答案非常多。

樓上的朋友們也提了許多，

健康行業，養老行業，新能源，物流，汽車服務業，寵物行業，馬雲推出的新零售等等。

人工智慧的技術應用主要是在以下幾個方面：

自然語言處理（包括語音和語義識別、自動翻譯）、計算機視覺（影象識別）、知識表示、自動推理（包括規劃和決策）、機器學習和機器人學。按照技術類別來分，可以分成感知輸入和學習與訓練兩種。計算機透過語音識別、影象識別、讀取知識庫、人機互動、物理感測等方式，獲得音影片的感知輸入，然後從大資料中進行學習，得到一個有決策和創造能力的大腦。

人工智慧概念其實在上世紀80年代就已經炒得火熱，但是軟硬體兩方面的技術侷限使其沉迷了很長一段時間。而現在，大規模平行計算、大資料、深度學習演算法和人腦晶片這四大催化劑的發展，以及計算成本的降低，使得人工智慧技術突飛猛進。

簡單的來說：時機成熟了（it is the timing)

一、驅動人工智慧發展的先決條件

物聯網——物聯網提供了計算機感知和控制物理世界的介面和手段，它們負責採集資料、記憶、分析、傳送資料、互動、控制等等。攝像頭和相機記錄了關於世界的大量的影象和影片，麥克風記錄語音和聲音，各種感測器將它們感受到的世界數字化等等。這些感測器，就如同人類的五官，是智慧系統的資料輸入，感知世界的方式。而大量智慧裝置的出現則進一步加速了感測器領域的繁榮，這些延伸向真實世界各個領域的觸角是機器感知世界的基礎，而感知則是智慧實現的前提之一。

大規模平行計算——人腦中有數百至上千億個神經元，每個神經元都透過成千上萬個突觸與其他神經元相連，形成了非常複雜和龐大的神經網路，以分佈和併發的方式傳遞訊號。這種超大規模的平行計算結構使得人腦遠超計算機，成為世界上最強大的資訊處理系統。近年來，基於GPU（圖形處理器）的大規模平行計算異軍突起，擁有遠超CPU的平行計算能力。

從處理器的計算方式來看，CPU計算使用基於x86指令集的序列架構，適合儘可能快的完成一個計算任務。而GPU從誕生之初是為了處理3D影象中的上百萬個畫素影象，擁有更多的核心去處理更多的計算任務。因此GPU天然具備了執行大規模平行計算的能力。雲計算的出現、GPU的大規模應用使得集中化的資料計算處理能力變得前所未有的強大。

深度學習演算法——最後，這是人工智慧進步最重要的條件，也是當前人工智慧最先進、應用最廣泛的核心技術，深度神經網路（深度學習演算法）。2006年，Geoffrey Hinton教授發表的論文《A fast learning algorithm for deep belief nets》。他在此文中提出的深層神經網路逐層訓練的高效演算法，讓當時計算條件下的神經網路模型訓練成為了可能，同時透過深度神經網路模型得到的優異的實驗結果讓人們開始重新關注人工智慧。之後，深度神經網路模型成為了人工智慧領域的重要前沿陣地，深度學習演算法模型也經歷了一個快速迭代的週期，Deep Belief Network、Sparse Coding、Recursive Neural Network, Convolutional Neural Network等各種新的演算法模型被不斷提出，而其中卷積神經網路（Convolutional Neural Network，CNN）更是成為影象識別最炙手可熱的演算法模型。

二、IT巨頭在人工智慧上的投入

技術的進步使得人工智慧的發展在近幾年顯著加速，IT巨頭在人工智慧上的投入明顯增大，一方面網羅頂尖人工智慧的人才，另一方面加大投資力度頻頻併購，昭示著人工智慧的春天已經到來。

科技企業巨頭近幾年在人工智慧領域密集佈局，巨頭們透過鉅額的研發投入、組織架構的調整、持續的併購和大量的開源專案，正在打造各自的人工智慧生態圈。在未來，人工智慧將不再是尖端技術，而會成為隨處可見的基礎設施。對於人工智慧初創企業而言，既要尋找與巨頭的合作契合點，又要避開正面衝突。科技企業巨頭近幾年在人工智慧領域密集佈局，巨頭們透過鉅額的研發投入、組織架構的調整、持續的併購和大量的開源專案，正在打造各自的人工智慧生態圈。在未來，人工智慧將不再是尖端技術，而會成為隨處可見的基礎設施。對於人工智慧初創企業而言，既要尋找與巨頭的合作契合點，又要避開正面衝突。初創企業進軍人工智慧一定要做好差異性不然只能在這次洪流中成為大企業的炮灰。

列舉幾家以說明：

IBM

IBM Watson由90臺IBM伺服器、360個計算機晶片組成，是一個有10臺普通冰箱那麼大的計算機系統。它擁有15TB記憶體、2880個處理器、每秒可進行80萬億次運算。現在已經逐步進化到四個批薩盒大小，效能也提升了240%。Watson儲存了大量圖書、新聞和電影劇本資料、辭海、文選和《世界圖書百科全書》等數百萬份資料。Watson是基於IBM“DeepQA”（深度開放域問答系統工程）技術開發的。DeepQA技術可以讀取數百萬頁文字資料，利用深度自然語言處理技術產生候選答案，根據諸多不同尺度評估那些問題。IBM研發團隊為Watson開發的100多套演算法可以在3秒內解析問題，檢索數百萬條資訊然後再篩選還原成“答案”輸出成人類語言。

產業佈局：IBM公司自2006年開始研發Watson，並在2011年2月的《危險地帶》(Jeopardy!)智力搶答遊戲中一戰成名。一開始IBM想把Watson打造為超級Siri，主要還是賣硬體。但是後來轉型為認知商業計算平臺，2011年8月開始應用於醫療領域。例如在腫瘤治療方面，Watson已收錄了腫瘤學研究領域的42種醫學期刊、臨床試驗的60多萬條醫療證據和200萬頁文字資料。Watson能夠在幾秒之內篩選數十年癌症治療歷史中的150萬份患者記錄，包括病歷和患者治療結果，併為醫生提供可供選擇的循證治療方案。目前癌症治療領域排名前三的醫院都在執行Watson，並在今年8月正式進入中國。

2012年3月，Watson則首次應用於金融領域，花旗集團成為了首位金融客戶。Watson幫助花旗分析使用者的需求，處理金融、經濟和使用者資料以及實現數字銀行的個性化，並幫助金融機構找出行業專家可能忽略的風險、收益以及客戶需求。

硬體：人腦模擬晶片SyNAPSE

SyNAPSE（Systems of Neuromorphic Adaptive Plastic Scalable Electronics，即“自適應塑膠可伸縮電子神經形態系統”）晶片，含有100萬個可程式設計神經元、2.56億個可程式設計突觸，每消耗一焦耳的能量，可進行460億突觸運算。在進行生物實時運算時，這款晶片的功耗低至70毫瓦(mW)，比現代微處理器功耗低數個數量級。

Google

谷歌在一系列人工智慧相關的收購中獲益。2013年3月，谷歌以重金收購DNNresearch的方式請到了深度學習技術的發明者Geoffrey Hinton教授。2014年年初，谷歌以4億美元的架構收購了深度學習演算法公司——DeepMind，也就是推出AlphaGo專案的公司。該公司創始人哈薩比斯是一位橫跨遊戲開發、神經科學和人工智慧等多領域的天才人物。

雲平臺：TensorFlow資料庫，機器學習的核心是讓機器讀懂資料並基於資料做出決策。當資料規模龐大而又非常複雜時，機器學習可以讓機器變得更聰明。TensorFlow在資料輸入和輸出方面都有驚人的精度和速度，它被確切地定義為人工智慧工具。

產業佈局：谷歌無人駕駛汽車、基於Android智慧手機的各種app應用與外掛、智慧家居（以收購的NEST為基礎）、VR生態、影象識別（以收購的Jetpac為基礎）。

Facebook

2013年12月，Facebook成立了人工智慧實驗室，聘請了卷積神經網路最負盛名的研究者、紐約大學終身教授Yann LeCun為負責人。Yann LeCun是紐約大學終身教授，是卷積神經網路領域的重要推動者，而該技術的最主要應用就是影象識別的自然語言處理，這與Facebook的需求和已經積累的資料型別非常匹配。在Yann LeCun的幫助下，2014年Facebook的DeepFace技術在同行評審報告中被高度肯定，其臉部識別率的準確度達到97%。而他領導的Facebook人工實驗室研發的演算法已經可以分析使用者在Facebook的全部行為，從而為使用者挑選出其感興趣的內容。

百度

2014年5月，被稱為“谷歌大腦之父”的AndrewNG(吳恩達)加盟百度，擔任首席科學家，負責百度“百度大腦”計劃。大資料是人工智慧的基礎，而作為天然的大資料企業，百度擁有強大的資料獲取能力和資料探勘能力。2014年7月14日，百度憑藉自身的大資料技術14場世界盃比賽的結果預測中取得全中的成績，擊敗了微軟和高盛。2014年9月，百度正式釋出整合了大資料、百度地圖LBS的智慧商業平臺，旨在更好在移動網際網路時代為各行業提供大資料解決方案。前一段時間的最強大腦中小度的表演也是讓人既感慨又擔憂，未來的是否是人類和人工智慧的戰爭呢？

三、人工智慧的生態

科技巨頭圍繞人工智慧產業，開展了大量的收購；標的包括人工智慧初創企業（演算法）、大資料公司（演算法或資料）和晶片研發公司（計算能力）。截至至2016年7月底，谷歌在其中的收購次數最多達到了13次。巨頭們在人工智慧領域的併購呈現兩個特點：一是連續多次買入，二是標的規模較小。科技巨頭圍繞人工智慧產業，開展了大量的收購；標的包括人工智慧初創企業（演算法）、大資料公司（演算法或資料）和晶片研發公司（計算能力）。截至至2016年7月底，谷歌在其中的收購次數最多達到了13次。巨頭們在人工智慧領域的併購呈現兩個特點：一是連續多次買入，二是標的規模較小。

從2013年開始，科技巨頭大多加大了對人工智慧的自主研發，同時透過不斷開源，試圖建立自己的人工智慧生態系統，開源力度不斷增加。比如Google 開源TensorFlow 後，Facebook、百度和微軟等都加快了開源腳步。最早走向人工智慧工具開源的是社交巨頭Facebook，於去年1月宣佈開源多款深度學習人工智慧工具。而谷歌、IBM和微軟幾乎於去年11通同時宣佈開源。谷歌釋出了新的機器學習平臺TensorFlow，所有使用者都能夠利用這一強大的機器學習平臺進行研究，被稱為人工智慧界的Android。IBM則宣佈透過Apache軟體基金會免費為外部程式設計師提供System ML人工智慧工具的原始碼。微軟則開源了分散式機器學習工具包DMTK，能夠在較小的叢集上以較高的效率完成大規模資料模型的訓練，在今年7月微軟又推出了開源的Project Malmo專案，用於人工智慧的訓練。從2013年開始，科技巨頭大多加大了對人工智慧的自主研發，同時透過不斷開源，試圖建立自己的人工智慧生態系統，開源力度不斷增加。比如Google 開源TensorFlow 後，Facebook、百度和微軟等都加快了開源腳步。最早走向人工智慧工具開源的是社交巨頭Facebook，於去年1月宣佈開源多款深度學習人工智慧工具。而谷歌、IBM和微軟幾乎於去年11通同時宣佈開源。谷歌釋出了新的機器學習平臺TensorFlow，所有使用者都能夠利用這一強大的機器學習平臺進行研究，被稱為人工智慧界的Android。IBM則宣佈透過Apache軟體基金會免費為外部程式設計師提供System ML人工智慧工具的原始碼。微軟則開源了分散式機器學習工具包DMTK，能夠在較小的叢集上以較高的效率完成大規模資料模型的訓練，在今年7月微軟又推出了開源的Project Malmo專案，用於人工智慧的訓練。

人工智慧已經逐漸建立起自己的生態格局，由於科技巨頭的一系列佈局和各種平臺的開源，人工智慧的准入門檻逐漸降低。未來幾年之內，專業領域的智慧化應用將是人工智慧主要的發展方向。無論是在專業還是通用領域，人工智慧的企業佈局都將圍繞著基礎層、技術層和應用層三個層次的基本架構。

經過一輪媒體的洗禮，大家對於“人工智慧”都已不再陌生；

但它的飛速發展也確實沒有辜負人們的期待。

正因為基礎層、技術層及應用層都已準備完畢，所以它的到來一定指日可待。

把工作交給機器人，休閒娛樂集一身，盛景哥的夢想，應該只有一步之遙了。

真空產業，會成為涉及方方面面的新產業。

真空無極限

深圳摩爾真空科技有限公司生產的真空泵是世界真空歷史六十年的重大突破，具有結構簡單，執行平穩，抽速快，節能，相容中、高真空，體積小，多向安裝等諸多優點。

說起真空科技，似乎和我們距離很遠，實際是很近。

拔罐一真空負壓原理，五千年中國發明，真空的應用。

現在的手機拿出來，質感，手感，都很好一一真空鍍膜。

早些時候時髦的真空保溫杯，就是簡單的真空應用。

吃的東西，太空保鮮技術，原理是，在真空環境下，食物瞬間低溫，水分子沒來得膨脹就已經昇華，脫離，保持了食物的營養成份。如果可以高效節能獲得真空，太空保鮮櫃，(摩爾泵體重20公斤，正常執行功率200瓦特)，可以飛入百姓家。四大件也會與時俱進，也未可知。

光伏發電，用單晶矽，必須在真空環境中結晶，提純一一真空應用。

我們打針，針劑必須用分子蒸餾技術，提純有效成份。

結論，真空無處不在，真空無極限。

摩爾真空泵在重離子加速器，膽固醇提純，蒸發鍍膜，石英管脫羥等諸多領域均有應用，取得國際領先的成就。

落戶在金山有什麼用?

瞄準真空高速列車，磁懸浮列車在上海是家喻戶曉，我們的終極目標，在磁懸浮的列車軌道上，做一個真空外殼，讓列車飛起來。

金山有電器裝置廠，我們讓超級電容的間隙空間，更潔淨，達到無分子狀態，提高電容耐壓值。

摺疊和彎曲屏，是熱點，螢幕裡主要成份是膽固醇，膽固醇物理提純，我們是強項。

落戶金山的新型化療裝置，專門對癌細胞轟擊，如何提高精準度?射線必須在真空中執行，才能精準打擊。

世界人力腳踏車已經達到140公里了，我們擬建真空管道，減小阻礙人類前進的空氣阻力，讓人力腳踏車飛起來，時速超過二百公里，一小時內從上海抵達杭州。讓上海人騎毛驢下杭州成為笑談。

肯定是我的大 人力資源了啊 說實話別人找工作 都得先從我們這關過 哈哈 不順眼的 沒禮貌的 直接讓他GG

我感覺中介媒體，第三方！為什麼這麼說首先很簡單的說網購，是誰讓誰把彼此不信任的對方願意把貨物和錢在看不見摸不著的前提給第三方，這正是馬雲聰明的地方，現在大量p2p網貸公司，他們就是擔當中介的位置，把百姓手上的擔當第三方把錢拿去給別人創業投資

我之個見，望諒！我認為下一個崛起的行業是對人自身意識的深層開發。它不僅利益於人，更將利益於一切。原因是，我們自身與生俱來的無窮盡的資原，竟被忽略了。這個世界急需救渡的太多，但這所需太多的救渡又是其他所不足以承擔的，即便轉N圈，還得回到人自身上來找尋辦法以應當下及未來所需。