大數(shù)據(jù)和人工智能概念全面解析

一、大數(shù)據(jù)和人工智能

大數(shù)據(jù)是伴隨著信息數(shù)據(jù)爆炸式增長和網(wǎng)絡(luò)計(jì)算技術(shù)迅速發(fā)展而興起的一個(gè)新型概念。根據(jù)麥肯錫全球研究所的定義，大數(shù)據(jù)是一種規(guī)模大到在獲取、存儲(chǔ)、管理、分析方面大大超出了傳統(tǒng)數(shù)據(jù)庫軟件工具能力范圍的數(shù)據(jù)集合，具有海量的數(shù)據(jù)規(guī)模、快速的數(shù)據(jù)流轉(zhuǎn)、多樣的數(shù)據(jù)類型和價(jià)值密度低四大特征。大數(shù)據(jù)能夠幫助各行各業(yè)的企業(yè)從原本毫無價(jià)值的海量數(shù)據(jù)中挖掘出用戶的需求，使數(shù)據(jù)能夠從量變到質(zhì)變，真正產(chǎn)生價(jià)值。隨著大數(shù)據(jù)的發(fā)展，其應(yīng)用已經(jīng)滲透到農(nóng)業(yè)、工業(yè)、商業(yè)、服務(wù)業(yè)、醫(yī)療領(lǐng)域等各個(gè)方面，成為影響產(chǎn)業(yè)發(fā)展的一個(gè)重要因素。

當(dāng)前人們所說的人工智能，是指研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)以及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)，是由人工制造出來的系統(tǒng)所表現(xiàn)出來的智能。

傳統(tǒng)人工智能受制于計(jì)算能力，并沒能完成大規(guī)模的并行計(jì)算和并行處理，人工智能系統(tǒng)的能力較差。2006年，Hinton教授提出“深度學(xué)習(xí)”神經(jīng)網(wǎng)絡(luò)使得人工智能性能獲得突破性進(jìn)展，進(jìn)而促使人工智能產(chǎn)業(yè)又一次進(jìn)入快速發(fā)展階段?！?a href='/map/shenduxuexi/' style='color:#000;font-size:inherit;'>深度學(xué)習(xí)”神經(jīng)網(wǎng)絡(luò)主要機(jī)理是通過深層神經(jīng)網(wǎng)絡(luò)算法來模擬人的大腦學(xué)習(xí)過程，通過輸入與輸出的非線性關(guān)系將低層特征組合成更高層的抽象表示，最終達(dá)到掌握運(yùn)用的水平。數(shù)據(jù)量的豐富程度決定了是否有充足數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，進(jìn)而使人工智能系統(tǒng)經(jīng)過深度學(xué)習(xí)訓(xùn)練后達(dá)到強(qiáng)人工智能水平。因此，能否有足夠多的數(shù)據(jù)對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行深度訓(xùn)練，提升算法有效性是人工智能能否達(dá)到類人或超人水平的決定因素之一。

隨著移動(dòng)互聯(lián)網(wǎng)的爆發(fā)，數(shù)據(jù)量呈現(xiàn)出指數(shù)級(jí)的增長，大數(shù)據(jù)的積累為人工智能提供了基礎(chǔ)支撐。同時(shí)受益于計(jì)算機(jī)技術(shù)在數(shù)據(jù)采集、存儲(chǔ)、計(jì)算等環(huán)節(jié)的突破，人工智能已從簡單的算法+數(shù)據(jù)庫發(fā)展演化到了機(jī)器學(xué)習(xí)+深度理解的狀態(tài)。

二、人工智能產(chǎn)業(yè)及生態(tài)

按產(chǎn)業(yè)鏈結(jié)構(gòu)劃分，人工智能可以分為基礎(chǔ)技術(shù)層、AI技術(shù)層和AI應(yīng)用層。基礎(chǔ)技術(shù)層主要聚焦于數(shù)據(jù)資源、計(jì)算能力和硬件平臺(tái)，數(shù)據(jù)資源主要是各類大數(shù)據(jù)，硬件資源包括芯片研發(fā)、存儲(chǔ)設(shè)備開發(fā)等。AI技術(shù)層著重于算法、模型及可應(yīng)用技術(shù)，如計(jì)算智能算法、感知智能算法、認(rèn)知智能算法。AI應(yīng)用層則主要關(guān)注將人工智能與下游各領(lǐng)域結(jié)合起來，如無人機(jī)、機(jī)器人、虛擬客服、語音輸入法等。

圖1 人工智能產(chǎn)業(yè)鏈

（一）基礎(chǔ)技術(shù)層

1.1 大數(shù)據(jù)

數(shù)據(jù)資源是機(jī)器學(xué)習(xí)訓(xùn)練的基本素材，通過對于數(shù)據(jù)的學(xué)習(xí)，機(jī)器能不斷積累經(jīng)驗(yàn)和優(yōu)化決策參數(shù)，逐漸變得更貼近人類智能。

從數(shù)據(jù)流動(dòng)方向的角度來看，大數(shù)據(jù)的產(chǎn)業(yè)鏈可分為底層平臺(tái)、處理分析、應(yīng)用三個(gè)層次。底層平臺(tái)由基礎(chǔ)設(shè)施與數(shù)據(jù)資產(chǎn)池構(gòu)成，主要提供數(shù)據(jù)采集、分享和交易服務(wù)，處理分析則是在原始數(shù)據(jù)的基礎(chǔ)上對數(shù)據(jù)進(jìn)行清洗后以不同方式呈現(xiàn)。在數(shù)據(jù)處理分析的基礎(chǔ)之上，挖掘各行業(yè)的數(shù)據(jù)需求，最終為用戶提供服務(wù)。

根據(jù)數(shù)據(jù)應(yīng)用程度不同，大數(shù)據(jù)產(chǎn)業(yè)鏈下各參與方功能可細(xì)分為數(shù)據(jù)標(biāo)準(zhǔn)與規(guī)范化、數(shù)據(jù)采集、數(shù)據(jù)安全、數(shù)據(jù)儲(chǔ)存與管理、數(shù)據(jù)分析與挖掘、數(shù)據(jù)運(yùn)維和數(shù)據(jù)運(yùn)用七個(gè)方面。 

1.2 計(jì)算能力和硬件平臺(tái)

數(shù)據(jù)資源、核心算法、運(yùn)算能力是人工智能的三大核心要素。隨著全球移動(dòng)互聯(lián)網(wǎng)和物聯(lián)網(wǎng)等快速發(fā)展，人類可獲取利用的數(shù)據(jù)正以爆炸式增長。海量的大數(shù)據(jù)通過最新的深度學(xué)習(xí)技術(shù)將為人工智能的發(fā)展與應(yīng)用帶來難以估量的價(jià)值，而運(yùn)算能力提升是人工智能發(fā)展的前提保障。其中，芯片是運(yùn)算能力的核心。

就目前而言，AI 芯片主要類型有GPU、FPGA、ASIC和類人腦芯片四種。

1.2.1 GPU

1.2.1.1 GPU簡介

GPU 即圖形處理器，最初是用來做圖像運(yùn)算的微處理器。GPU 優(yōu)化和調(diào)整了CPU 結(jié)構(gòu)，使其運(yùn)算速度突飛猛進(jìn)，擁有了更強(qiáng)大的處理浮點(diǎn)運(yùn)算的能力。2009 年，斯坦福大學(xué)的吳恩達(dá)及其團(tuán)隊(duì)發(fā)現(xiàn)GPU 芯片可以并行運(yùn)行神經(jīng)網(wǎng)絡(luò)。用GPU來運(yùn)行機(jī)器學(xué)習(xí)模型，同樣的大訓(xùn)練集，GPU在耗費(fèi)功率更低、占用基礎(chǔ)設(shè)施更少的情況下能夠支持遠(yuǎn)比單純使用CPU時(shí)10-100倍的應(yīng)用吞吐量。因此GPU已經(jīng)成為數(shù)據(jù)科學(xué)家處理大數(shù)據(jù)的處理器。

1.2.1.2 GPU行業(yè)現(xiàn)狀

目前國際GPU市場被NVIDIA 和AMD 兩大公司瓜分，全球GPU 行業(yè)的市場份額有超過70％被NVIDIA占據(jù)，而應(yīng)用在人工智能領(lǐng)域的可進(jìn)行通用計(jì)算的GPU 市場則基本被NVIDIA壟斷。目前公司已與谷歌、微軟、IBM、豐田、百度等多家嘗試?yán)蒙疃?a href='/map/shenjingwangluo/' style='color:#000;font-size:inherit;'>神經(jīng)網(wǎng)絡(luò)來解決海量復(fù)雜計(jì)算問題的企業(yè)建立和合作關(guān)系。NVIDIA與下游客戶在深度學(xué)習(xí)領(lǐng)域的合作不斷加深，已經(jīng)開發(fā)出多款針對深度學(xué)習(xí)的GPU產(chǎn)品。從產(chǎn)品成熟度、生態(tài)圈的規(guī)模角度而言，NVIDIA的GPU 已具備統(tǒng)治性的地位。

中國在GPU芯片設(shè)計(jì)領(lǐng)域起步較晚，目前只有景嘉微和兆芯兩家掌握核心技術(shù)的公司正在逐步打破國外芯片在我國GPU市場的壟斷局面，但產(chǎn)品還是主要用于GPU最初的圖形顯控領(lǐng)域，距人工智能所需要的GPU技術(shù)還有很遠(yuǎn)的距離。

1.2.2 FPGA

1.2.2.1 FPGA簡介

FPGA，即場效可編程邏輯閘陣列，最初是從專用集成電路上發(fā)展起來的半定制化的可編程電路，F(xiàn)PGA 還具有靜態(tài)可重復(fù)編程和動(dòng)態(tài)在系統(tǒng)重構(gòu)的特性，使得硬件的功能可以像軟件一樣通過編程來修改，不同的編程數(shù)據(jù)在同一片F(xiàn)PGA上可以產(chǎn)生不同的電路功能，具有很強(qiáng)的靈活性和適應(yīng)性。

FPGA 和GPU 內(nèi)都有大量的計(jì)算單元，因此它們的計(jì)算能力都很強(qiáng)。在進(jìn)行神經(jīng)網(wǎng)絡(luò)運(yùn)算的時(shí)候，兩者的速度會(huì)比CPU 快很多。但是GPU 由于架構(gòu)固定，硬件原生支持的指令也就固定了，而FPGA 則是可編程的。其可編程性是關(guān)鍵，因?yàn)樗屲浖c終端應(yīng)用公司能夠提供與其競爭對手不同的解決方案，并且能夠靈活地針對自己所用的算法修改電路。與GPU相比，F(xiàn)PGA具有性能高、能耗低及可硬件編程的特點(diǎn)。

1.2.2.2 FPGA行業(yè)現(xiàn)狀

目前FPGA 整個(gè)市場被國外的兩大巨頭所寡占，據(jù)東方證券研究所數(shù)據(jù)顯示，Xilinx 和Altera 占了近90%的份額，合計(jì)專利達(dá)到6000多項(xiàng)，剩余份額被Lattice和Microsemi兩家占據(jù)，兩家專利合計(jì)共有超過3000項(xiàng)。技術(shù)專利的限制和漫長的開發(fā)周期使得FPGA行業(yè)有著極高的壁壘。

盡管我國政府多年來在此領(lǐng)域投入了數(shù)百億的科研經(jīng)費(fèi)，但FPGA的專利限制及技術(shù)門檻使得中國FPGA的研發(fā)之路十分艱辛，國內(nèi)如同創(chuàng)國芯、京微雅格、高云等公司在FPGA研發(fā)方面已獲得一定進(jìn)展，但產(chǎn)品性能、功耗、容量和應(yīng)用領(lǐng)域上都同國外先進(jìn)技術(shù)存在著較大差距。當(dāng)前國內(nèi)部分資本已經(jīng)試圖走出國門，通過并購半導(dǎo)體類公司的方法進(jìn)入FPGA的行業(yè)，實(shí)現(xiàn)彎道超車。

1.2.3 ASIC

1.2.3.1 ASIC簡介

ASIC，即專用集成電路，是指應(yīng)特定用戶要求或特定電子系統(tǒng)的需要而設(shè)計(jì)、制造的集成電路。ASIC 作為集成電路技術(shù)與特定用戶的整機(jī)或系統(tǒng)技術(shù)緊密結(jié)合的產(chǎn)物，與通用集成電路相比，具有以下幾個(gè)方面的優(yōu)越性：體積更小、功耗更低、可靠性提高、性能提高、保密性增強(qiáng)。FPGA一般來說比ASIC的速度要慢，而且無法完成更復(fù)雜的設(shè)計(jì)，并且會(huì)消耗更多的電能，因此就算力而言ASIC遠(yuǎn)優(yōu)于FPGA；但ASIC的專用特點(diǎn)使得其生產(chǎn)成本很高，如果出貨量較小，則采用ASIC在經(jīng)濟(jì)上不太實(shí)惠。一旦人工智能技術(shù)成熟，ASIC專用集成的特點(diǎn)反而會(huì)達(dá)到規(guī)模效應(yīng)，較通用集成電路而言，成本大大降低。

當(dāng)前ASIC 在人工智能深度學(xué)習(xí)方面的應(yīng)用還不多，但是我們可以拿比特幣礦機(jī)芯片的發(fā)展做類似的推理。比特幣挖礦和人工智能深度學(xué)習(xí)有類似之處，都是依賴于底層的芯片進(jìn)行大規(guī)模的并行計(jì)算。比特幣礦機(jī)的芯片經(jīng)歷了四個(gè)階段：CPU、GPU、FPGA 和ASIC。其中ASIC 在比特幣挖礦領(lǐng)域，展現(xiàn)出了得天獨(dú)厚的優(yōu)勢。隨著人工智能越來越多的應(yīng)用在各個(gè)領(lǐng)域并表現(xiàn)出優(yōu)越的性能，長期來看ASIC大有可為。

1.2.3.2 ASIC市場現(xiàn)狀

隨著人工智能的興起，科技巨頭紛紛布局芯片制造。高通、AMD、ARM、Intel和NVIDIA都在致力于將定制化芯片整合進(jìn)它們的現(xiàn)有解決方案中。Nervana 和 Movidius（目前都在Intel旗下）據(jù)說正在開發(fā)集合方案。ASIC中較為成熟的產(chǎn)品是谷歌針對AlphaGo研發(fā)的TPU。第一代TPU產(chǎn)品由谷歌在2016年I/O大會(huì)上正式推出，今年5月的開發(fā)者I/O大會(huì)上，谷歌正式公布了第二代TPU，又稱Cloud TPU，相較于初代TPU，既能用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，又可以用于推理，浮點(diǎn)性能方面較傳統(tǒng)的GPU提升了15倍。

ASIC在人工智能領(lǐng)域的應(yīng)用起步較晚，國內(nèi)外水平相差不大。目前國內(nèi)已有數(shù)家公司致力于人工智能相關(guān)ASIC芯片研究，代表公司為地平線機(jī)器人、中科寒武紀(jì)與中星微電子。其中地平線機(jī)器人公司作為初創(chuàng)企業(yè)，致力于打造基于深度神經(jīng)網(wǎng)絡(luò)的人工智能“大腦”平臺(tái)-包括軟件和芯片，可以做到低功耗、本地化的解決環(huán)境感知、人機(jī)交互、決策控制等問題。其關(guān)于芯片的研發(fā)目前還未成熟。中科寒武紀(jì)和中星微電子則已經(jīng)有了相對成熟的產(chǎn)品。寒武紀(jì)芯片專門面向深度學(xué)習(xí)技術(shù)，研制了國際首個(gè)深度學(xué)習(xí)專用處理器芯片NPU，目前已研發(fā)的三款芯片分別面向神經(jīng)網(wǎng)絡(luò)的原型處理器結(jié)構(gòu)、大規(guī)模神經(jīng)網(wǎng)絡(luò)和多種機(jī)器學(xué)習(xí)算法，預(yù)計(jì)將于2018年實(shí)現(xiàn)芯片的產(chǎn)業(yè)化。中星微電子于2016年6月推出中國首款嵌入式神經(jīng)網(wǎng)絡(luò)處理器（NPU）芯片，這是全球首顆具備深度學(xué)習(xí)人工智能的嵌入式視頻采集壓縮編碼系統(tǒng)級(jí)芯片。這款基于深度學(xué)習(xí)的芯片運(yùn)用在人臉識(shí)別上，最高能達(dá)到98%的準(zhǔn)確率，超過人眼的識(shí)別率。該芯片于2017年3月6日實(shí)現(xiàn)量產(chǎn)，截止到今年5月出貨量為十幾萬件。

1.2.4 類人腦芯片

1.2.4.1 類人腦芯片簡介

類人腦芯片是一種基于神經(jīng)形態(tài)工程、借鑒人腦信息處理方式，旨在打破“馮·諾依曼”架構(gòu)束縛，適于實(shí)時(shí)處理非結(jié)構(gòu)化信息、具有學(xué)習(xí)能力的超低功耗新型計(jì)算芯片。從理論上來看，類人腦芯片更加接近于人工智能目標(biāo)的芯片，力圖在基本架構(gòu)上模仿人腦的工作原理，使用神經(jīng)元和突觸的方式替代傳統(tǒng)架構(gòu)體系，使芯片能夠進(jìn)行異步、并行、低俗和分布式處理信息數(shù)據(jù)的能力，同時(shí)具備自護(hù)感知、識(shí)別和學(xué)習(xí)的能力。

1.2.4.2 類人腦芯片市場現(xiàn)狀

類人腦芯片是人工智能芯片發(fā)展的重點(diǎn)方向。目前各國政府及科技巨頭都在大力推動(dòng)類人腦芯片的研發(fā)進(jìn)程，包括美國、日本、德國、英國、瑞士等發(fā)達(dá)國家已經(jīng)制定相應(yīng)的發(fā)展戰(zhàn)略，中國的類人腦科學(xué)研究項(xiàng)目目前也已經(jīng)正式啟動(dòng)。當(dāng)前世界上已有一批科技公司走在前列，在類人腦芯片研發(fā)中取得了突破，代表產(chǎn)品包括IBM的TrueNorth芯片、高通Zeroth芯片、谷歌的“神經(jīng)網(wǎng)絡(luò)圖靈機(jī)”等。

（二）AI技術(shù)層

AI技術(shù)層主要著眼于算法、模型及可應(yīng)用技術(shù)。按照智能程度不同，人工智能可分為運(yùn)算智能、感知智能、認(rèn)知智能三個(gè)階段。運(yùn)算智能，即快速計(jì)算和記憶存儲(chǔ)能力，在這一階段主要是算法與數(shù)據(jù)庫相結(jié)合，使得機(jī)器開始像人類一樣會(huì)計(jì)算和傳遞信息； 感知智能，即視覺、聽覺、觸覺等感知能力，在這一階段，數(shù)據(jù)庫與淺層學(xué)習(xí)算法結(jié)合，使得機(jī)器開始看懂和聽懂，并做出判斷、采取行動(dòng)；認(rèn)知智能，即能理解會(huì)思考的能力，這一階段主要是采用深度學(xué)習(xí)算法，使得機(jī)器能夠像人一樣思考，主動(dòng)采取行動(dòng)。

AI技術(shù)層可以分為框架層和算法層，其中框架層指TensorFlow，Caffe，Theano，Torch，DMTK，DTPAR，ROS等框架或操作系統(tǒng)，算法層指的是對數(shù)據(jù)的處理方法。

根據(jù)數(shù)據(jù)類型的不同，對一個(gè)問題會(huì)采用不同的建模方式，即學(xué)習(xí)方式。按照學(xué)習(xí)方式來分類，人工智能算法可以分為傳統(tǒng)機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)算法，其中傳統(tǒng)機(jī)器學(xué)習(xí)又可細(xì)分為監(jiān)督式學(xué)習(xí)、非監(jiān)督式學(xué)習(xí)、半監(jiān)督式學(xué)習(xí)、強(qiáng)化學(xué)習(xí)。

2.1 傳統(tǒng)機(jī)器學(xué)習(xí)

2.1.1 監(jiān)督式學(xué)習(xí)

在監(jiān)督式學(xué)習(xí)下，輸入數(shù)據(jù)被稱為“訓(xùn)練數(shù)據(jù)”，每組訓(xùn)練數(shù)據(jù)有一個(gè)明確的標(biāo)識(shí)或結(jié)果，如對防垃圾郵件系統(tǒng)中“垃圾郵件”“非垃圾郵件”，對手寫數(shù)字識(shí)別中的“1“，”2“，”3“，”4“等。在建立預(yù)測模型的時(shí)候，監(jiān)督式學(xué)習(xí)建立一個(gè)學(xué)習(xí)過程，將預(yù)測結(jié)果與“訓(xùn)練數(shù)據(jù)”的實(shí)際結(jié)果進(jìn)行比較，不斷的調(diào)整預(yù)測模型，直到模型的預(yù)測結(jié)果達(dá)到一個(gè)預(yù)期的準(zhǔn)確率。監(jiān)督式學(xué)習(xí)的常見應(yīng)用場景如分類問題和回歸問題。常用算法有回歸算法、樸素貝葉斯、SVM等。

2.1.2 非監(jiān)督式學(xué)習(xí)

在非監(jiān)督式學(xué)習(xí)中，數(shù)據(jù)并不被特別標(biāo)識(shí)，學(xué)習(xí)模型是為了推斷出數(shù)據(jù)的一些內(nèi)在結(jié)構(gòu)。常見的應(yīng)用場景包括關(guān)聯(lián)規(guī)則的學(xué)習(xí)以及聚類等。關(guān)聯(lián)規(guī)則學(xué)習(xí)的常見算法主要為Apriori算法及其拓展算法，聚類的常用算法有k-Means算法及其相似算法。

2.1.3 半監(jiān)督式學(xué)習(xí)

在此學(xué)習(xí)方式下，輸入數(shù)據(jù)部分被標(biāo)識(shí)，部分沒有被標(biāo)識(shí)，這種學(xué)習(xí)模型可以用來進(jìn)行預(yù)測，但是模型首先需要學(xué)習(xí)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)以便合理的組織數(shù)據(jù)來進(jìn)行預(yù)測。應(yīng)用場景包括分類和回歸，算法包括一些對常用監(jiān)督式學(xué)習(xí)算法的延伸，這些算法首先試圖對未標(biāo)識(shí)數(shù)據(jù)進(jìn)行建模，在此基礎(chǔ)上再對標(biāo)識(shí)的數(shù)據(jù)進(jìn)行預(yù)測。如圖論推理算法（Graph Inference）或者拉普拉斯支持向量機(jī)（Laplacian SVM.）等。

2.1.4 強(qiáng)化學(xué)習(xí)

在此學(xué)習(xí)模式下，輸入數(shù)據(jù)作為對模型的反饋，不像監(jiān)督模型那樣，輸入數(shù)據(jù)僅僅是作為一個(gè)檢查模型對錯(cuò)的方式，在強(qiáng)化學(xué)習(xí)下，輸入數(shù)據(jù)直接反饋到模型，模型必須對此立刻作出調(diào)整。常見的應(yīng)用場景包括動(dòng)態(tài)系統(tǒng)以及機(jī)器人控制等。常見算法包括Q-Learning以及時(shí)間差學(xué)習(xí)（Temporal difference learning）。

2.2 神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是模擬生物神經(jīng)網(wǎng)絡(luò)，由眾多的神經(jīng)元可調(diào)的連接權(quán)值連接而成，具有大規(guī)模并行處理、分布式信息存儲(chǔ)、良好的組織學(xué)習(xí)能力特點(diǎn)，并通過一定學(xué)習(xí)準(zhǔn)則進(jìn)行學(xué)習(xí)，進(jìn)而建立相關(guān)模型，解決一定工作。在人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法設(shè)計(jì)方面，一般對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行大量的數(shù)據(jù)訓(xùn)練和調(diào)整，不斷修正各層級(jí)節(jié)點(diǎn)參數(shù)，通過不斷學(xué)習(xí)使得人工神經(jīng)網(wǎng)絡(luò)具有初步的自適應(yīng)能力和自我組織能力及較強(qiáng)的泛化能力，進(jìn)而較快適應(yīng)周邊環(huán)境要求，基于其眾多優(yōu)點(diǎn)，人工神經(jīng)網(wǎng)絡(luò)已然成為人工智能算法的核心。深度學(xué)習(xí)算法是人工神經(jīng)網(wǎng)絡(luò)當(dāng)前最新算法，其實(shí)質(zhì)是通過很多隱層的機(jī)器學(xué)習(xí)模型和海量的訓(xùn)練數(shù)據(jù)來學(xué)習(xí)更有用的特征，從而提升分類或預(yù)測的準(zhǔn)確性。

（三）AI應(yīng)用層

人工智能的應(yīng)用主要是采用了“AI+垂直行業(yè)”的方式滲透到傳統(tǒng)各行業(yè)，按發(fā)展層次的不同可以分為專用人工智能、通用人工智能和超級(jí)人工智能三個(gè)層次。其中，專用人工智能以一個(gè)或多個(gè)專門的領(lǐng)域和功能為主；通用人工智能即機(jī)器與人類一樣擁有進(jìn)行所有工作的可能，關(guān)鍵在于自動(dòng)地認(rèn)知和拓展；超級(jí)人工智能是指具有自我意識(shí)，包括獨(dú)立自主的價(jià)值觀、世界觀等，目前僅存在于文化作品構(gòu)想中。

按應(yīng)用技術(shù)類型進(jìn)行劃分，人工智能的應(yīng)用技術(shù)可以分為計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)、自然語言處理和機(jī)器人四塊。

3.1 計(jì)算機(jī)視覺

計(jì)算機(jī)視覺，是指計(jì)算機(jī)從圖像中識(shí)別出物體、場景和活動(dòng)的能力。計(jì)算機(jī)視覺技術(shù)運(yùn)用由圖像處理操作及其他技術(shù)所組成的序列來將圖像分析任務(wù)分解為便于管理的小塊任務(wù)目前計(jì)算機(jī)視覺主要應(yīng)用在人臉識(shí)別、圖像識(shí)別方面（包括靜態(tài)、動(dòng)態(tài)兩類信息）。

人臉識(shí)別，亦叫人像識(shí)別、面部識(shí)別，是基于人的臉部特征信息進(jìn)行身份識(shí)別的一種生物識(shí)別技術(shù)。用攝像機(jī)或攝像頭采集含有人臉的圖像或視頻流，并自動(dòng)在圖像中檢測和跟蹤人臉，進(jìn)而對檢測到的人臉進(jìn)行處理的一系列相關(guān)技術(shù)。

圖像識(shí)別，是計(jì)算機(jī)對圖像進(jìn)行處理、分析和理解，以識(shí)別各種不同模式的目標(biāo)和對象的技術(shù)。識(shí)別過程包括圖像預(yù)處理、圖像分割、特征提取和判斷匹配。由于動(dòng)態(tài)監(jiān)測與識(shí)別的技術(shù)限制，靜態(tài)圖像識(shí)別與人臉識(shí)別的研究暫時(shí)處于領(lǐng)先位置。

當(dāng)前國外科技巨頭自行研發(fā)和收購雙管齊下布局計(jì)算機(jī)視覺領(lǐng)域，將技術(shù)廣泛用于自身產(chǎn)品升級(jí)，并基于自身基因打造技術(shù)服務(wù)平臺(tái)和新品類持續(xù)提升影響力。中國國內(nèi)BAT都已紛紛布局相關(guān)領(lǐng)域，并基于自身產(chǎn)品進(jìn)行功能研發(fā)。百度相對更加激進(jìn)，成立了獨(dú)立風(fēng)投公司，專注于AI早期投資。

除BAT三巨頭外，國內(nèi)也有不少初創(chuàng)公司涉足計(jì)算機(jī)視覺技術(shù)，主要聚焦于技術(shù)應(yīng)用。其中典型代表當(dāng)屬曠視科技。公司成立于2012年11月，公司專注于人臉識(shí)別技術(shù)和相關(guān)產(chǎn)品應(yīng)用研究，面向開發(fā)者提供服務(wù)，能提供一整套人臉檢測、人臉識(shí)別、人臉分析以及人臉3D技術(shù)的視覺技術(shù)服務(wù)，主要通過提供云端API、離線SDK、以及面向用戶的自主研發(fā)產(chǎn)品形式，將人臉識(shí)別技術(shù)廣泛應(yīng)用到互聯(lián)網(wǎng)及移動(dòng)應(yīng)用場景中。Face++通過和眾多互聯(lián)網(wǎng)公司合作，并通過“脫敏”技術(shù)掌握到了500萬張人臉圖片數(shù)據(jù)庫，在互聯(lián)網(wǎng)圖片人臉識(shí)別LFW的準(zhǔn)確率達(dá)到99.6%，合作伙伴包括阿里、360等一批大型的圖片、社交、設(shè)備類企業(yè)。

當(dāng)前國內(nèi)計(jì)算機(jī)視覺創(chuàng)業(yè)熱度不斷提高，iiMedia Research(艾媒咨詢)數(shù)據(jù)顯示， 中國人工智能創(chuàng)業(yè)公司所屬領(lǐng)域分布中，計(jì)算機(jī)視覺領(lǐng)域擁有最多創(chuàng)業(yè)公司，高達(dá)35家。 

3.2 機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是指計(jì)算機(jī)通過對大量已有數(shù)據(jù)的處理分析和學(xué)習(xí)，從而擁有預(yù)測判斷和做出最佳決策的能力。其核心在于，機(jī)器學(xué)習(xí)是從數(shù)據(jù)中自動(dòng)發(fā)現(xiàn)模式，模式一旦被發(fā)現(xiàn)便可用于做預(yù)測。

機(jī)器學(xué)習(xí)的應(yīng)用范圍非常廣泛，針對那些產(chǎn)生龐大數(shù)據(jù)的活動(dòng)，它幾乎擁有改進(jìn)一切性能的潛力。除了欺詐甄別之外，這些活動(dòng)還包括銷售預(yù)測、庫存管理、石油和天然氣勘探、以及公共衛(wèi)生。機(jī)器學(xué)習(xí)技術(shù)在其他的認(rèn)知技術(shù)領(lǐng)域也扮演著重要角色，比如計(jì)算機(jī)視覺，它能在海量圖像中通過不斷訓(xùn)練和改進(jìn)視覺模型來提高其識(shí)別對象的能力。

現(xiàn)如今，機(jī)器學(xué)習(xí)已經(jīng)成為認(rèn)知技術(shù)中最炙手可熱的研究領(lǐng)域之一，在2011-2014年中這段時(shí)間內(nèi)就已吸引了近十億美元的風(fēng)險(xiǎn)投資。谷歌也在2014年斥資4億美金收購Deepmind這家研究機(jī)器學(xué)習(xí)技術(shù)的公司。目前國內(nèi)機(jī)器學(xué)習(xí)相關(guān)企業(yè)數(shù)量相對較少。BAT在機(jī)器學(xué)習(xí)方面有著先天的優(yōu)勢，國內(nèi)初創(chuàng)公司第四范式是基于機(jī)器學(xué)習(xí)的解決方案提供商。 

3.3 自然語言處理

自然語言處理就是用人工智能來處理、理解以及運(yùn)用人類語言，通過建立語言模型來預(yù)測語言表達(dá)的概率分布，從而實(shí)現(xiàn)目標(biāo)。

自然語言處理技術(shù)在生活中應(yīng)用廣泛，例如機(jī)器翻譯、手寫體和印刷體字符識(shí)別、語音識(shí)別后實(shí)現(xiàn)文字轉(zhuǎn)換、信息檢索、抽取與過濾、文本分類與聚類、輿情分析和觀點(diǎn)挖掘等。它們分別應(yīng)用了自然語言處理當(dāng)中的語法分析、語義分析、篇章理解等技術(shù)，是人工智能界最前沿的研究領(lǐng)域。時(shí)至今日AI在這些技術(shù)領(lǐng)域的發(fā)展已經(jīng)把識(shí)別準(zhǔn)確率從70%提高到了90%以上，但只有當(dāng)準(zhǔn)確率提高到99%及以上時(shí)，才能被認(rèn)定為自然語言處理的技術(shù)達(dá)到人類水平。

在資本與產(chǎn)業(yè)助力之下，我國人工智能的語音識(shí)別技術(shù)已處于國際領(lǐng)先水平，技術(shù)成熟，通用識(shí)別率上，各企業(yè)均維持在了95%左右的水平。類似百度、科大訊飛等上市公司憑借深厚的技術(shù)和數(shù)據(jù)積累在市場上占據(jù)前列，且通過軟硬件服務(wù)的開發(fā)不斷進(jìn)化著自身的服務(wù)能力。在科大訊飛之后發(fā)布國內(nèi)第二家“語音識(shí)別公有云”的云知聲在各項(xiàng)通用語音服務(wù)技術(shù)的提供上也占據(jù)著不小的市場空間。除此之外，依托中科院自動(dòng)化所的紫冬銳意和納象立方以及有著海外背景的蘇州思必馳在教育領(lǐng)域的語音識(shí)別上占據(jù)著領(lǐng)先的位置。

3.4 機(jī)器人

將機(jī)器視覺、自動(dòng)規(guī)劃等認(rèn)知技術(shù)整合至極小卻高性能的傳感器、致動(dòng)器、以及設(shè)計(jì)巧妙的硬件中，這就催生了新一代的機(jī)器人，它有能力與人類一起工作，能在各種未知環(huán)境中靈活處理不同的任務(wù)。

目前世界上至少有48個(gè)國家在發(fā)展機(jī)器人，其中25個(gè)國家已涉足服務(wù)型機(jī)器人開發(fā)。在日本、北美和歐洲，迄今已有7種類型計(jì)40余款服務(wù)型機(jī)器人進(jìn)入實(shí)驗(yàn)和半商業(yè)化應(yīng)用在服務(wù)機(jī)器人領(lǐng)域。美國是機(jī)器人的發(fā)源地，美國的機(jī)器人技術(shù)在國際上仍一直處于領(lǐng)先地位，其技術(shù)全面、先進(jìn)，適應(yīng)性十分強(qiáng)，在軍用、醫(yī)療、家用服務(wù)機(jī)器人產(chǎn)業(yè)都占有絕對的優(yōu)勢，占服務(wù)機(jī)器人市場約60%的份額。國內(nèi)智能機(jī)器人行業(yè)的研發(fā)主要集中于家庭機(jī)器人、工業(yè)/企業(yè)服務(wù)和智能助手三個(gè)方面。其中工業(yè)及企業(yè)服務(wù)類的機(jī)器人研發(fā)企業(yè)依托政策背景和市場需求處于相對領(lǐng)先的發(fā)展階段。然而在中國涉足智能機(jī)器人的企業(yè)中，從事家庭機(jī)器人和智能助手研發(fā)的企業(yè)占據(jù)了絕大多數(shù)比例。

因?yàn)榉?wù)一般都要結(jié)合特定市場進(jìn)行開發(fā)，本土企業(yè)更容易結(jié)合特定的環(huán)境和文化進(jìn)行開發(fā)占據(jù)良好的市場定位，從而保持一定的競爭優(yōu)勢；另一方面，外國的服務(wù)機(jī)器人公司也屬于新興產(chǎn)業(yè)，大部分成立的時(shí)候還比較短，因而我國的服務(wù)機(jī)器人產(chǎn)業(yè)面臨著比較大的機(jī)遇和可發(fā)展空間。