李開復曾談過這個問題，他將人工智慧的發展大致分成了四個階段，分別是網際網路智慧化、商業智慧化、實體世界智慧化和自主智慧化。他說，每一波浪潮都以不同方式利用人工智慧的力量，顛覆不同產業，讓人工智慧更深層地融入人們的生活，而現在，人工智慧領域顯然還存在著大量技術瓶頸。中國科學院秘書長鄧麥村也表示，人工智慧的前沿技術成果和產業實際需求之間需要紐帶來連線，只有透過創新鏈、產業鏈和資本鏈的三點聯動，才有利於技術與產業的雙向助力。從單純的科技創新到人工智慧商業賦能是一個必然的發展道路，因為任何單純的科技創新都沒辦法支撐一個更大規模的產業級應用。在這條路上，最大的挑戰就是核心的人工智慧人才對行業裡的場景和業務流程並不熟悉。

還是突破了機器智力，有了初步生物智力再說吧。

想賺錢，還是去問做市場的。哪裡容易賺錢，他們很清楚。

人工智慧發展迅速，應該在 AI+垂直領域深耕。從語音識別到智慧音箱，從無人駕駛到人機對戰，近年來，人工智慧給人類社會帶來了一次又一次驚喜。或許正如有句話所說，智慧不是一個名詞，而是一個形容詞。在那些被統稱為“人工智慧”技術的賦能下，各行各業都在煥發新的生機。

人工智慧在各垂直領域商業化大繁榮的背後，是基礎層的軟硬體支撐，以及技術層的語音識別/自然語言處理、計算機視覺等應用的漸入佳境，雖然離成熟應用還相距甚遠，但從1到100的創新已經準備騰飛。

一、從1到100的創新即將開始加速

過去幾年，對於人工智慧來說，儘管從0 到1的探索依然充滿了許多未知，但是從1到100的創新已經在悄然興起。國內人工智慧應用層面創新加速的條件已經成熟。

1、行業驅動：人工智慧基礎技術的成熟為商業化奠定了基礎

資料、演算法和算力是人工智慧的三駕馬車，2012年以後，得益於資料量的上漲、機器學習新演算法（深度學習）的出現和運算力的提升，人工智慧開始大爆發。

資料的爆發式增長為人工智慧提供了充分的“養料”，市場調研機構IDC預計，到2020年，全球資料總量將達到40ZB，中國資料量將達到8.6ZB，佔全球的21%左右。

演算法方面，深度學習的出現突破了過去機器學習領域淺層學習演算法的侷限，顛覆了語音識別、語義理解、計算機視覺等基礎應用領域的演算法設計思路。

算力方面，GPU、NPU、FPGA等專用晶片的出現，使得資料處理速度不再成為人工智慧發展的瓶頸。

人工智慧商業化也得到了政策的支援。從15年至今的一系列政策可以看出，國家對人工智慧發展的關注重心開始向技術的落地和應用上轉移。

作為中國人工智慧發展的頂層戰略，《規劃》分別從產品、企業和產業層面分層次落實發展任務，對基礎的應用場景、具體的產品應用做了全面的梳理，反映出國家佈署人工智慧發展規劃的重點和核心在於人工智慧科技的落地與應用。

3、資本青睞：國內資本關注應用層的垂直細分領域

“人工智慧+垂直細分領域”的商業化發展途徑正在得到投資者的青睞。如果把人工智慧產業鏈分為基礎層（大資料、雲計算等基礎技術和設施）、技術層（AI核心技術）、應用層（人工智慧+垂直細分領域）三類，那麼相比周期長、成本高、風險大的技術層來說，應用層的智慧投顧、智慧醫療、智慧教育等似乎更能吸引投資者。

二、“AI+垂直細分領域”排頭兵已現

1、 機器人

機器人與人工智慧原本幾乎是完全分開的兩個領域，但隨著機器人與感知（Robotics and Perception）成為人工智慧研究的一個分支，人工智慧機器人（Artificially Intelligent Robots）正在成為人工智慧的一個熱點應用領域。

隨著人工智慧機器人被應用到越來越多的場景中，這一領域的產品矩陣也日益豐富。其中，兒童教育/陪護機器人和餐廳、酒店、銀行等場地機器人正在成為小風口。

這一領域的三類關鍵玩家——機器人創業公司、傳統機器人廠商以及IT網際網路公司，各有其側重點。

機器人創業公司主要著力於個人機器人（如智慧音箱、掃地機器人、兒童教育/陪護機器人），面向C端使用者；傳統機器人制造商則更看重人工智慧對自身現有產品/技術的改造，應用場景也多為商業服務及工業生產；而IT網際網路公司（主要是電商公司）則希望透過人工智慧機器人提升自身業務的效率。

在4S店擔任導購員的優必選Cruzr系列機器人

另一家機器人公司新松隸屬於中科院，是一家以機器人技術為核心，致力於數字化智慧製造裝備的高科技上市企業。新松是傳統機器人廠商中較早發力人工智慧的，產品線也比較全，從場地機器人，到工業機器人，到物流分揀機器人不一而足。

2、 智慧家居

（1） 智慧音箱

以語音識別、自然語言處理技術作為支撐的AI助理，應該說是近兩年人工智慧最火熱的應用。其中，智慧音箱更是得到了科技巨頭的爭相押注，繼Amazon Echo、Google Home後，國內一眾網際網路公司也紛紛推出了自己的智慧音箱產品。

小米AI音箱“小愛同學”

智慧音箱可以看作是語音助理的進階嘗試。如果把像Siri這樣以智慧手機為載體的語音助理看作1.0版本，那麼近來科技巨頭爭相押注的智慧音箱就是2.0版本。語音助理1.0曾遭到廣泛質疑，這不僅是因為在手機上語音互動並沒有比手指的操作更高效，而且使用場景也存在問題，例如手機多數是在公共場合使用，語音助理難免使人尷尬。智慧音箱的出現可以看作是個人助理由公共場景向私密場景轉移的嘗試。

總體來說目前智慧音箱的普及率並不高，不過小米AI音箱和天貓精靈兩款產品已經領先一步（問問音箱Tichome通過出門問問App管理，但該App也包含其他功能）。從周活滲透率的走勢可以看出，天貓精靈利用雙十一的熱度先發制人，此後兩款產品一直不相上下，現在小米AI以微弱優勢領先，但天貓精靈的追趕也相當兇猛。

從城市分佈來看，小米AI對一線城市的偏向更為明顯，滲透率明顯伴隨地域上的下沉而降低；而天貓精靈除三線以下城市外，對一、二、三線城市的關注均在平均（TGI=100）及以上水平。這樣看起來，天貓精靈的市場佈局更為廣闊，而這或許也與天貓、淘寶平臺本身在各線級城市的高滲透率有關。

此外，獵豹也於近期釋出了“小豹AI音箱”，小豹AI音箱主打高品質的內容體驗，音質表現極為出色，超過行業同類產品，在喚醒率、識別率、tts等AI能力上也達到了行業領先水平。

同時，小豹AI音箱還結合了區塊鏈技術，使用者將作為去中心化的“節點”，深度參與產品質量的改善和AI能力的進化，並獲得AI積分的回報。總體來看，小豹AI音箱集出色的音質、領先的語音能力和豐富的內容於一體，是目前非常有競爭力的智慧音箱。

（2） 智慧攝像頭

計算機視覺技術的發展，也為家庭安防產品帶來了新的發展契機。與傳統攝像頭相比，智慧攝像頭對畫面的識別更加精細，並因此能夠做出更多有針對性的響應。例如識別陌生的人臉，當陌生人闖入住宅時即可自動報警；識別車牌，令車庫門自動開啟；識別寵物異常行為，當寵物在家中搞破壞時及時播放警報聲將其嚇跑。有些智慧攝像頭甚至兼具了語音助理的部分功能。這些功能在家庭、商場、學校等場景中都能發揮強大的作用。

也正因此，智慧攝像頭成為了網際網路企業和傳統安防企業眼中共同的一塊肥缺。在統計的智慧攝像頭App榜單上，排名第一、第四、第五的螢石雲影片、樂橙和愛耳目家庭攝像機，分別來自傳統安防企業海康威視、大華股份及愛耳目科技（東方網力投資），而360智慧攝像機、小蟻攝像機及米家小白智慧攝像機則出自網際網路公司的手筆。

獵豹全球智庫曾在有關智慧攝像頭的報告中認為，這也體現出了在智慧攝像機領域，網際網路公司與傳統企業兩者平分秋色，網際網路公司並不能以流量優勢完全壓制傳統企業的硬體實力。

（3） 智慧家居平臺

除了以上提及的兩類智慧家居產品外，還有像智慧機頂盒、智慧路由器、智慧空氣清淨機等也開始走進人們的生活，為此，網際網路企業、傳統家電企業也推出了自己的智慧家居平臺。

從統計的智慧家居平臺App排名來看，網際網路企業暫時領先，其中米家（周活滲透率0.9619%）相對其他App的優勢最為明顯。在傳統家電企業陣營，表現相對突出的是美的和海爾，美的旗下美居App目前排名第五，而海爾旗下兩款海爾好空氣和海爾優家分列第6和第9。

不過對於網際網路企業和傳統家電企業來說，智慧家居之戰的核心更多在於搶佔入口，除部分自研核心技術外，一些專業從事人工智慧技術（尤其是語音技術）研究的企業，如科大訊飛、思必馳等，也為各類智慧家居產品提供了強有力的技術支援。

3、 移動網際網路

除了機器人、家居產品，移動網際網路也在積極擁抱人工智慧。智慧推薦系統、智慧投顧、智慧教育已經融入人們日常使用的各類App，為我們提供更好的網際網路服務。

（1） 智慧推薦

人工智慧對於推薦系統的影響是巨大的。在“非智慧”時代，推薦主要依靠專業編輯或是一些從直覺引匯出的簡單模型或演算法，而深度學習模型的應用，使得一些已知問題上的推薦效率得到提高。如今，幾乎一切資訊類、娛樂類、電商類等網際網路應用，都不離開人工智慧的支援，甚至可以說人工智慧加持的推薦系統已經是網際網路服務的一個核心環節。

（2） 智慧投顧

近年，“智慧投顧風”從國外刮到了國內，銀行、券商、基金公司、網際網路金融公司紛紛投身其中。從發展背景來看，中國資產管理行業目前還處於萌芽期，智慧投顧仍然大有可為。招商證券統計顯示，美國居民的金融資產配置佔比約60%-70%，而中國居民的金融資產配置佔比5%左右。隨著網際網路技術的高速發展，普惠金融概念的廣泛普及，中國財富管理市場的需求也將進一步擴大，屆時智慧投顧也將發揮重要作用。

招商銀行“摩羯智投”

按其服務形式，國內智慧投顧產品可大致分為兩個階段：第一階段是依據風險評測結果智慧推薦理財產品（組合），最終做出投資決策的依然是投資者自身，典型代表如螞蟻金服旗下的螞蟻財富；第二階段是一站式理財，投資者無需選擇具體理財產品，而只需依據評測結果選擇是否接受智慧投顧推薦的理財方案，典型代表如招商銀行的摩羯智投、金融界的靈犀智投等。

從統計的智慧投顧排行榜來看，傳統金融機構和網際網路公司還是佔盡了流量的優勢，但由於這些App本身並不以智慧投顧為核心功能，因此這其中究竟有多少流量屬於智慧投顧尚不可知。從其他幾款上榜的App來看，情況似乎也並不樂觀。而一些以智慧投顧為核心賣點的理財平臺，如盈利寶（靈犀智投）等，更是排在排行榜之外。由此可見智慧投顧雖然有不俗的投資成績，但還沒有被投資者廣泛接受。

（3） 智慧教育

AI+教育是人工智慧所有垂直應用領域中頗具亮點的一個。從統計的榜單中可以看出，結合了人工智慧相關技術的教育類App都具有較強粘性，如作業幫和英語流利說周人均開啟次數均達到40次以上；橫向對比其他垂直領域，AI+教育類App活躍滲透率水平也比較高，打個不恰當的比方，如排名第一的作業幫，其滲透率已經不亞於熱門手遊QQ飛車。

AI+教育成功的原因之一，就是人工智慧與教育類App使用者痛點的完美結合。以拍照搜題、智慧評測為代表的AI支援功能，有效解決了學生寫作業和自主學習過程中無人輔導、反饋缺失的痛點。此外，語音識別/自然語言處理在語言學習領域的應用也值得期待。以英語流利說為代表的語言學習類App，透過語音互動與智慧評測的模式，打破了“啞巴英語”的困境。

（4） 智慧醫療

與其他領域相比，AI+醫療的商業化顯得更為謹慎。以BAT、科大訊飛為代表的科技公司仍是AI醫療的主力，如騰訊和訊飛主要透過和醫院共建“智慧醫院”的形式落地自家產品，阿里雲主要向創業公司提供技術平臺，而其他的創業公司大多是以單個產品切入醫院的具體科室，定位雖各有不同，但共同點是人工智慧更多是以輔助形式在發揮作用（百度於2017年裁撤醫療事業部，但“百度醫療大腦”仍舊保留了下來，尚不清楚後續是否會有百度系AI醫療產品釋出）。

在特定任務中，例如根據醫學影像篩查疾病，人工智慧將會超越人類無疑。但就目前的技術水平而言，人工智慧想要完全替代人類還為時過早。

這一點從AI助理的發展就可以看出，目前通用個人助理產品已經非常豐富，而醫療類個人助理卻並不多見，原因在於醫療類個人助理專業屬性強、監管風險高。人工智慧雖然理論上可以窮盡所有疾病，但真正諮詢時患者對病情的描述是非專業的，有時甚至差以千里，人工智慧可能沒辦法從中挖掘到有用的資訊進行判斷。

目前，監管部門要求虛擬助理在輕疾方面僅僅能夠提供一些諮詢和建議，不能提供診斷，在重症方面只能提議立刻前往醫院或代撥醫院急救電話。從這點也可以看出，以目前的技術程度而言，人工智慧在醫療領域的應用仍需十分謹慎。

（5） 智慧導航

說到人工智慧在交通領域的應用，最容易想到的就是無人駕駛，但無論是在國內還是國外，無人駕駛專案大多處於試點階段，離真正投入商用還有一定距離。

比起無人駕駛，智慧導航的落地已經先行一步。目前，國內移動導航市場幾乎被百度和高德兩大巨頭覆蓋，而智慧導航或許將成為兩者的下一個角力點。

具體的應用點，歸結起來主要有以下幾個方面：一是與語音技術相結合，利用語音互動解放駕駛員雙手，使其專注駕駛；二是透過深度學習模型，對城市路況進行預測，從而規劃最優路線；此外，計算機視覺技術的應用也將大大簡化地圖資料的採集工作，例如從衛星遙感影像、無人機航拍影像中識別車道、路標、沿街商鋪名稱等道路資訊。

三、還有什麼將會助力AI應用的騰飛？

“AI+”花樣百出的背後，是演算法與“基礎設施”的日益精進。語音技術與計算機識別技術的落地已經初見成效，而以AI晶片、人工智慧開源平臺為代表的“基礎設施”也越來越得到重視。

1、語音技術/計算機視覺落地最給力

（1）語音識別/自然語言處理

語音識別/自然語言處理應該是目前人工智慧落地最成功的領域之一，隨著技術的成熟，語音互動幾乎已經成為各類智慧助理、導航軟體，甚至是智慧攝像頭等智慧產品的標配，這其中也湧現出了一大批語音技術商業化相當成功的網際網路巨頭和創業公司。

對於從事語音識別的企業來說，商業化的成功主要取決於技術成熟度和使用者基礎兩大因素。就語音技術的成熟度而言，根據獵豹全球智庫的評測，科大訊飛與思必馳稍稍領先，但總體各家差距並不懸殊。就使用者基礎而言，科大訊飛已經成為中文語音市場份額最高的中國企業，不過在全球範圍內還落後於谷歌、微軟和蘋果，而百度和搜狗則在國內C端市場具備比較明顯的優勢。

但如果考慮到真實環境中的人機互動，語音識別企業要做的可能還有很多。例如語音合成（Text to Speech，TTS）技術，即將文字資訊轉化成語音訊號，可以提供給機器人說話的能力，如獵豹旗下獵戶星空的智慧女聲，使得機器的發音可以媲美真人發聲，並透過男、女、兒童多種聲音，適配於聊天、新聞播報、小說播讀、兒童陪伴等不同場景，目前已接入小雅AI音箱、小米AI音箱、小米手機、小米電視、美的等眾多裝置。此外，獵戶星空在遠場識別方面也有不俗的表現。

（2）計算機視覺

計算機視覺是指利用計算機來模擬人的視覺，也是人工智慧技術層商業化比較成功的一個分支。目前，人臉識別、影片監控、網際網路影象內容審查，已經成為計算機視覺技術的產業入口。其中，人臉識別又是計算機識別最熱門的應用，目前該技術已具備大規模商用條件，未來將在金融、安防等領域迎來大爆發。

如果將影象理解看作計算機視覺的終極目標，那麼現階段的技術還非常初級。我們將計算機視覺劃分為預處理、初級視覺、中級視覺和高階視覺4個層次，其中初級視覺的任務是找到影象之間的一致性，透過梳理計算機視覺領域的熱門公司就可以發現，現在絕大多數公司提供的人臉識別、文字識別等技術，其實都屬於這一層次。

不過，計算機視覺技術產品化的程序並未因此而放緩，而這主要得益於場景的豐富。例如商湯目前已經形成了影片智慧、身份驗證、移動網際網路等四大產品矩陣，廣泛應用於智慧手機、金融、交通、娛樂等領域。

再如獵戶星空，該公司已將人臉識別技術運用到了門禁、手機等豐富的生活化場景中去，公司總部的門禁安全系統、人臉支付系統以及會議室管理，都是透過其自主研發的人臉識別技術實現的，識別精度達到99%。可以說，計算機視覺正值橫向擴張的紅利期，但遲早有一天需要憑藉縱向發展展開更高層次上的技術競爭。

2、基礎技術支援再加碼

（1）人工智慧開放平臺

人工智慧技術的廣泛應用，不僅需要深耕相關技術，還需要構建完善的生態。國內人工智慧企業在積極推動技術落地的同時，也紛紛推出與自身技術相結合的開放平臺，以吸引更多的服務和硬體合作伙伴，連線起更多的終端和資料。

如果單從目前人工智慧開放平臺的數量來看，可以發現以百度、騰訊為代表的網際網路巨頭繼續呈現出一種贏家通吃的趨勢，其生態佈局的觸角幾乎伸向了人工智慧領域的各個角落；此外，獵戶星空也正在成為人工智慧領域的核心玩家，其最近釋出的一系列人工智慧平臺類產品，涵蓋了語音、視覺、機器人多個領域，其中語音OS已接入小米千萬裝置。

（2）機器學習開源平臺

2015-2016年，以谷歌、微軟、亞馬遜、IBM為首的美國網際網路巨頭引領了一波人工智慧開源大潮， 到了2016下半年，國內網際網路巨頭似乎也開始甦醒，百度、阿里、騰訊，相繼推出了面向人工智慧的開源平臺。

雖然說國內機器學習開源專案總體比美國慢了一拍，但畢竟機器學習的發展尚處於初級階段，即使像TensorFlow這樣的深度學習框架已經得到廣泛採用，也很難說它就會成為人工智慧界的“安卓系統”。此外，與TensorFlow、Spark等國外主流機器學習開源專案相比，國內公司推出的機器學習開源平臺都強調“低”使用門檻，效率也有所提高。

（3）AI晶片

考慮到AI演算法開源的發展趨勢，基礎層的晶片與資料將在未來競爭中佔據越來越重要的地位。AI晶片更將成為人工智慧發展的支柱。所謂AI晶片，就是專門針對AI演算法設計的晶片，相比傳統晶片，AI晶片更能滿足AI演算法所需的龐大計算量。

各大科技公司也紛紛把AI晶片定為自己的戰略發展方向。與國際晶片巨頭、網際網路巨頭相比，國內傳統晶片企業在這方面有所行動的並不多，反倒是各種創業公司正逐漸成為AI晶片的主力軍。

但對於創業公司來說，持續、鉅額的資金投入是一個不小的挑戰，不少創業公司也因此與網際網路巨頭走到了一起。事實上，網際網路公司不僅是AI晶片的重要投資方，也會是未來AI最大的受益者之一，他們將透過人工智慧提供更好的網路服務。

結語：“智慧”生活將離我們越來越近

技術的成熟，加上政策、資本的支援，人工智慧在各垂直領域的應用已經全面綻放。機器人和智慧家居受到網際網路公司、傳統企業追捧的同時，移動網際網路服務也由於人工智慧演算法的應用在變得越來越高效，各領域核心玩家在湧現：全面佈局人工智慧各領域的BAT、獵戶星空，語音領域的科大訊飛，視覺領域的商湯，機器人領域的優必選……可以預見，在演算法日益精進，基礎設施日益完善的今後，應該在更多AI+垂直領域深耕人工智慧，“智慧”生活將離我們越來越近。

替代算盤的計算器，是人工智慧的開始，它也替代了口算、筆算。

核心意義是什麼呢？它（主要）替代了人的腦力勞動。機器代人，所以有了人工智慧。這是人工智慧的大概意思。

機械電子、計算機工業升級，推動了生產自動化，越來越多的人工被機器替代，人工智慧得到了迅速發展。

而後，我們想讓機器和我們對話、讓機器可以辨識影象，語音、視覺系統應運而生。人工智慧迎來了新一波熱潮。

至於讓機器主動思考、機器造人，我們可以去小範圍嘗試，向科學發誓。

現在的深耕領域，個人認為可能有三較為現實：

1.深度語音互動；

2.立體視覺技術；

3.資料應用（演算法）。

作為一名有十幾年從業經驗的IT行業從業者，現在致力於大資料，人工智慧領域，我來回答一下這個問題。

從現在工作上公司也和很多頭部的人工智慧公司建立了深入的合作，在業務領域裡不僅自己研發，也取長補短和這些公司進行了合作。生產應用裡落地，就意味著這方面的人工智慧應用有了實現價值的機會，所以，我就結合工作研發和合作的例子來談下這些人工智慧發力深耕的案例。

人臉識別，人工智慧對採集端，如攝像頭拍攝的人臉做特徵識別，來辨別人員。此外，還可以對人員的年齡，外貌特徵，穿著等特徵進行識別歸類。這是目前落地最多的場景，很多頭部公司都集中於此，也證明了這塊的價值和值得深入研究的價值。

票據識別，對日常的銀行票據格式，單位票據做自動模式識別，減少這方面的人工因素，實現流程自動化。這也是一些頭部人工智慧公司的發力和行業落地聚焦點。

也是自然語言的人工智慧應用。比如基於NLP的分類，對輿情等做檢測，對商品評價做分類，這裡也要提到一個重要的應用方面，對話機器人，廣泛應用於電商服務，客戶支援，甚至一些以前的推廣電話也採用該技術，大大減少了客服成本。增加了成交的機會。

基於影象的人工智慧應用，比如自動修復老照片，最佳化畫質，現在還在發力前期。上面說了目前落地的幾類人工智慧應用領域，雖然沒有囊括完全，但主要的基本都有涉及。希望對大家有啟發。

1，自動駕駛領域，全球汽車市場每年1.4萬億美金，年銷5700萬臺車，零部件市場8000多億美金，自動駕駛系統是增量部件，按照10000美金一套，就是5700億美金的市場空間，這是一個智慧手機2倍左右的市場空間，所以各大公司重金投入，包括谷歌，通用，蘋果，三星，特斯拉，百度。這個技術預計2020年會規模商用，以後計程車，公交車，貨車，私家車都不需要司機了。這是一個市場空間足夠大，參與企業足夠多足夠強，對社會影響特別大的一個領域。

2，語音語義識別：這個領域有幾個應用：不用打字，直接說話可以轉化成文字；錄音影片不用再去慢慢回放，機器直接將其轉化成文字供分析；最最重要的是實時翻譯，碰到外語見到外華人不用擔心無法交流了，實時翻譯系統將保障交流無障礙。這個市場空間不小，但是社會影響特別深遠。不同語種的普通人民之間沒有交流障礙了，這個對促進世界人民的交流與溝通幫助非常非常大。當然，外語學習的性質也會發生變化，就像自動駕駛讓駕校變得沒有意義一樣。

3，其它像人臉識別，車牌識別為主的影象分析，大資料分析衍生的廣告智慧分析，智慧寫作，輔助醫療，輔助教育等領域也會有較大的市場空間與應用前景。

語音智慧領域，智慧語言很早就有。電視裡有智慧語音，但是從不會把麥克風交給使用者，因為他們的使用率只有5%，為什麼？因為消費者只要用一次、兩次不靈敏就不會再用。但是今天如何讓消費者感知到電視在真正意義上的改變，不再是一臺普通的電視。當不用搖控器調節電視的各項工作時，就意味著必須用語音解決，必須站在一個完全沒有搖控器的環境整體提升AI能力。AI在產業化應用時，首先要構建的是真正意義上的AI場景，這個場景必須要做出一些根本性的舒適性、便捷性的改變。我們當時提出來的問題有收音幅面的問題、識別準確率問題和抗噪問題，除此之外還要做技能提升。原來我們的電視點播一首音樂，但是於事無補，沒有使用者會長時間用它，因為沒有改變原始屬性。但是今天的電視已經無所不能，使用者的服務滿足率達到90%，我們現在還在提升使用者對語句的深度理解能力。有了這些功能，使我們這張屏使用起來更加簡單。

人工智慧最先發展的領域一定是IT領域。

因為IT最容易接受技術，也是最容易快速普及AI的領域。

這行業的人技術人員多，懂技術的多，網際網路思維強，而且善於協作跟理解。

當然，AI 涉及到能深耕的領域非常多，關鍵是要看你對什麼感興趣，另外 會有一個先後順序，一些高階領域，包括網路遊戲，網際網路金融一定是最先使用的。具體的發展，要慢慢看。

科技快報網今天來跟大家說說目前在人工智慧領域，哪個國家最強？人工智慧領域近幾年是科技界關注和發展的熱點，甚至被認為會引領下一輪科技革命。目前來看，美國無疑是領頭羊，但是中國正在成為美國在這一領域最強勁的對手。所以說未來人工智慧領域的競爭主要在中美之間展開也並不誇張。基於對於下一波科技浪潮中鞏固自身全球競爭力的考慮，人工智慧被提升到中國的國家戰略高度，對這一領域無論是資金、政策亦或在人才和技術引進等方面都在大力扶持。本輪人工智慧浪潮，起源自美國，且主要由私營部門主導。例如，人工智慧突然大熱，一個主要原因是谷歌旗下的“deepmind”（谷歌收購的一個英國公司）研發出了能下圍棋，且勝過人類頂尖棋手的演算法。當前，美國企業分佈在人工智慧領域的各個技術層次、各個細分領域，展現出全面領先優勢。這背後是（1）美國良好的市場環境；（2）強大的基礎研究實力；（3）遠勝他國的人才儲備。再往後則是深厚的學術傳統、成熟的教學研體系。此外，本次人工智慧革命，基礎是網際網路革命帶來的大資料。而網際網路是由美國創造的。因此可以說，此次人工智慧革命，乃是美國科學技術和產業界長期深耕，厚積薄發的產物。但是，中國也頗受矚目。因為中國是僅次於美國的人工智慧技術強國。可以說，全球人工智慧浪潮來臨時，站立潮頭的只有中美兩國。其中美國獨領風騷，中國緊隨其後，雖然有差距，但差距在縮小。中美與其他地區、國家的差距則非常大，而且還將繼續擴大。中國的優勢在於：第一，中國政府高度重視人工智慧，在戰略制定、政策規劃領域緊鑼密鼓；中國地方政府大力推廣人工智慧，體現在智慧製造、智慧交通、智慧城市、智慧安保等。（2）中國政府、企業具有大膽嘗試的勁頭，在法律、倫理、規範方面，採用實用主義做法，努力做到事後監管，防止法律法規阻礙技術進步，在此背景下，中國資本市場也迅速予以積極支援。（3）中國市場容量較大，人工智慧企業具有較大的成長空間；民眾隱私意識較弱，企業能夠方便地積累大資料資源，服務於人工智慧技術研發。科技數碼大港認為當前，中國在計算能力（主要是超算）、資料資源（基於8億網民的資料流量）方面具有美國無法比擬的優勢。但是中國的晶片技術（體現基礎研究能力）、人才培養能力（體現高校競爭力）、資料國際化/多樣化/多元化（資料代表性和質量）等方面弱於美國。未來中美人工智慧競爭將進入纏鬥廝殺階段，短時間還難以分出勝負。

1、 弱人工智慧：不具備完全智慧，但能完成某一特定任務的人工智慧。

2 、強人工智慧：具有完全人類思考能力和情感的人工智慧；

【弱人工智慧就在你身邊】 說到人工智慧，第一反應可能是電影裡面的機器人，能說能動能跟人類交流。而現實呢，自然是沒有這樣的善解人意的人工智慧機器人。但寬泛意義上的人工智慧（即弱人工智慧），早已在服務在大家生活的方方面面了，已經開始為社會創造價值。 比如語音助手，在手機、音響、車裡甚至你的手錶上。最常見的“Hi Siri，幫我查查明天上海的天氣”。這裡面涉及到了機器如何聽懂、理解人類的意圖，並且在網際網路上找到合適的資料進行回覆。這個其實是最接近大家普遍認知裡面人工智慧的模樣，無奈要讓機器理解人類的自然語言，還是路漫漫，特別是人類隱藏在語言裡面的情感、隱喻。所以，自然語言處理的一直被視為人類征服人工智慧的珠穆拉瑪峰。我的回答主頁裡面也有很多關於自然語言處理（NLP）的相關回答，有興趣可以點選進入檢視哦。 相比於理解自然語言，計算機視覺發展的就順利的多，它教計算機能“看懂”一些人類交給他們的事物。 比如最常見的出行環境中，停車場的牌照識別。以前得僱一個老大爺天天守在門口抄牌子，現在一個攝像頭可以搞定所有的事情。

在購物場景中，如Amazon的無人超市，能夠透過人臉識別知道你是不是來過、以前有沒有購物過，給你推薦更好的體驗。在家庭生活場景中，每年的CES我們都會看到全球智慧家居廠商釋出的硬核產品。今年科沃斯釋出了第一款基於視覺技術的掃地機器人DG70，它可以識別家裡的鞋子、襪子、垃圾桶、充電線，當然除了用到視覺系統之外，還需要機身上各種各樣的感測器資訊融合處理，才能實現在清掃複雜家居環境時合理避障。而除了這些身邊“有形”的能看能聽的人工智慧，幫助人類做決策、做預測，也是人工智慧的強項。 比如在網購場景下，能夠根據你以前的購物習慣，“猜測”你可能喜歡購買這個。 比如刷抖音的時候，機器會學習你的喜好，推薦越來越符合你胃口的影片。 在金融領域，預測未來幾天的股市、預測某個地區的房價走勢，這都是已經實實在在的真實場景。 現代人工智慧本質上，是基於數理統計的機器學習系統（也有基於規則的非統計化人工智慧系統，這裡不詳述）。這樣的弱人工智慧系統，能夠在特定的任務上，在已有的資料集上進行學習，同時能夠在今後沒見過的場景預測上，獲得比較好的結果。對於一些重複性的勞動，人工智慧可以極大的降低人工成本的同時，提高效率和質量。 【弱人工智慧的工業化】 而且隨著深度學習演算法和資料的發展，人工智慧系統也越來越簡單和模組化。越來越多的企業，開始構建符合自己業務需求的人工智慧系統。 對於工業界的人工智慧專案，一般都不重複造輪子：不會去從零開始寫一套機器學習的演算法，而往往選擇採用一些已有的演算法庫和演算法框架。以前，我們可能會選用已有的SVM, MaxEnt, HMM, CRF演算法，來解決不同的機器學習問題。現在隨著深度學習的流行（Tensorflow, PyTorch 等等），一套神經網路框架就可以解決幾乎所有機器學習問題，進一步降低了機器學習任務的學習以及開發難度。但即便如此，機器學習仍然有很高的學習門檻：需要有很好的數學、統計、線性代數的基礎，熟悉相應的機器學習演算法原理，有很好的演算法建模能力、工程開發除錯能力、以及模型調參經驗。所以對於很多企業來說，不具有這樣能力的開發團隊。工業界對於這樣的痛點，解決方案是標準化機器學習演算法模組。同時，工業界人工智慧廠商，相比於對機器學習模型在數學上的深入研究，更感興趣的是如何解決實際問題。 上面提到的科沃斯剛釋出的DG70，只給你一個“眼睛”和有限個感測器，但卻要求其可以識別日常家居物品：比如前方遇到的障礙物是拖鞋還是很重的傢俱腳，可不可以推過去？如果遇到了衣服、抹布這種奇形怪狀的軟布，機器還需要準確識別出來以避免纏繞。 讓掃地機器人完成影象識別大致會經過幾個步驟： 定義問題：就像剛剛說的，根據掃地機器人的使用場景，就需要識別家居場景裡面可能遇到的所有障礙物：傢俱、桌角、抹布、拖鞋等等。有了這些類別定義，我們才可以訓練一個多分類模型，針對掃地機器人眼前看到的物體進行分類，並且採取相應的規避動作。對於很多不瞭解機器學習的同學來說，能夠理解到這一步其實已經是巨大的認知突破了。因為機器智慧無法像人類一樣去學習，去自我進化，去舉一反三。當前階段的機器智慧，永遠只能忠實執行人類交給他的任務。 收集資料 & 訓練模型：接下來會去接著去收集資料，並且標註資料。現在的深度神經網路動不動就是幾百萬個引數，具有非常強大的表達能力。因此需要大量的資料，而且是標註資料。所謂的標註資料，就是在收集了有關圖片，需要人工標註員，一個個去判斷這些圖片是否屬於上面已定義類別中的某一個。在工業界這個的成本非常昂貴，一個任務一年可能要花費幾百萬美金，僅僅是去為了做資料標註。有了高質量的標註資料，才有可能驅動深度神經網路去擬合真實世界問題。 本地實現：還有一個很有意思的技術亮點，這個在其他AI產品上不是很常見：這麼複雜的人工智慧運算，據介紹都是在機器上本地執行的。一方面保護使用者隱私，不能將使用者資料上傳到雲端；另一方面，掃地是一個動態過程，很多運算對時效性要求非常高，如果過於依賴網路，稍有延遲可能一不小心就裝到牆壁了。 所以，掃地機器人雖小，但其中的涉及的技術領域堪比自動駕駛。 而對於自動駕駛汽車來說，對於訊號收集過程，也跟上面差不多。不過為了保證訊號精確程度，現代的自動駕駛汽車，除了影象視覺訊號之外，車身會配備更多的感測器，精確感知周圍環境。 【強人工智慧離我們有多遠？】 說完了弱人工智慧，我們來想象下未來的人工智慧。這裡必須要提到一部繞不過的美劇《西部世界》。在《西部世界》中，機器人接待員自我意識的逐步覺醒，讓接待員們對人類產生了反抗甚至仇恨的情緒。這也是科幻小說家等諸多名人提醒大家警惕人工智慧的場景之一。 但從上所述，大家可以看到，連簡單的“識別拖鞋”，都需要經過上面這麼複雜的過程。那麼如果我們要打造一個西部世界裡面那樣的強人工智慧機器人，又需要多少工作量呢？估計最簡單的在複雜環境中自動行走都做不到，更別說能夠產生類人情感，甚至對人類產生仇恨、報復等心理。 【結語】 人工智慧領域有一大幫頂尖的科學家奮戰在演算法模型研究第一線，也有一大批廠商，在努力推廣、標準化機器學習演算法，降低人工智慧演算法的開發成本，讓各行各業的企業能夠更加專注於上層業務邏輯，使用已有的人工智慧演算法來搭建造福社會的AI產品。 幾十年前，各種計算機廠家構建的生態系統，迎來了蓬勃的資訊化革命。現在迎來的人工智慧革命，同樣出現了越來越多的人工智慧基礎提供商，他們也會逐漸形成一個更成熟的人工智慧生態，造福其他廠商，造福社會。