十年后，AI市場規模將會超過萬億美元
AI多年來一直是新技術革命的熱點。雖然AI的熱潮經歷了幾次波動，但是越來越多的實際落地應用使投資者和企業始終保持熱情。
盡管處于萌芽階段，AI市場預計將在未來十年呈現指數級的增長。我們預計AI市場的年增長率將達到64%，在2027年超過1萬億美元。
AI的發展驅動力是什么?
AI技術和市場的蓬勃發展受技術的不斷進步與成熟、政府政策的鼓勵和資金的大量投入等眾多力量的推動。
深度學習算法、AI芯片和大數據的可獲性與可用性推動AI技術的創新
AI技術的快速發展，使其從學術階段發展到實際應用階段，結合最先進的技術和系統，突破了傳統計算技術的極限。云存儲和計算技術的成熟為處理大量圖像、文本和其他類型的數據奠定了基礎。通過大數據，AI可以讓企業實現以往都無法想象的轉變。
不斷改進的AI算法，助力AI技術能實現突破性的創新。自2012年以來，音頻和圖像識別的準確性得到了顯著提高，已經超越人類的基本能力。
開源框架，例如Tensorflow、Caffe、Neon、Torch、Theano、CNTK，降低了開發深度學習算法的障礙。大數據的可用性為深度學習算法提供了充足的學習材料。到2020年，全球每月上傳的在線視頻總長度預計為500萬年，即每分鐘在線上傳100萬分鐘的視頻。
硬件的成熟為深度學習算法提供了足夠的計算能力。采用圖形處理器GPU、現場可編程門陣列FPGA、專用集成電路ASIC(TPU和NPU是ASIC芯片的主要代表)等AI芯片，大大提高了AI訓練和推理的計算效率。毫無疑問，創新技術將繼續推動AI革命。
政府的積極引導，加快AI的發展
AI對于國家來說戰略意義重大，全球主要國家政府紛紛啟動AI發展計劃。
中國于2018年1月發布了人工智能標準化白皮書。這是指導中國人工智能產業高水平發展的重要戰略。在此之前，國務院于2017年7月發布了下一代人工智能發展計劃，制定了人工智能發展的總體思路、戰略目標、主要任務和配套措施，努力到2030年把中國打造成世界領先的人工智能創新中心。
美國于2016年12月發布了“人工智能、自動化和經濟”報告，重點關注人工智能驅動的自動化經濟學和推薦的政策反應。 2016年6月，網絡與信息技術研究與發展小組委員會(NITRD)制定了國家人工智能研究與發展戰略計劃，為聯邦政府資助的人工智能研究制定了一系列目標。
類似的，日本政府頒布了第五個科學技術基本計劃(2016-2020)，進一步推動AI、邊緣計算和高速處理設備技術的發展，作為構建超智能社會服務平臺所必需的基礎技術。
大量的資金投入，是AI從實驗室走向應用的基礎
持續的資本投入促進了全球AI產業的發展。 2017年，AI初創公司獲得了152億美元投入，其中近48%是種子或天使輪融資。 此外，谷歌和百度等互聯網巨頭在2017年在AI領域投入了約300至400億美元，其中90%用于研發，10%用于收購。戰略和財務投資者都在大力尋找AI行業的優質資產。
AI是如何工作的?
AI是指給機器提供“思考”的能力。通常，AI由3層架構組成：底層硬件與服務、算法與框架、以及垂直應用。
底層硬件與服務
AI的底層基礎設施是擴展、加速、自動化管理大量數據處理的重要基礎。AI數據的編程和存儲是AI技術落地最大的挑戰之一，尤其是隨著數據量飛速的增長，需要通過AI芯片的強大的計算能力支持基礎架構環境建立，為AI提供充足的算力。如果從計算效率和可編程性的維度上評估不同類型的芯片，ASIC是最快的計算引擎，而CPU是最靈活。在對選擇不同的AI基礎架構做決策之前，企業應該充分評估其業務需要的容量。
算法與框架
AI主要包括各種不同的算法與技術。其中機器學習是一種統計學習方法，旨在訓練具有大量數據的模型。該模型從已知數據“學習”“規則”并自動更新模型中的相關參數。經過訓練的“規則”和“模型”可用于預測現實世界中的未知數據。
深度學習是機器學習的一個子領域。它廣泛用于圖像識別，語音識別等領域。深度學習可實現無監督學習——無需人工提取規則或功能。卷積神經網絡(CNN)是一種典型的深度學習算法，經證明在圖像識別和分類等領域非常有效。CNN通過分層多個(通常為4～5層或更多層)非線性函數來模擬人類神經系統的工作過程。
AI框架的核心競爭力在于計算能力和訓練效率。數據并行性和模型并行性是提升算力與效率的兩種方式。
在數據并行性中，數據被放置在并行計算環境中的多個處理器上，不同的機器具有完整的模型副本。每臺機器只需獲取不同部分的數據并訓練數據。其關鍵在于整合不同機器的結果，達到快速收斂。
在模型并行性中，分布式系統中的不同機器負責單個網絡的不同部分中的計算——例如，神經網絡中的每個層可以被分配給不同的機器。模型并行的優點是可以通過使用多臺機器同時更新多個參數來加速算法。
垂直應用
AI的商業價值最終仍需要在垂直領域的應用中體現。成功的應用需要結合AI和特定行業的專業知識，將AI產品轉化為最終用戶的定制解決方案/服務。 AI目前已應用于醫療保健，工業，安全，金融科技等眾多行業。
AI能實現什么?
通過監督學習、無監督學習和強化學習等手段，機器可以利用統計模型，達到一定的“思考”能力。
圖像識別和人類語音識別已成為目前AI最重要的兩大應用。AI的準確性已達到滿足日常生活與工作需求的水平。當數據在未來變得更加結構化和準確時，其應用將會變得更加廣泛。
機器學習結合其他技術支持各種應用。像DoNotPay這樣的聊天機器人使用機器學習來解釋用戶響應并確定后續查詢。特定于某種服務的語音命令即將成熟。使用語音識別可以在法庭上檢測情緒和謊言。內部數據分析，例如通過機器學習可以實現協助起草文件，如簡報和語言優化動作。
對于企業來說，AI可以提升運營效率、推動創新，并降低員工的勞動強度。
AI的應用存在哪些挑戰?
數據可獲得性、實施的復雜性、業務價值的開發是AI應用推廣所面臨的挑戰。
數據可獲得性：訓練模型用的數據集的數量和質量在許多案例中都成為了AI應用的瓶頸。AI模型訓練需要基于充分的歷史或參考數據。而在很多情況下，企業缺乏有效的數據跟蹤與訪問的系統，甚至可能沒有數據的訪問權限。在另一些情況下，可能面臨的問題包括可用的數據不足、現有數據格式無法進行模型訓練等。
實施的復雜性：在某些領域(例如語音識別，安防監控，圖像閱讀)，AI可以當做平臺被使用(AI-as-a-platform)。但在大多數情況下，要開發一套行業統一的AI解決方案，更不用說跨行業的解決方案。AI的實施需要大量的定制化工作和行業專業知識的支持。
業務價值的開發：AI的應用必須以給行業帶來真正的價值為基礎，無論是為了創收還是節約成本，或是賦予公司切實的競爭優勢。我們預測AI會首先應用于能產生直接利益的領域，如：
提升營收：基于客戶特定的定制化推薦
節省成本：提高工作效率，預測異常情況
有形競爭優勢：如用AI賦予成像設備，金融投資決策等
企業應該為AI時代的到來做些什么準備?
首先，企業的管理層應明確發揮AI技術優勢的方式與方法，他們應評估AI應用的會帶來的短期和長期的價值以及相應的財務影響。
其次，公司應有效評估其內部IT能力和基礎設施。通常，不同行業企業的能力和資源會有非常大的差異，很多傳統行業企業或小規模企業通過依靠自身投入很難有效地達成技術升級。此時企業應該仔細評估是否需要引入外部合作伙伴，如云服務平臺，AI解決方案提供商和AI系統集成商。
最后，關鍵的利益相關者應共同制定明確的AI實施路線圖以及績效跟蹤機制。管理層應強調AI項目對企業的重要性，并分配足夠的資源以確保達成預期的結果和按時交付。
AI技術供應商的市場格局?
越來越多的玩家瞄準不同的業務環節切入了AI市場
一體化行業巨頭：AI生態系統包括以芯片為核心的基礎設施，算法與框架和行業垂直應用。谷歌，亞馬遜和百度等IT巨頭已經滲透到價值鏈的各個組成部分，提供種類繁多產品和服務。他們是AI市場的領導者。
芯片供應商：一些企業專注于AI芯片的生產和銷售，芯片是AI基礎設施的核心部分。在這一細分市場中，英特爾，高通，nVIDIA等IC巨頭憑借他們豐富的設計、制造和廣泛的行業經驗，占據行業領導者地位。另外一些初創公司如寒武紀(Cambricon)，深思創芯科技(DeepcreatIC)和中國科學院微電子研究所(IME)等亦進入AI芯片領域成為新興的競爭對手。他們通常獲得大學和研究機構的支持，以扎實的學術背景切入市場。
算法與框架供應商：在AI的算法與框架產業中，有很多新興企業與IT巨頭展開了充分競爭。以商湯科技(SenseTime)為例，發揮自身在深度學習算法框架的優勢，為公安行業提供視覺分析和面部識別服務，同時與其他行業如教育、零售和汽車等領域實現廣泛的垂直行業覆蓋。
垂直應用提供商：很多AI公司專注于特定的細分行業或先進技術領域，專注垂直行業應用的開發，如科大訊飛(IFLYTek)及碳云智能(iCarbonX)等。
京公網安備 11010502049343號