域已經有60年的歷史，經歷兩起兩落，產生了很多的理論、算法、模型。通俗的講，狹義的技術就是對輸入的感知，加以學習與訓練，使其成為有創造和決策能力的大腦。

有種說法“人工智能，有多少人工就有多少智能”，指的就是這種有監督的學習，即用經過標記的大量數據來訓練，語音識別、圖像識別、自然語言理解的準確率基本都是依賴這種學習和訓練方式來提升的。

更進一步，AlphaGo之所以讓業界這麽興奮，是因為它不完全從歷史上的所有棋局中去學習，也通過蒙特卡洛樹搜索（Monte Carlo TreeSearch）的方法，讓機器能夠自我對決，從而提升整個系統的棋藝水平，這是進化到了無監督式的學習階段。

人工智能真正意義上第一次大規模商業化的運用是搜索與廣告。

年後互聯網上網頁數據大量地產生，搜索引擎運用了大量的機器學習以及自然語言語義理解來改善搜索結果關聯度；Google和百度的廣告系統大量運用了深度學習技術。這些技術應用讓搜索引擎及其廣告系統造就了一個很好的一個商業模式。

作為見證了互聯網與整個移動互聯網發展的資深網蟲和多年的資深產品架構師，作者分享她對人工智能的理解，以及在這領域內的投資想法。

從生態的角度看待人工智能的發展普及

2007年6月第一代手機問世，拉開了移動互聯網發展的序幕，移動互聯網進入突飛猛進的高速發展期。蘋果不僅僅重新定義了手機的交互方式，更是讓一部手機變成了一臺移動智能電腦，通話只是它的基本功能，上面的萬千的應用與服務背後連著的是成千上萬的開發者。

4個月以後公布操作系統的，更是同時宣布與家手機廠商運營商成立開放手機聯盟，讓運營商和終端廠商都成為手機營銷推廣的重要渠道。它將用戶、開發者、廣告商、廠商、運營商都作為產業的力量一起助推發展。短短8年時間，使得全球的億用戶都用上了智能機，中國的億人用上了智能機，這就是生態的力量。

今天看人工智能，計算能力不斷地變強，深度學習技術使數據分析建模能力有了長足的進步，行業的數據也有了積累。預測它真正在用戶與行業中的普及使用，可以比較大膽地放在一個生態的角度來看它：

用戶接觸到人工智能，會是某個場景下的某個載體設備而非虛無的技術本身。把幾個行業的例子與智能手機平行看時，會發現當這個設備有智能傳感器、當這個設備連著雲端、有會連著數據訓練學習和決策的人工智能大腦inside時，他們都是智能電腦的變體。

智能手機是可通話的移動智能電腦；

無人駕駛車是可載人的移動智能電腦；

兒童智能動物玩具是可跟兒童玩的移動智能電腦；

兒童智能機器人玩具是可以跟兒童玩的人形移動智能電腦。

這個生態中包括了：

帶技術的核心硬件

芯片，為響應人工智能和深度學習的需要，在速度和低能耗方面被提出了更高的要求。

IBM在研制出世界上首個大腦芯片原來的半導體公司英偉達、英特爾、高通紛紛進入；國內的北京君正積極投入，創業型公司地平線機器人獲大量投資也進入人工智能芯片領域；剛發布人工智能加速器芯片。總體來說像芯片這種硬件不僅在多個垂直應用領域之間難有統一解決方案，甚至在同一垂直領域中現在也還無統一標準。

傳感器之於機器，相當於人的眼睛，有非常高的要求。比如無人車領域的光學LIDAR，直接影響到高精地圖的繪制是否準確，基於點雲的定位以及障礙物檢測是否準確。目前造價昂貴，在市場上能否被精度不錯但費用較低地量產，在很大程度上影響了無人駕駛這個領域的發展速度。

操作系統OS

手機上系統是個開源系統，一些垂直領域會直接使用，或者基於IaaS或Linux進行針對性開發；當然某些不需要影視系統的垂直領域也有選擇不用操作系統的，比如物聯網和智能家居領域。

雲平臺

IaaS（Infrastructure as a Service)：給客戶提供雲存儲、雲計算的服務。國際上，AWS是最有名的IaaS服務商，國內也已經有諸多的公司提供IaaS服務，比如阿里雲、騰訊雲、新浪雲、金山雲、京東雲秦天、七牛、青雲、ucloud、浪潮雲。存儲和計算成本的下降是人工智能機器學習的一大促進因素。

PaaS (Platform as a Service)： 給客戶提供了比如CDN加速、 統計、推送、社交分享、 測試等諸多服務。除阿里雲、新騰雲、金山雲有提供外，個推、環信等專做某個技術的公司也提供部分服務。

BaaS (Backend as a Service)：給客戶提供圖像標註、人臉識別、文檔分類、語音識別、預測模型、情感分析以及模式識別等API，及機器學習預訓練模型。

這些雲平臺為人工智能技術在具體領域的落地提供了基礎的後臺保證。

人工智能技術（有決策和創造能力的大腦）

有決策與創造能力的大腦=感知+學習與訓練，不同方向所需要的大腦能力是不一樣的，即對感知層面的技術、學習與訓練計算都有差異。另外對這個能力的調用，可能作為API，也可能被打包在整體解決方案甚至硬件中。

App/服務

這層往往會需要調用某些AI能力。在目前這樣的發展階段，結合了行業數據的方向往往容易產生有價值的服務。

外形設備

最終需要落地在OEM設備上。移動互聯網基於智能手機；人工智能所對應的OEM設備因垂直應用領域的特征而有具體的表現，因而產業鏈中誰掌握渠道這個因素也很重要。

某個領域上述生態要素的成熟推動其蓬勃發展。推動力之一為致力於垂直領域內軟硬件一體解決方案的公司，比如無人駕駛，從OS到高精地圖、到ADAS系統、到硬件傳感器，有了突破，形成了完整的解決方案，加上品牌汽車OEM，最終讓終端用戶真正使用上這個服務。

推動力之二為開發難度的降低，如Android 開發者平臺使app開發者有統一標準可以參與開發一樣，人工智能的開發工具和相對標準的開源硬件的成熟，若能形成雲端智能和終端智能打通的工具平臺，普通開發者參與開發難度降低，生態發展會大大加速。

科技巨頭的布局

互聯網時代，尤其是移動互聯網時代，最牛的公司都是擁有生態的公司。

面對新一波的人工智能科技浪潮，研究這些千億美金以上的科技巨頭做的布局，有利於我們發現新趨勢。

IBM——是人工智能布局最早的公司，源於沒有抓住移動時代，它提前針對下一個時代進行布局。

AI技術：語音語義、深度學習神經網絡 （曾收購過AlchemyAPI）

整體解決方案：商業解決方案Waston API（提供了一套完整的API，語音到文本、文本到語音、權衡分析、獨特見解、提問和回答、語氣分析器以及視覺識別。）

雲平臺：IBM Bluemix開放雲技術平臺（ PaaS+ 7 種 IBM Watson 服務）、機器學習平臺SystemML

硬件：人工智能芯片TrueNorth

產業布局：深藍計算機；智能機器人（與蘋果、與軟銀機器人Pepper）合作；物聯網；醫療服務；VR遊戲。

Google-Alphabet——人工智能實力最強大的公司

AI技術：視覺、語音、自然語言、大數據、 神經網絡訓練+深度學習（曾收購過Dark blue labs、Vision factory、Deepmind、Jetpac、DNNresearch一堆技術公司）

雲平臺：第二代機器學習系TensorFlow（包括了各種“預訓練”模型、自然語言處理、推薦系統、模式識別以及預測功能）

硬件：人工智能加速器芯片TPUs （Tensor processing units）

產業布局：無人駕駛、基於智能手機的各種app應用與插件、智能家具（硬件手表、家具中樞Google Home）、VR生態（Daydream平臺、VR頭顯與控制器、適用的手機。

Facebook

AI技術：視覺Deep face技術（其中收購過face.com）、語音收購過Mobile technologies，自然語義收購Wit.AI、 神經網絡訓練+機器學習

雲平臺：開發者平臺Parse；在Torch中開源深度學習模塊

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的生態（硬件收購Oclus Rift頭盔、能拍照的Sourroud360全景攝像機促進內容發展）

Microsoft

AI技術：語音、視覺、自然語言、分布式機器學習

雲平臺：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）

產業布局：語言助手（微軟小冰、小娜、Tay）、VR（全息眼鏡）

Apple

AI技術：自然語言收購Vocal IQ、收購可視化地圖Mapsense\GPS公司 Coherent Navigation

產業布局：汽車領域無人駕駛、SIRI語音

Amazon

雲平臺：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

雲平臺（阿里雲IaaS強，可視化人工智能平臺 DTPAI）

產業布局 ：智能家具、物聯網

騰訊

AI技術：視覺

產業布局：智能硬件

百度——未在千億美金公司之列，但在人工智能的布局上不容被忽略

AI技術：語音、視覺、自然語言與智能語義、自動駕駛、深度學習

整體解決方案：基於智能手機的語音服務系統（度秘）

開發者雲平臺： 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。

可以看到：

在人工智能領域軟件系統開源是個常態，多家巨頭都將自己的人工智能系統開放出來，也已有巨頭在硬件開源方面進行嘗試，這有利於業內更多的企業和工程師參與人工智能領域的研發，產生更多有價值的研究成果。模型與基礎算法並非核心競爭壁壘，結合行業數據的使用才產生巨大的價值。

科技巨頭不斷通過收購技術與有技術含量的團隊，來增加實力。意味著創業公司退出的路徑之一是被巨頭公司並購。

有實力的巨頭旨在建立生態，從AI技術、整體解決方案、雲平臺，到硬件和產業都有完整的布局。生態之間是獨立的，因而最強的巨頭間是競爭關系，而上下遊的軟硬件提供者卻有廣泛合作關系。廣大的開發者可依附於生態做發展。

3

創業機會

從生態發展和大公司的布局來看，人工智能生態尚處於早期階段。目前兩大方向我們是很看好的：

結合行業數據訓練後形成的場景化應用

應用於醫療。拍片後的診斷，各種化驗單的檢驗結論，醫生根據經驗來診斷，歷史上已經積累足夠多的樣本，機器學習後也能掌握這種技能。

應用於金融。風控利用大數據計算，將不同來源的數據結構化地整合到一起，語義化地理解其中的風險點。

應用於零售業。機器學習來預測每款商品在未來時間段的銷量，零售商釋放庫存管理壓力。

類似例子不勝枚舉。深度學習技術使數據分析建模能力有了長足的進步，行業的數據也有了積累，結合不同的行業數據訓練，場景化應用機會非常多。

用核心技術打造人工智能生態中的“生產工具”

垂直領域的整體解決方案。無人駕駛、智能家具、工業機器人、兒童機器人，涉及的生態構成比較長，同時又有巨頭公司在布局。其中能解決垂直領域中的核心問題從而產生可應用的整體解決方案的公司，將是很偉大的公司。

關鍵技術點突破。圖像、語音、自然語言語義、人機交互等。

核心硬件的突破。新的有技術含量的關鍵硬件的崛起。比如同一垂直領域中統一標準的傳感器，像降低造價的LIDAR。

BaaS服務，比如結合行業數據訓練後形成的算法應用進一步形成垂直行業的場景標準化智能產品，服務於客戶與開發者。

總體而言，在能使得開發難度大大降低的雲端智能和終端智能打通的工具平臺與生態成熟之前，這個領域的創業機會只屬於有技術能力的團隊。

文章評論

匿名用戶

發布

全部評論：10

發布