我身邊的人不論原來是幹什麼的，現在都在學python學機器學習。雖說都號稱看著玩的，但是人工智慧給身邊人帶來的憂慮已促使他們轉化為實際行動。（我35歲，地產行業）ai已經滲透到了商業地產的各個部門。讓我們這裡招商的，營運的，企劃的都感覺快被替代了。更何況後臺，運維的師傅們，他們四五十歲的吃了一輩子老本兒的人。只有擁抱ai才能活下去，要不就跟北京摺疊一樣，被折起來連被利用的價值都沒有了。

據中研產業研究院釋出的《2019-2025年華人工智慧行業發展分析與投資戰略研究報告》統計資料顯示

國際人工智慧行業發展分析及經驗借鑑

第一節 全球人工智慧市場總體情況分析

一、全球人工智慧行業的發展特點

“人工智慧”涵蓋了很多前沿技術和分支，卻很難用一句話來定義，因為它一直處在發展當中。比如，一些在過去看來很“人工智慧”的事情，現在卻變成了簡單的“機械重複”，像是數字的高速計算、影象的處理等。但總體上來看，“人工智慧”的本質和目的一直沒有發生太多變化，那就是“完成人類的部分腦力工作”。

20世紀60年代開始，就有許多科幻電影和科幻小說描述著人類對“人工智慧”的憧憬和恐懼，比如斯皮爾伯格的知名影片《人工智慧》。不過在現實中，長久以來，受到技術、科技發展和應用層面的限制，人工智慧只是一件人人都在說，都以為別人在做，但事實上卻沒多少人知道該怎麼做的事——無論在學術研究層面還是在應用層面都是如此。

人工智慧曾經在20世紀90年代網際網路泡沫破裂前風靡一時，到了21世紀伊始卻變成了一個禁忌，大家開始懷疑它是否存在。而到了2011年，美國資本市場再度為人工智慧而瘋狂。風險投資機構和頂級科技公司們開始頻繁投資這個領域的創業公司，投資範圍從應用層面的機器人、增強現實，到底層技術層面的深度學習演算法、神經網路晶片等，人工智慧專案也遍地開花。比如，Google接連投資了虛擬現實創業公司Magic Leap，收購了人工智慧公司DeepMind;Facebook收購語音識別公司Wit.ai，等等。

除了投資外部團隊之外，像IBM、Google、Facebook和百度等國內外科技巨頭們也紛紛加強自己的人工智慧方面的專業團隊，招募了一批人工智慧尤其是深度學習相關領域的科學家，如深度學習鼻祖之一Geoffrey Hinton加入了Google，Yann LeCun加入了Facebook擔任人工智慧實驗室負責人，Andrew Ng(吳恩達)加入百度負責深度學習研究院等。

從人工智慧的整個發展歷程來看，按照應用場景和人工智慧資源的集中度，可以大致分成三個階段。

第一階段：實驗室研究階段，這一階段的人工智慧資源高度集中。人工智慧在2011年前的發展大致還處於實證研究階段，資源高度集中在國家或大學資助的研究機構中，用於演算法模型的訓練和研究，人工智慧還只能為極少數人接觸到。這一階段大量的工作除了在演算法模型本身的研究外，還包括建立計算能力本身。

第二階段：企業應用階段，這一階段的人工智慧資源被少部分科技巨頭掌握。在人工智慧表現出一定的實際應用價值後，科技巨頭們一擁而上，紛紛希望在這個領域取得突破。在少部分核心企業掌握了大規模的人工智慧資源以後，其它小規模的企業一般會利用這些核心企業提供的人工智慧資源介面和其支援的人工智慧應用為自身的發展提供服務。由於掌握大規模的計算資源是這一模式的前提，因此這一階段人工智慧資源的集中度仍然非常高，而這將是人工智慧在企業場景下的主要應用形式，即集中計算，分佈使用。

第三步：個人應用階段，這一階段的人工智慧資源被分散到個人手中。顯然，依賴於雲端大規模計算資源的人工智慧演算法限制著人工智慧在消費者場景的應用，因為集中式計算意味著巨量的網路資源消耗，並且因為網路問題，難以在消費者應用場景中有穩定的表現。因此，人工智慧的本地化，也就是從集中走向分佈(細化到智慧手機、可穿戴裝置等)實現將是人工智慧在消費者場景中得到普及的關鍵一步。伴隨著人工智慧的本地化實現，將使得人工智慧真正延展到手持裝置、家用電器、汽車等消費級應用。

圖表：人工智慧發展階段

二、全球人工智慧市場結構

全球人工智慧企業分佈極不平衡，主要集中於美國、歐洲及中國等少數國家地區。排名前三的美國舊金山/灣區、紐約及中國北京，企業數量分別佔全球的16.9%，4.8%與4.0%。在增速方面，整體上一直保持增長勢頭，直至2015年出現小幅度回落。歐洲的人工智慧企業多集中於本國家的首都。在歐洲各城市中，英國倫敦的企業數量最多，為第二位巴黎的3.1倍，佔全球總數的3.69%。日本與南韓的企業數量明顯不及中國，日本東京僅與杭州相當，南韓首爾僅與成都相當。東亞地區排名前三的城市，北上深三城佔全球總數的7.4%。雖然還遠不及美國，但在全球中的重要性將日益明顯。

三、全球人工智慧行業發展分析

“人工智慧”涵蓋了很多前沿技術和分支，卻很難用一句話來定義，因為它一直處在發展當中。比如，一些在過去看來很“人工智慧”的事情，現在卻變成了簡單的“機械重複”，像是數字的高速計算、影象的處理等。但總體上來看，“人工智慧”的本質和目的一直沒有發生太多變化，那就是“完成人類的部分腦力工作”。

20世紀60年代開始，就有許多科幻電影和科幻小說描述著人類對“人工智慧”的憧憬和恐懼，比如斯皮爾伯格的知名影片《人工智慧》。不過在現實中，長久以來，受到技術、科技發展和應用層面的限制，人工智慧只是一件人人都在說，都以為別人在做，但事實上卻沒多少人知道該怎麼做的事——無論在學術研究層面還是在應用層面都是如此。

人工智慧曾經在20世紀90年代網際網路泡沫破裂前風靡一時，到了21世紀伊始卻變成了一個禁忌，大家開始懷疑它是否存在。而到了2011年，美國資本市場再度為人工智慧而瘋狂。風險投資機構和頂級科技公司們開始頻繁投資這個領域的創業公司，投資範圍從應用層面的機器人、增強現實，到底層技術層面的深度學習演算法、神經網路晶片等，人工智慧專案也遍地開花。比如，Google接連投資了虛擬現實創業公司Magic Leap，收購了人工智慧公司DeepMind;Face book收購語音識別公司Wit.ai等。除了投資外部團隊之外，像IBM、Google、Face book和百度等國內外科技巨頭們也紛紛加強自己的人工智慧方面的專業團隊，招募了一批人工智慧尤其是深度學習相關領域的科學家，如深度學習鼻祖之一Geoffrey Hinton加入了Google，YannLeCun加入了Face book擔任人工智慧實驗室負責人，Andrew Ng(吳恩達)加入百度負責深度學習研究院等。

圖表：人工智慧發展階段

從人工智慧的整個發展歷程來看，按照應用場景和人工智慧資源的集中度，可以大致分成三個階段。

第一階段：實驗室研究階段，這一階段的人工智慧資源高度集中。人工智慧在2011年前的發展大致還處於實證研究階段，資源高度集中在國家或大學資助的研究機構中，用於演算法模型的訓練和研究，人工智慧還只能為極少數人接觸到。這一階段大量的工作除了在演算法模型本身的研究外，還包括建立計算能力本身。

第二階段：企業應用階段，這一階段的人工智慧資源被少部分科技巨頭掌握。在人工智慧表現出一定的實際應用價值後，科技巨頭們一擁而上，紛紛希望在這個領域取得突破。在少部分核心企業掌握了大規模的人工智慧資源以後，其它小規模的企業一般會利用這些核心企業提供的人工智慧資源介面和其支援的人工智慧應用為自身的發展提供服務。由於掌握大規模的計算資源是這一模式的前提，因此這一階段人工智慧資源的集中度仍然非常高，而這將是人工智慧在企業場景下的主要應用形式，即集中計算，分佈使用。

第三步：個人應用階段，這一階段的人工智慧資源被分散到個人手中。顯然，依賴於雲端大規模計算資源的人工智慧演算法限制著人工智慧在消費者場景的應用，因為集中式計算意味著巨量的網路資源消耗，並且因為網路問題，難以在消費者應用場景中有穩定的表現。因此，人工智慧的本地化，也就是從集中走向分佈(細化到智慧手機、可穿戴裝置等)實現將是人工智慧在消費者場景中得到普及的關鍵一步。伴隨著人工智慧的本地化實現，將使得人工智慧真正延展到手持裝置、家用電器、汽車等消費級應用。

當前人工智慧的浪潮已席捲了全球，人工智慧領域的公司也在不斷激增。根據Venture Scanner的統計，截至到2016年初，全球共有957家人工智慧公司，美國以499家位列第一。覆蓋了深度學習/機器學習(通用)、深度學習/機器學習(應用)、自然語言處理(通用)、自然語言處理(語音識別)、計算機視覺/影象識別(通用)、計算機視覺/影象識別(應用)、手勢控制、虛擬私人助手、智慧機器人、推薦引擎和協助過濾演算法、情境感知計算、語音翻譯、影片內容自動識別13個細分行業。

四、全球人工智慧行業競爭格局

各國政府高度重視人工智慧相關產業的發展。自人工智慧誕生至今，各國都紛紛加大對人工智慧的科研投入，其中美國政府主要透過公共投資的方式引導人工智慧產業的發展，2013財年美國政府將22億美元的國家預算投入到了先進製造業，投入方向之一便是“國家機器人計劃”。在技術方向上，美國將機器人技術列為警惕技術，主攻軍用機器人技術，歐洲主攻服務和醫療機器人技術，日本主攻仿人和娛樂機器人。

現階段的技術突破的重點一是雲機器人技術，二是人腦仿生計算技術。美國、日本、巴西等國家均將雲機器人作為機器人技術的未來研究方向之一。伴隨著寬頻網路設施的普及，雲計算、大資料等技術的不斷髮展，未來機器人技術成本的進一步降低和機器人量產化目標實現，機器人透過網路獲得資料或者進行處理將成為可能。目前國外相關研究的方向包括：建立開放系統機器人架構(包括通用的硬體與軟體平臺)、網路互聯機器人系統平臺、機器人網路平臺的演算法和影象處理系統開發、雲機器人相關網路基礎設施的研究等。

由於深度學習的成功，學術界進一步沿著連線主義的路線提升計算機對人腦的模擬程度。人腦仿生計算技術的發展，將使電腦可以模仿人類大腦的運算並能夠實現學習和記憶，同時可以觸類旁通並實現對知識的創造，這種具有創新能力的設計將會讓電腦擁有自我學習和創造的能力，與人類大腦的功能幾無二致。在2013年年初的國情諮文中，美國總統奧巴馬特別提到為人腦繪圖的計劃，宣佈投入30億美元在10年內繪製出“人類大腦圖譜”，以瞭解人腦的執行機理。歐盟委員會也在2013年年初宣佈，石墨烯和人腦工程兩大科技入選“未來新興旗艦技術專案”，併為此設立專項研發計劃，每項計劃將在未來10年內分別獲得10億歐元的經費。美國IBM公司正在研究一種新型的仿生晶片，利用這些晶片，人類可以實現電腦模仿人腦的運算過程，預計最快到2019年可完全模擬出人類大腦。

高科技企業普遍將人工智慧視為下一代產業革命和網際網路革命的技術引爆點進行投資，加快產業化程序。谷歌在2013年完成了8 家機器人相關企業的收購，在機器學習方面也大肆蒐羅企業和人才，收購了Deep Mind和計算機視覺領軍企業Andrew Zisserman，又聘請DARPA原負責人 Regina Dugan負責顛覆性創新專案的研究，並安排構建Google基礎演算法和開發平臺的著名計算機科學家Jeff Dean轉戰深度學習領域。蘋果2014 年在自動化上的資本支出預算高達110 億美元。蘋果手機中採用的Siri智慧助理脫胎於美國先進研究專案局(DARPA)投資1.5億美元，歷時5年的CALO( Cognitive Assistant that Learns and Organizes)專案，是美國首個得到大規模產業化應用的人工智慧專案。Amazon計劃在2015年能夠使用自己的機器人飛行器進行快遞服務。南韓和日本的各家公司也紛紛把機器人技術移植到製造業新領域並嘗試進入服務業。

五、全球人工智慧市場區域分佈

圖表：2018年全球人工智慧企業數量前五名

2018年，全球人工智慧初創企業共計2617家。美國佔據1078家居首，中國以592家企業排名第二，其後分別是英國，以色列，加拿大等國家。

全球人工智慧企業融資規模的分佈，與人工智慧企業分佈相同。美中英三國融資規模為全球最大，但三者間的規模目前仍存在較大差距。

圖表：2018年全球人工智慧企業融資規模分佈

截止至目前，美國達到978億元，在融資金額上領先中國54.01%，佔據全球總融資50.10%;中國僅次於美國，635億，佔據全球33.18%;其他國家合計佔15.73%。

中國的1億美元級大型投資熱度高於美國，共有22筆，總計353.5億元。美國超過1億美元的融資一共11筆，總計417.3億，超過中國63.8億。

六、國際重點人工智慧企業運營分析

1、微軟公司

(1)企業發展概況

微軟，是一家美國跨國科技公司，也是世界PC(Personal Computer，個人計算機)軟體開發的先導，由比爾·蓋茨與保羅·艾倫創辦於1975年，公司總部設立在華盛頓州的雷德蒙德(Redmond，鄰近西雅圖)。以研發、製造、授權和提供廣泛的電腦軟體服務業務為主。

最為著名和暢銷的產品為Microsoft Windows作業系統和Microsoft Office系列軟體，目前是全球最大的電腦軟體提供商。

(3)微軟AI研究新進展

微軟在人工智慧方面有著很深的積澱，比如微軟研究院在語音識別、自然語言和計算機視覺、機器學習方面已經有很多成果，在這些研究的基礎上微軟先後推出了Skype即時翻譯、小冰和小娜(Cortana)這樣的AI產品。

而新成立的部門必將深化這種產研的結合。微軟稱，整合後的新部門將包括AI產品設計、基礎與應用研究實驗室，以及新體驗與技術(NExT)這幾部分。

而為了實現AI普及的目標，微軟列出了4大重點關注領域：

代理。利用AI透過Cortana這樣的代理從根本上改變人機互動方式。

應用。將智慧注入從相機app到Skype、Office365等的一切應用。

服務。把注入到微軟應用的相同能力(如視覺、聲音等認知能力，機器分析能力)開放給全球的應用開發者。

基礎設施。微軟稱要利用Azure開發出全球最強大的AI超級計算機並開放給每個人，讓個人和組織都能利用它的能力(這讓人想到IBM的Watson)

從中可以看出，微軟已經把AI當作一種基礎能力，希望從端到端滲透到各個領域。

(4)微軟加快佈局人工智慧

現在，小娜(Cortana)收到的指令和問題已經超過120億條，擁有1.33億活躍使用者。小娜可以在多裝置上執行。她根據你的日常生活和工作養成的技巧，已經形成了一個高效的生態系統。通常在你意識到自己有需要之前，她就能做好準備。為了讓開發人員都能夠使用認知能力，微軟還提供了CortanaIntelligenceSuite。

微軟的MicrosoftPix應用是一個圖片編輯工具，它能感知，幫助你選擇合適的影象。

MileIQ是一個位置提醒APP，它的智慧在於幫助你量化和分類旅行。SwiftKey是一個智慧鍵盤，使用神經網路，根據你的輸入方式進行訓練，能為你想要輸入的下一個詞建模，即使這樣一個簡單的任務，也會變得更加智慧。它不受平臺的限制。SwiftKey現在已經被30億安卓和IOS裝置使用。在Office365中，MyAnalytics會追蹤你每天的工作，透過圖表展示你每天的時間分配。

客戶關係管理(CRM)，CRM系統一般都是孤立的，用具體的術語為客戶行動建模，為管理而建，而不是銷售生產率。假如銷售員能夠根據客戶的CRM系統之外的資訊行動，比如來自Twitter，Facebook，客戶服務應用程式等的資訊，那會怎麼樣呢?微軟在每天互動的應用中注入智慧wait，可以讓銷售員以一種綜合的方式採取行動，使用豐富的資料模型，這些模型能在所有的地方加入智慧。

微軟的平臺BotFramework，允許在新的應用程式中建立智慧的工具包——從Build大會以來，已經有40000開發人員使用它——包括像Uber這樣的品牌，在認知服務中使用人臉識別APIs來改善他們的移動應用程式，以確保乘客安全。

AI服務需要各種型別的技術。為了實現這個目標，微軟們已經往我們的雲中投入大量FPGA(現場可程式設計門陣列)，它能直接與網路對話。在雲中加入FPGA達到前所未有的網路效能，提高了所有工作負載的吞吐量，包括執行如SAP這種關鍵任務程式。

此外，微軟還有一個全球性的、超大規模的雲基礎框架，在雲中增加了GPU，以提供更高效能的雲接入，使一些從前根本不可能的方案得以實現。微軟的Azure現在是世界上第一臺AI超級計算機。

最後，還有研究AI的平臺。微軟支援所有的框架，其中，微軟自己的CNTK是最快的分散式運算神經網路框架，也是唯一開源的可擴充套件的深度學習工具包。

(5)微軟人工智慧發展計劃

2017年7月，微軟宣佈建立一個專注於人工智慧的全新研究實驗室Microsoft ResearchAI，Eric Horvitz計劃將不同的學科結合起來，以期建立更多通用的學習系統。

該新實驗室將以位於華盛頓州雷德蒙德的總部為基礎，由來自感知、學習、推理和自然語言處理等人工智慧研究的多個子領域中的科學家組成。人數超過100人，約佔微軟研究院研究人員總數的十分之一。新的實驗室系全球微軟研究部門下屬機構，微軟雷德蒙研究院院長EricHorvitz同時擔任MSRAI的負責人。

(6)、微軟建立機器學習工具

無論是學術界的研究人員還是工業界的開發者，DMTK可以幫助他們在超大規模資料上靈活穩定地訓練大規模機器學習模型。當前版本的工具包包含以下幾個部分：

1.DMTK分散式機器學習框架：它由引數伺服器和客戶端軟體開發包(SDK)兩部分構成。引數伺服器在原有基礎上從效能和功能上都得到了進一步提升——支援儲存混合資料結構模型、接受並聚合工作節點伺服器的資料模型更新、控制模型同步邏輯等。客戶端軟體開發包(SDK)支援維護節點模型快取(與全域性模型伺服器同步)、節點模型訓練和模型通訊的流水線控制、以及片狀排程大模型訓練等。

2.LightLDA：LightLDA是一種全新的用於訓練主題模型，計算複雜度與主題數目無關的高效演算法。在其分散式實現中，我們做了大量的系統最佳化使得LightLDA能夠在一個普通計算機叢集上處理超大規模的資料和模型。例如，在一個由8臺計算機組成的叢集上，我們可以在具有2千億訓練樣本(token)的資料集上訓練具有1百萬詞彙表和1百萬個話題(topic)的LDA模型(約1萬億個引數)，這種規模的實驗以往要在數千臺計算機的叢集上才能執行。

我身邊的人不論原來是幹什麼的，現在都在學python學機器學習。雖說都號稱看著玩的，但是人工智慧給身邊人帶來的憂慮已促使他們轉化為實際行動。（我35歲，地產行業）ai已經滲透到了商業地產的各個部門。讓我們這裡招商的，營運的，企劃的都感覺快被替代了。更何況後臺，運維的師傅們，他們四五十歲的吃了一輩子老本兒的人。只有擁抱ai才能活下去，要不就跟北京摺疊一樣，被折起來連被利用的價值都沒有了。

據中研產業研究院釋出的《2019-2025年華人工智慧行業發展分析與投資戰略研究報告》統計資料顯示

國際人工智慧行業發展分析及經驗借鑑

第一節 全球人工智慧市場總體情況分析

一、全球人工智慧行業的發展特點

“人工智慧”涵蓋了很多前沿技術和分支，卻很難用一句話來定義，因為它一直處在發展當中。比如，一些在過去看來很“人工智慧”的事情，現在卻變成了簡單的“機械重複”，像是數字的高速計算、影象的處理等。但總體上來看，“人工智慧”的本質和目的一直沒有發生太多變化，那就是“完成人類的部分腦力工作”。

20世紀60年代開始，就有許多科幻電影和科幻小說描述著人類對“人工智慧”的憧憬和恐懼，比如斯皮爾伯格的知名影片《人工智慧》。不過在現實中，長久以來，受到技術、科技發展和應用層面的限制，人工智慧只是一件人人都在說，都以為別人在做，但事實上卻沒多少人知道該怎麼做的事——無論在學術研究層面還是在應用層面都是如此。

人工智慧曾經在20世紀90年代網際網路泡沫破裂前風靡一時，到了21世紀伊始卻變成了一個禁忌，大家開始懷疑它是否存在。而到了2011年，美國資本市場再度為人工智慧而瘋狂。風險投資機構和頂級科技公司們開始頻繁投資這個領域的創業公司，投資範圍從應用層面的機器人、增強現實，到底層技術層面的深度學習演算法、神經網路晶片等，人工智慧專案也遍地開花。比如，Google接連投資了虛擬現實創業公司Magic Leap，收購了人工智慧公司DeepMind;Facebook收購語音識別公司Wit.ai，等等。

除了投資外部團隊之外，像IBM、Google、Facebook和百度等國內外科技巨頭們也紛紛加強自己的人工智慧方面的專業團隊，招募了一批人工智慧尤其是深度學習相關領域的科學家，如深度學習鼻祖之一Geoffrey Hinton加入了Google，Yann LeCun加入了Facebook擔任人工智慧實驗室負責人，Andrew Ng(吳恩達)加入百度負責深度學習研究院等。

從人工智慧的整個發展歷程來看，按照應用場景和人工智慧資源的集中度，可以大致分成三個階段。

第一階段：實驗室研究階段，這一階段的人工智慧資源高度集中。人工智慧在2011年前的發展大致還處於實證研究階段，資源高度集中在國家或大學資助的研究機構中，用於演算法模型的訓練和研究，人工智慧還只能為極少數人接觸到。這一階段大量的工作除了在演算法模型本身的研究外，還包括建立計算能力本身。

第二階段：企業應用階段，這一階段的人工智慧資源被少部分科技巨頭掌握。在人工智慧表現出一定的實際應用價值後，科技巨頭們一擁而上，紛紛希望在這個領域取得突破。在少部分核心企業掌握了大規模的人工智慧資源以後，其它小規模的企業一般會利用這些核心企業提供的人工智慧資源介面和其支援的人工智慧應用為自身的發展提供服務。由於掌握大規模的計算資源是這一模式的前提，因此這一階段人工智慧資源的集中度仍然非常高，而這將是人工智慧在企業場景下的主要應用形式，即集中計算，分佈使用。

第三步：個人應用階段，這一階段的人工智慧資源被分散到個人手中。顯然，依賴於雲端大規模計算資源的人工智慧演算法限制著人工智慧在消費者場景的應用，因為集中式計算意味著巨量的網路資源消耗，並且因為網路問題，難以在消費者應用場景中有穩定的表現。因此，人工智慧的本地化，也就是從集中走向分佈(細化到智慧手機、可穿戴裝置等)實現將是人工智慧在消費者場景中得到普及的關鍵一步。伴隨著人工智慧的本地化實現，將使得人工智慧真正延展到手持裝置、家用電器、汽車等消費級應用。

圖表：人工智慧發展階段

二、全球人工智慧市場結構

全球人工智慧企業分佈極不平衡，主要集中於美國、歐洲及中國等少數國家地區。排名前三的美國舊金山/灣區、紐約及中國北京，企業數量分別佔全球的16.9%，4.8%與4.0%。在增速方面，整體上一直保持增長勢頭，直至2015年出現小幅度回落。歐洲的人工智慧企業多集中於本國家的首都。在歐洲各城市中，英國倫敦的企業數量最多，為第二位巴黎的3.1倍，佔全球總數的3.69%。日本與南韓的企業數量明顯不及中國，日本東京僅與杭州相當，南韓首爾僅與成都相當。東亞地區排名前三的城市，北上深三城佔全球總數的7.4%。雖然還遠不及美國，但在全球中的重要性將日益明顯。

三、全球人工智慧行業發展分析

“人工智慧”涵蓋了很多前沿技術和分支，卻很難用一句話來定義，因為它一直處在發展當中。比如，一些在過去看來很“人工智慧”的事情，現在卻變成了簡單的“機械重複”，像是數字的高速計算、影象的處理等。但總體上來看，“人工智慧”的本質和目的一直沒有發生太多變化，那就是“完成人類的部分腦力工作”。

20世紀60年代開始，就有許多科幻電影和科幻小說描述著人類對“人工智慧”的憧憬和恐懼，比如斯皮爾伯格的知名影片《人工智慧》。不過在現實中，長久以來，受到技術、科技發展和應用層面的限制，人工智慧只是一件人人都在說，都以為別人在做，但事實上卻沒多少人知道該怎麼做的事——無論在學術研究層面還是在應用層面都是如此。

人工智慧曾經在20世紀90年代網際網路泡沫破裂前風靡一時，到了21世紀伊始卻變成了一個禁忌，大家開始懷疑它是否存在。而到了2011年，美國資本市場再度為人工智慧而瘋狂。風險投資機構和頂級科技公司們開始頻繁投資這個領域的創業公司，投資範圍從應用層面的機器人、增強現實，到底層技術層面的深度學習演算法、神經網路晶片等，人工智慧專案也遍地開花。比如，Google接連投資了虛擬現實創業公司Magic Leap，收購了人工智慧公司DeepMind;Face book收購語音識別公司Wit.ai等。除了投資外部團隊之外，像IBM、Google、Face book和百度等國內外科技巨頭們也紛紛加強自己的人工智慧方面的專業團隊，招募了一批人工智慧尤其是深度學習相關領域的科學家，如深度學習鼻祖之一Geoffrey Hinton加入了Google，YannLeCun加入了Face book擔任人工智慧實驗室負責人，Andrew Ng(吳恩達)加入百度負責深度學習研究院等。

圖表：人工智慧發展階段

從人工智慧的整個發展歷程來看，按照應用場景和人工智慧資源的集中度，可以大致分成三個階段。

第一階段：實驗室研究階段，這一階段的人工智慧資源高度集中。人工智慧在2011年前的發展大致還處於實證研究階段，資源高度集中在國家或大學資助的研究機構中，用於演算法模型的訓練和研究，人工智慧還只能為極少數人接觸到。這一階段大量的工作除了在演算法模型本身的研究外，還包括建立計算能力本身。

第二階段：企業應用階段，這一階段的人工智慧資源被少部分科技巨頭掌握。在人工智慧表現出一定的實際應用價值後，科技巨頭們一擁而上，紛紛希望在這個領域取得突破。在少部分核心企業掌握了大規模的人工智慧資源以後，其它小規模的企業一般會利用這些核心企業提供的人工智慧資源介面和其支援的人工智慧應用為自身的發展提供服務。由於掌握大規模的計算資源是這一模式的前提，因此這一階段人工智慧資源的集中度仍然非常高，而這將是人工智慧在企業場景下的主要應用形式，即集中計算，分佈使用。

第三步：個人應用階段，這一階段的人工智慧資源被分散到個人手中。顯然，依賴於雲端大規模計算資源的人工智慧演算法限制著人工智慧在消費者場景的應用，因為集中式計算意味著巨量的網路資源消耗，並且因為網路問題，難以在消費者應用場景中有穩定的表現。因此，人工智慧的本地化，也就是從集中走向分佈(細化到智慧手機、可穿戴裝置等)實現將是人工智慧在消費者場景中得到普及的關鍵一步。伴隨著人工智慧的本地化實現，將使得人工智慧真正延展到手持裝置、家用電器、汽車等消費級應用。

當前人工智慧的浪潮已席捲了全球，人工智慧領域的公司也在不斷激增。根據Venture Scanner的統計，截至到2016年初，全球共有957家人工智慧公司，美國以499家位列第一。覆蓋了深度學習/機器學習(通用)、深度學習/機器學習(應用)、自然語言處理(通用)、自然語言處理(語音識別)、計算機視覺/影象識別(通用)、計算機視覺/影象識別(應用)、手勢控制、虛擬私人助手、智慧機器人、推薦引擎和協助過濾演算法、情境感知計算、語音翻譯、影片內容自動識別13個細分行業。

四、全球人工智慧行業競爭格局

各國政府高度重視人工智慧相關產業的發展。自人工智慧誕生至今，各國都紛紛加大對人工智慧的科研投入，其中美國政府主要透過公共投資的方式引導人工智慧產業的發展，2013財年美國政府將22億美元的國家預算投入到了先進製造業，投入方向之一便是“國家機器人計劃”。在技術方向上，美國將機器人技術列為警惕技術，主攻軍用機器人技術，歐洲主攻服務和醫療機器人技術，日本主攻仿人和娛樂機器人。

現階段的技術突破的重點一是雲機器人技術，二是人腦仿生計算技術。美國、日本、巴西等國家均將雲機器人作為機器人技術的未來研究方向之一。伴隨著寬頻網路設施的普及，雲計算、大資料等技術的不斷髮展，未來機器人技術成本的進一步降低和機器人量產化目標實現，機器人透過網路獲得資料或者進行處理將成為可能。目前國外相關研究的方向包括：建立開放系統機器人架構(包括通用的硬體與軟體平臺)、網路互聯機器人系統平臺、機器人網路平臺的演算法和影象處理系統開發、雲機器人相關網路基礎設施的研究等。

由於深度學習的成功，學術界進一步沿著連線主義的路線提升計算機對人腦的模擬程度。人腦仿生計算技術的發展，將使電腦可以模仿人類大腦的運算並能夠實現學習和記憶，同時可以觸類旁通並實現對知識的創造，這種具有創新能力的設計將會讓電腦擁有自我學習和創造的能力，與人類大腦的功能幾無二致。在2013年年初的國情諮文中，美國總統奧巴馬特別提到為人腦繪圖的計劃，宣佈投入30億美元在10年內繪製出“人類大腦圖譜”，以瞭解人腦的執行機理。歐盟委員會也在2013年年初宣佈，石墨烯和人腦工程兩大科技入選“未來新興旗艦技術專案”，併為此設立專項研發計劃，每項計劃將在未來10年內分別獲得10億歐元的經費。美國IBM公司正在研究一種新型的仿生晶片，利用這些晶片，人類可以實現電腦模仿人腦的運算過程，預計最快到2019年可完全模擬出人類大腦。

高科技企業普遍將人工智慧視為下一代產業革命和網際網路革命的技術引爆點進行投資，加快產業化程序。谷歌在2013年完成了8 家機器人相關企業的收購，在機器學習方面也大肆蒐羅企業和人才，收購了Deep Mind和計算機視覺領軍企業Andrew Zisserman，又聘請DARPA原負責人 Regina Dugan負責顛覆性創新專案的研究，並安排構建Google基礎演算法和開發平臺的著名計算機科學家Jeff Dean轉戰深度學習領域。蘋果2014 年在自動化上的資本支出預算高達110 億美元。蘋果手機中採用的Siri智慧助理脫胎於美國先進研究專案局(DARPA)投資1.5億美元，歷時5年的CALO( Cognitive Assistant that Learns and Organizes)專案，是美國首個得到大規模產業化應用的人工智慧專案。Amazon計劃在2015年能夠使用自己的機器人飛行器進行快遞服務。南韓和日本的各家公司也紛紛把機器人技術移植到製造業新領域並嘗試進入服務業。

五、全球人工智慧市場區域分佈

圖表：2018年全球人工智慧企業數量前五名

2018年，全球人工智慧初創企業共計2617家。美國佔據1078家居首，中國以592家企業排名第二，其後分別是英國，以色列，加拿大等國家。

全球人工智慧企業融資規模的分佈，與人工智慧企業分佈相同。美中英三國融資規模為全球最大，但三者間的規模目前仍存在較大差距。

圖表：2018年全球人工智慧企業融資規模分佈

截止至目前，美國達到978億元，在融資金額上領先中國54.01%，佔據全球總融資50.10%;中國僅次於美國，635億，佔據全球33.18%;其他國家合計佔15.73%。

中國的1億美元級大型投資熱度高於美國，共有22筆，總計353.5億元。美國超過1億美元的融資一共11筆，總計417.3億，超過中國63.8億。

六、國際重點人工智慧企業運營分析

1、微軟公司

(1)企業發展概況

微軟，是一家美國跨國科技公司，也是世界PC(Personal Computer，個人計算機)軟體開發的先導，由比爾·蓋茨與保羅·艾倫創辦於1975年，公司總部設立在華盛頓州的雷德蒙德(Redmond，鄰近西雅圖)。以研發、製造、授權和提供廣泛的電腦軟體服務業務為主。

最為著名和暢銷的產品為Microsoft Windows作業系統和Microsoft Office系列軟體，目前是全球最大的電腦軟體提供商。

(3)微軟AI研究新進展

微軟在人工智慧方面有著很深的積澱，比如微軟研究院在語音識別、自然語言和計算機視覺、機器學習方面已經有很多成果，在這些研究的基礎上微軟先後推出了Skype即時翻譯、小冰和小娜(Cortana)這樣的AI產品。

而新成立的部門必將深化這種產研的結合。微軟稱，整合後的新部門將包括AI產品設計、基礎與應用研究實驗室，以及新體驗與技術(NExT)這幾部分。

而為了實現AI普及的目標，微軟列出了4大重點關注領域：

代理。利用AI透過Cortana這樣的代理從根本上改變人機互動方式。

應用。將智慧注入從相機app到Skype、Office365等的一切應用。

服務。把注入到微軟應用的相同能力(如視覺、聲音等認知能力，機器分析能力)開放給全球的應用開發者。

基礎設施。微軟稱要利用Azure開發出全球最強大的AI超級計算機並開放給每個人，讓個人和組織都能利用它的能力(這讓人想到IBM的Watson)

從中可以看出，微軟已經把AI當作一種基礎能力，希望從端到端滲透到各個領域。

(4)微軟加快佈局人工智慧

現在，小娜(Cortana)收到的指令和問題已經超過120億條，擁有1.33億活躍使用者。小娜可以在多裝置上執行。她根據你的日常生活和工作養成的技巧，已經形成了一個高效的生態系統。通常在你意識到自己有需要之前，她就能做好準備。為了讓開發人員都能夠使用認知能力，微軟還提供了CortanaIntelligenceSuite。

微軟的MicrosoftPix應用是一個圖片編輯工具，它能感知，幫助你選擇合適的影象。

MileIQ是一個位置提醒APP，它的智慧在於幫助你量化和分類旅行。SwiftKey是一個智慧鍵盤，使用神經網路，根據你的輸入方式進行訓練，能為你想要輸入的下一個詞建模，即使這樣一個簡單的任務，也會變得更加智慧。它不受平臺的限制。SwiftKey現在已經被30億安卓和IOS裝置使用。在Office365中，MyAnalytics會追蹤你每天的工作，透過圖表展示你每天的時間分配。

客戶關係管理(CRM)，CRM系統一般都是孤立的，用具體的術語為客戶行動建模，為管理而建，而不是銷售生產率。假如銷售員能夠根據客戶的CRM系統之外的資訊行動，比如來自Twitter，Facebook，客戶服務應用程式等的資訊，那會怎麼樣呢?微軟在每天互動的應用中注入智慧wait，可以讓銷售員以一種綜合的方式採取行動，使用豐富的資料模型，這些模型能在所有的地方加入智慧。

微軟的平臺BotFramework，允許在新的應用程式中建立智慧的工具包——從Build大會以來，已經有40000開發人員使用它——包括像Uber這樣的品牌，在認知服務中使用人臉識別APIs來改善他們的移動應用程式，以確保乘客安全。

AI服務需要各種型別的技術。為了實現這個目標，微軟們已經往我們的雲中投入大量FPGA(現場可程式設計門陣列)，它能直接與網路對話。在雲中加入FPGA達到前所未有的網路效能，提高了所有工作負載的吞吐量，包括執行如SAP這種關鍵任務程式。

此外，微軟還有一個全球性的、超大規模的雲基礎框架，在雲中增加了GPU，以提供更高效能的雲接入，使一些從前根本不可能的方案得以實現。微軟的Azure現在是世界上第一臺AI超級計算機。

最後，還有研究AI的平臺。微軟支援所有的框架，其中，微軟自己的CNTK是最快的分散式運算神經網路框架，也是唯一開源的可擴充套件的深度學習工具包。

(5)微軟人工智慧發展計劃

2017年7月，微軟宣佈建立一個專注於人工智慧的全新研究實驗室Microsoft ResearchAI，Eric Horvitz計劃將不同的學科結合起來，以期建立更多通用的學習系統。

該新實驗室將以位於華盛頓州雷德蒙德的總部為基礎，由來自感知、學習、推理和自然語言處理等人工智慧研究的多個子領域中的科學家組成。人數超過100人，約佔微軟研究院研究人員總數的十分之一。新的實驗室系全球微軟研究部門下屬機構，微軟雷德蒙研究院院長EricHorvitz同時擔任MSRAI的負責人。

(6)、微軟建立機器學習工具

無論是學術界的研究人員還是工業界的開發者，DMTK可以幫助他們在超大規模資料上靈活穩定地訓練大規模機器學習模型。當前版本的工具包包含以下幾個部分：

1.DMTK分散式機器學習框架：它由引數伺服器和客戶端軟體開發包(SDK)兩部分構成。引數伺服器在原有基礎上從效能和功能上都得到了進一步提升——支援儲存混合資料結構模型、接受並聚合工作節點伺服器的資料模型更新、控制模型同步邏輯等。客戶端軟體開發包(SDK)支援維護節點模型快取(與全域性模型伺服器同步)、節點模型訓練和模型通訊的流水線控制、以及片狀排程大模型訓練等。

2.LightLDA：LightLDA是一種全新的用於訓練主題模型，計算複雜度與主題數目無關的高效演算法。在其分散式實現中，我們做了大量的系統最佳化使得LightLDA能夠在一個普通計算機叢集上處理超大規模的資料和模型。例如，在一個由8臺計算機組成的叢集上，我們可以在具有2千億訓練樣本(token)的資料集上訓練具有1百萬詞彙表和1百萬個話題(topic)的LDA模型(約1萬億個引數)，這種規模的實驗以往要在數千臺計算機的叢集上才能執行。