整體來說，投資這個行業是大有可為的，宏觀上講，國家在支援行業的發展，社會現在也對這個行業有很大的需求！因為我們對生活的質量要求越來越高，所以就需要大量的智慧事物進入我們的生活中！行業中的企業也在尋找給人們帶來更方便的裝置，只要是真正的是在這個行業中做事的企業那就是有價值！

在大資料時代，人工智慧相關技術得到了越來越多的關注，市場對於人工智慧產品的呼聲也越來越高，因此不少科技公司都陸續開始在人工智慧領域實施戰略佈局，由於人工智慧人才相對比較短缺，所以人才的爭奪也比較激烈。另外，由於相關人才的數量比較少（研究生培養為主），而且培養週期比較長，所以人工智慧人才在未來較長一段時間內依然會有一定的缺口。

智慧化是未來的重要趨勢之一。隨著網際網路的發展，大資料、雲計算和物聯網等相關技術會陸續普及應用，在這個大背景下，智慧化必然是發展趨勢之一。人工智慧相關技術將首先在網際網路行業開始應用，然後陸續普及到其他行業。所以，從大的發展前景來看，人工智慧相關領域的發展前景還是非常廣闊的。

人工智慧從大趨勢上肯定是值得重點關注的！

人工智慧已經影響到了我們的方方面面，並且持續縱深影響到越來越多的行業，包括交通、工業、金融、醫療、農業等等，實實在在的在改變我們的生活，重塑產業鏈。從投資上看，這條主線肯定大有可為！但是有幾點建議：

1）需要關注人工智慧的虛假繁榮、炒作熱、學術熱。 因為其重要，處於風口浪尖，現在不管什麼行業，什麼產品，什麼公司都往人工智慧上靠，需要區分真偽人工智慧；很多所謂的人工智慧企業，被各方投資人、媒體甚至是官方機構瘋狂炒作，大量資本追逐，虛火旺盛，遠遠脫離其原有價值，過度透支，比如AI晶片等，個人建議最好保持謹慎之心，現在一些AI公司如果公開其營收，必然雞毛一地！同時，需要區分學術和產業的關係，很多創業者往往自認為懂技術，也真的有些技術，就想著改變這個那個行業，顛覆這個顛覆那個，往往真的到了落地的時候就露出底褲，他們根本不懂行業，談何改變行業？

2）需要認識到人工智慧的真正價值，選擇合適的產業和方向進入。從這幾年的發展看，我們應該注意到，一些人工智慧在落地時往往遇到很大的難題，難於落地，比如AI醫療，自動駕駛，我們過分高估了人工智慧的價值，過分低估了和產業結合時難點。只有能夠真正和產業結合，改變原有產業痛點，解決實際問題，帶來真實價值的人工智慧才是真正有用的，不能空談技術。建議重點產業人工智慧，關注和產業結合的、有產業落地能力的技術、方案和公司以及相關產業鏈，比如智慧製造等。

人工智慧產業肯定大有所為，但需要有所為有所不為。先來看一個新聞：

全球知名的AI晶片企業——Wave Computing 公司即將破產。據悉，該公司已經遣散了所有員工，並申請破產保護。如無意外，這將成為第一家在疫情期間申請破產的 AI 晶片公司。Wave Computing被譽為全球最有前途的AI公司之一，曾被認為有和英特爾、英偉達等巨頭一較高下的潛力。2018年底，Wave Computing宣佈完成8600萬美元E輪融資，這一輪融資過後，這家公司累計融資金額已超過2億美元。

一、人工智慧的起源及發展

人工智慧（AI）一詞最早出現於1956年的達特茅斯會議，受限於早期的計算效能、資料儲存成本，人工智慧在實際生產生活中的應用較少。進入21世紀，隨著計算能力的大幅提升和資料儲存成本的大幅下降、網際網路資料量急劇增長，人工智慧從此進入發展的快車道，並在全球經濟發展中發揮越來越大的作用。普華永道預測到2030年，AI將為全球GDP帶來14%的增長，也就是15.7萬億美元。1999年至2017年，全球人工智慧領域中影象識別、生物特徵識別、語音識別、語音合成、自然語言理解、機器學習等關鍵技術的發明及授權專利數量超過10萬項。

1999年至2017年全球AI專利申請增長趨勢

二、人工智慧產業鏈包括哪些

人工智慧產業鏈結構分為基礎層（計算基礎設施）、技術層（軟體演算法及平臺）與應用層（行業應用及產品）。

人工智慧產業鏈分佈圖

基礎層主要包括計算硬體（AI晶片）、計算系統技術（雲計算、大資料和5G通訊）和資料（資料採集、標註和分析）。可以打這樣一個比方：深度學習是人工智慧這臺火箭的發動機，燃料是大資料，雲計算是引擎。

技術層面，我們可以從三個維度來理解：算法理論（機器學習演算法、類腦演算法）、開發平臺（基礎開源框架、技術開放平臺）和應用技術（計算機視覺、自然語言理解和人機互動）。

應用層面，我們可以包括行業解決方案（“AI+”）和典型產品（機器人、智慧音箱、智慧汽車、無人機等）兩個方向。

三、人工智慧投資價值如何判斷

要判斷是否有投資價值，個人覺得需要回答一下三個問題：

是否在產業鏈中有清晰的定位？參照上文能找準自己在產業鏈中的定位是基礎，如果一上來就說的自己能一條龍包打天下，那要麼是騙子、要麼是小白。有些入門者自以為拿著tensorflow搭個神經網路訓練個人臉識別模型就學通人工智慧了，其實這是很容易做到的，但離能用還有十萬八千里。除非是兩位馬爸爸那樣的巨頭，一般創業團隊能在某個層面中做好做精已經相當不錯了。

是否有清晰的資料來源？前幾年李飛飛離開大學加盟谷歌，主要就是為了資料，她在學校耗盡科研經費和數年時間才能獲得的資料，在谷歌唾手可得。所以AI中有七大黑洞之說，就是指AI人才都被全球七個掌握資料的公司說吸引（中國BAT和美國的亞馬遜、微軟、谷歌、臉書）。目前所有AI技術都是基於海量資料訓練，所以沒有資料的AI都是耍流氓。

是否有明確的應用場景？有些團隊也許某些方面很強，比如圖片識別準確率多高多高、語音識別率多高多高，但如果沒有落地場景，最好的結果也就是被巨頭收購。但即便是這個結果也是虛妄，因為巨頭更省力的方法是高薪挖人然後模仿，因為他們有資料。