人工智慧「過熱」引發的思考

在過去的一年中，人工智慧成為繼大數據之後最為火熱的辭彙，一夜之間許多企業都在談論人工智慧，彷彿一時間人工智慧從風口走向了「繁榮」。事實上，人工智慧目前仍然處於起步階段，由此也引發了人們對於人工智慧發展過熱的討論。

那麼面對發展過熱這樣一個問題，在我看來，目前一擁而上的人工智慧公司也只是虛假的「繁榮」，部分企業並沒有在這一方向上加大投入，實際上更多的是在借用概念行炒作之事，所以我認為過熱並非真實情況，並且對於人工智慧技術而言，在投入上還有不小的門檻，在一定程度上也對這一行業有擠出效應。

當然，我們要清醒的看到，對於人工智慧的炒作已經有過熱的趨勢，人工智慧正在變身成為無數不能的代言人。實際上人工智慧遠未達到神奇的地步，創新工場董事長兼首席執行官李開復曾公開表示，人工智慧不是萬能的，人類在很多情況下仍遠遠超過電腦。

在這一情況下，我們就更應該深入的去了解人工智慧的過往，了解人工智慧TOP企業正在進行的事情，才能更好的去了解人工智慧這一行業發展現狀，去展望未來的發展趨勢。

人工智慧過往

基於百度百科，我們可以看到對於人工智慧的介紹，人工智慧是計算機科學的一個分支，它企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。

對於人工智慧的研究起源於上世紀60年代，在2011年，由2006年誕生的深度學習演算法對人類生活開始產生明顯的效用。在某些特定的領域和行業，人工智慧開始超越人類水平。

從最早期的IBM「深藍」電腦擊敗了人類的世界國際象棋冠軍，再到最近的AlphaGo zero大戰李世石，人工智慧的發展經歷了眾多波折，進而取得了一些突破性的進展，在過去受限於一些基礎硬體的計算能力，人工智慧的落地還需要更多的時間，目前只有以英偉達為代表的底層的晶元創新作為人工智慧的基礎在市場上取得了不小的回報。

從這一角度不難發現，在整個人工智慧上下游鏈條上，能夠實現落地回報的情況並不多見，行業上還處於一個布局發展的階段，核心技術的商業化之路也任重道遠，並且對人工智慧下的商業模式還有待驗證。此外，人工智慧的應用範圍也需要進一步擴大，無論是演算法迭代，亦或是數據積累都期待加強。

在軟體方面，以谷歌和臉書為代表的企業在人工智慧這一領域進行了大量的投入，這種投入的原因來源於企業中大量數據的產生和處理需求，這種需求迫使企業在這一方向上持續的研究，據了解，僅谷歌一家對於人工智慧的研究投入在2016年就達到了120億美元，可見對於人工智慧研究而言，高投入是必須經歷的過程。

人工智慧前景美好

一份來源於最近高盛有關於人工智慧的報告顯示，作為久負盛名的投資機構十分看好人工智慧在未來的發展狀況，在這一報告中，高盛認為人工智慧將加速發展，這種情況來源於三個具體的現實原因。

首先，全球快速發展的互聯設備、機器和系統正在產生大量的非結構化數據。數據量越多，對於神經網路效率提升的影響就越大，同時也意味著，數據量的增長未來通過機器學習可以解決的問題也在發生改變。這種改變已經促進了移動設備、物聯網、以及雲計算的快速發展，未來對於人工智慧而言這種促進作用也必將顯現。

其次，作為核心硬體設備，GPU的使用和低成本計算能力的普遍化，特別是通過雲服務，以及建立新的神經網路模型，已經極大的增加了神經網路產生結果的速度與準確率。GPU 和並行架 構要比傳統的基於數據中心架構的 CPU 能更快的訓練機器學習系統。通過使用圖像晶元， 網路能更快的迭代，能在短期內進行更準確的訓練。

再次，更好的計算和數據使得更多的研發是面向演算法，從而支持深度學習的使用。例如伯克利的 Caffe、谷歌的 TensorFlow 和 Torch 這樣的開源框架。比如，剛開源一周年的 TensorFlow，已經成為最大的開發人員協作網站 GitHub 上最多分支的框架。雖然不是所有的人工智慧都發生於普遍可用的開源框架中，但開源確實在加速發展，而且也有更多先進的工具正在開源。

細觀人工智慧TOP公司

同樣，高盛的報告認為，未來在一個較長的階段內，人工智慧的重要企業都將集中於中美兩國。比如，來自於美國的谷歌、亞馬遜、臉書，來自我國的百度在人工智慧研發上都屬於個中翹楚。

已知的是，谷歌在過去二十年中，搜索演算法已經得到了快速發展，在2015年開始，谷歌將基於鏈接的網站排名轉變為採用AI驅動查詢匹配系統，以AI驅動的搜索能夠滿足一些特定的搜索場景，並且這一使用以佔據谷歌搜索15%的份額，而谷歌開源的機器學習軟體庫TensorFlow，正在成為其他進入人工智慧領域中小型創業企業的AI集成首選。

2015 年 4 月，亞馬遜公司發布 Amazon ML， 這款機器學習服務能夠為對雲數據的使用提供機器學習功能(無需之前的客戶經驗)。而之後緊隨谷歌，亞馬遜開源針對推薦深度學習模型的庫DSSTNE。 通過改善搜索、定製化產品推薦以及語音識別、增加有質量的產品評價，亞馬遜公司內部也在使用機器學習改善端到端的用戶體驗。

得益於臉書本身的業務背景，臉書的人工智慧部門更多的是針對更為廣泛的研究社區背景，推進無監督表徵學習，比如，觀察世界、而不是藉助人類演算法干預，借 助對抗網路進行學習等等的進步而為眾人所知。目前臉書正將機器學習功能 應用到各種垂直領域中，比如面部識別，機器翻譯以及深度文本語言或文本學習。

提到百度AI，必須提到百度大腦，它由三部分組成。第一，AI 演算法模擬人類神經網路，用數百數十億樣品的大量的訓練。 第二，對數十萬伺服器和許多 GPU 集 群進行操作的計算能力用於高性能計算，允許更多可擴展的 深度學習演算法。第三，通過收集了數萬億頁的網頁，包括幾百億個視頻/音頻/圖像內容，數十億次的搜索查詢以及數百億次的位置查詢。訓練特定型號的機器要求非常高的計算能力和 4T 數據。

通過國內國際的知名人工智慧企業的發展現狀，我們可以清晰的發現，大量的人力財力投入是必不可少的一個手段，而且這些企業本身也是被數據所驅動的，此外針對人工智慧已經過熱的言論，我認為有熱度，但未過度，人工智慧的研發和應用還將經歷一個長期的過程，投入才能產出，在現階段大量的投入未必不能刺激整個行業的發展，當然對於人工智慧的發展趨勢還有待時間的驗證。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！