從“物聯網”到“萬物互聯”，海量數據被催生了出來，單純的觸摸屏交互已經難以滿足用戶的多樣化輸入需求了。受技術發展因素的影響，商業模式創新開始止步不前。在這樣的情況下，一旦人工智能技術取得突破性進展，商業模式就能實現創新發展，隨之而來的將是擁有巨大發展潛力的市場空間。

現如今，Web2.0互聯網產品時代的現有技術已經難以滿足商業模式的創新需求了。未來，商業模式要創新，就要依賴不斷進步的技術，屆時人工智能將成為重要支撐。

人工智能未來的硬件架構

近十年，計算機科學的研究重點在信息處理層面，基于此，我們將這個時代稱為“大數據時代”或者“數據大爆炸時代”。未來，隨大數據時代而生的這種信息處理能力將出現發展瓶頸，屆時，計算機科學的研究重點就會轉移到“突破計算機現有計算能力極限”方面，也就是顛覆馮·諾依曼的硬件架構方面。

在人工智能技術的支持下，顛覆馮·諾依曼的硬件架構將從底層的硬件架構變革開始。到那時，硬件模式將擺脫對云計算的依賴，將從芯片層面直接對人工神經網絡進行模擬，以構建一個完善的硬件大腦。這個想法或許是人工智能在硬件設備領域的終極解決方案。從現階段的技術層面來看，盡管這個想法的實現還需要很長時間的努力，但其大致方向已經顯現了出來。

(1)人腦芯片

2014年8月，IBM公司宣布由IBM公司和紐約康奈爾大學合作進行底層設計、由三星電子生產的百萬神經元類人腦芯片——TrueNorth大獲成功。IBM公司的人腦芯片研發項目開始于2008年，美國五角大樓高級計劃研究局為其投資了5300萬美元。

經過六年，這款集成了100萬個神經元和2.56億個突觸的芯片終于問世。這款芯片相較于擁有1000億個神經元和不可計量的突觸的人腦來說還有一定的差距，但是與蜜蜂的大腦已經非常接近了。

現階段，這款芯片能夠以每秒每瓦460億次神經突觸的速度運作，能夠和人腦一樣對物體進行探測與識別。簡單來說，在這款芯片運作的過程中，能通過探測、識別模式將一些字母串聯在一起，以拼湊出完整的單詞和語句，對其進行識別?？傮w來說，這種應用還比較簡單，難以用于商業領域，與商業智能化的實現還有很大差距。

除IBM公司的TrueNorth芯片之外，英特爾、高通等公司也擁有自主芯片設計，他們的芯片設計獲得了工程師的高度評價，被稱為“神經形態”。在未來，以TrueNorth為代表的二元芯片將被能模擬人腦聯系功能的芯片產品所替代。當然，這一想法能否實現依賴于正確的神經元結構能否找到，其研究過程也需要經過很長的時間。

(2)量子計算

目前常見的計算機是借助晶體管電路存儲數據的，屬于二進制，只能完成一些簡單的建模與計算，面對復雜的建模和計算往往顯得有心無力。

而量子計算機則很好地彌補了普通計算機的這種缺陷，借由粒子的量子狀態存儲數據，借助量子算法對數據進行操控，借助量子邏輯來完成通用計算，其擁有的強大并行計算能力能夠大幅提升計算機的計算速度。

在量子計算機研究方面做出突出貢獻的就是谷歌公司。谷歌公司秉持著“使機器人能夠像人一樣獨立思考”的理想，2014年開始與各科學家聯手對量子計算機的處理器進行研究。這一研究究竟能否成功，現在還無法預見，只能在未來見分曉。

(3)仿生計算機

目前在通用的CPU、GPU基礎上形成的處理神經網絡運作效率較低。以谷歌大腦為例，谷歌大腦擁有的CPU數量達1.6萬個，要想完成識別動物面部的無監督學習訓練，需要運行7天。并且，谷歌大腦的100億個突觸相較于人腦的100萬億個突觸還有很大差距。

另外，以CPU、GPU為基礎形成的通用處理器，在構建數據中心的時候，占地面積大、散熱功能差、消耗電量多。如此大的成本，一般的互聯網企業根本無力支付。面對這些問題，專門的神經網絡處理器成了各家互聯網企業的必須設備。

仿生計算機就是為解決這個問題產生的，通過仿生計算機，大規模人工神經網絡的構建問題能得以有效解決。目前，在國內，陳云霽團隊就在仿生學原理的基礎上研發出了神經網絡計算機。該計算機無須訪問內存，使得通訊時間大為縮減(至少減少了90%)，并能夠支持現有的、主流的機器學習算法。相較于那些主流的GPU來說，寒武紀神經網絡計算機的性能比提升了21倍，性能功耗比提升了300倍。

從專用智能到通用智能

在專用智能時代，人工智能技術只能在特定領域、特定場景中應用。例如，格靈深瞳的計算機視覺技術只能用于安防監控領域，如果在商場中應用，它的三維攝像頭就沒有辦法對顧客的基本特征進行識別，無法根據顧客逗留時間的長短來分析其消費偏好，更無法以此為依據開展精準營銷。

無論是安防監控領域對違法違規行為的識別與響應，還是商場領域對顧客消費行為的識別與響應，其基礎都是計算機視覺技術。但是在專用智能時代，因計算能力和建模能力不足，人工智能技術只能在特定領域使用，無法實現跨場景應用。

未來，隨著人工智能技術的發展，當專用智能時代步入通用智能時代后，人工智能技術的普遍適用性將得到大幅提升(圖1)。屆時，一個普通的監控攝像頭+計算機視覺云平臺，在任何場合都能根據用戶需求對人群進行識別，并做出分析和決策。

現如今，通用智能時代距離我們還比較遙遠。要想從專用智能時代邁進通用智能時代，在計算資源層面必須超越現有的能力上限;在計算機建模層面必須突破線下深度學習算法的極限，真正實現“機器人像人一樣思考”。

在跨場景通用人工智能時代，應用層企業的進入門檻最低，平臺企業的進入門檻最高，技術細分領域領先企業的進入門檻居中。這也就意味著，屆時，應用層企業的競爭會非常慘烈。