慧聪安防网讯 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。本文是来自高盛的AI产业调研报告，报告详细介绍了AI的技术背景、应用前景和目前的产业竞争局势及产业链地图。
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。本文是来自高盛的AI产业调研报告，报告详细介绍了AI的技术背景、应用前景和目前的产业竞争局势及产业链地图。
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。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。
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。
芯片浮点能力发展之快可以以NVIDIAGPU(GTX1080)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IBM1620，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。
我们也曾在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。
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。
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。
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。
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。
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。
