1956年夏季，在美國達特茅斯學院舉辦了一次可以載入科技史冊的會議——第一次人工智能研討會。會上，麥卡錫首次提出“人工智能”概念，標志著AI正式誕生。

經過了六十幾年的發展，人工智能不僅僅只是局限于實驗會議上的概念名詞，而是開始走向落地和商業化。沿溯著當年互聯網的發展路線，人工智能也在逐步通過各類形態滲透到人們的生產和生活當中。據Gartner公布的CIO調查報告預測，到2022年，企業AI市場的價值將高達61.4億美元。

政策、資本、技術多方驅動人工智能上馬

目前，全球各國組織都將目光聚焦于人工智能領域，并希望借此實現全球經濟的高速增長和數字化轉型。因此，各國政府開始牽頭引導AI在本國的發展，并在政策法規出臺相關文件，從戰略頂層促進人工智能的高速發展。

以中國為例，2017年十二屆全國人大五次會議，“人工智能”被首次寫入政府工作報告;同年7月，國務院發布《新一代人工智能發展規劃》; 2018年人工智能標準化論壇發布《人工智能標準化白皮書(2018版)》;2019年出臺《關于促進人工智能和實體經濟深度融合的指導意見》……相繼出臺的政策文件，為人工智能提供良好而優渥的發展土壤。

政策紅利不斷釋放，宏觀大環境前景良好，資本的入局也讓人工智能煥發了更強的生命力。

越來越多的資本開始涌入人工智能行業，競爭加劇的同時，也意味著AI商業化的步伐更加快速。隨著國內資本環境從瘋狂到理性，人工智能的恰逢其時，讓產業更加側重于應用技術本身。原本由于人口紅利的消失而日漸告急的企業經營成本，資本的入局為其提供了強大的經濟支撐。《中國新一代人工智能科技產業發展報告(2019)》統計顯示，2018年，我國745家人工智能企業中，577家企業發生融資事件，融資總額達到3832.22億元，排名全球第一。

回歸到人工智能技術本身，數據、算法、算力直接影響著商業化的進程。

首先，數據方面。隨著全球數字經濟的席卷而至，世界互聯網產業快速進入大數據時代，每年，全球大數據總量以50%的速度在高速增長，海量的數據是人工智能算法的訓練和應用的搖籃。尤其是國內人口基數大，信息化程度逐年上升，數據量大、數據種類豐富、數據的獲取和使用變得愈加開放，這些數據上的優勢直接為人工智能的發展帶來了便利。

伴隨著數據的擴張，算力和算法也不得不面臨新的提升。“人工智能不能建造在沙灘上，這個‘房子’遲早會坍塌。人工智能的基礎算法、算力、數據，前兩項我們國家還是弱的，光是數據強還遠遠不夠。”華為創始人任正非曾如此點評國內人工智能的算力和算法水平。

人工智能實現技術突破、行業革新、產業化推進，都必須以基礎算法突破為基石。相較于美國，我國人工智能最薄弱的環節就是算法。業界普遍重視應用技術而忽略了底層技術，基礎算法的缺失，導致整個AI產業根基不穩。

算力方面嚴重制約著實際應用的落地。盡管，互聯網的高度滲透催生了算力水平的飛速提升，計算成本不斷下降的同時，服務器日益強大，人工智能技術發展的限制逐步放寬，算力似乎已到達臨界點，很多應用即將成為現實。但是，越來越多的數據、更加復雜的應用場景，爆炸式的算力需求預示著如今的算力水平還遠遠不夠。

AI與場景深度融合，應用層創新層出不窮

根據艾瑞咨詢相關數據顯示，到2020年全球人工智能市場規模達到1190億人民幣，只有日趨完善的產業生態才能孕育出如此龐大的的市場前景。在人工智能的產業價值鏈條中，一般分為三大維度：基礎層、技術層和應用層。基礎層強調基礎支撐平臺的結果，技術層關注核心技術的研發，應用層側重應用發展的融合。

以人工智能技術計算能力平臺、基礎硬件設備、數據處理支撐等為主的產業基礎層是中國企業稍弱的一環，尤其是以諸如處理器、芯片等支撐AI基數的核心能力方面。

技術層是決定人工智能應用功能場景落地商業與否的第一主力，囊括機器學習、深度學習、計算機視覺、自然語言處理、生物識別、語義識別等AI核心技術相關算法和技術平臺。

從當下大環境出發，中國人工智能企業多集中在應用層面上，以具體場景為基準，以AI賦能各大垂直產業，如智能駕駛、智能醫療、智能金融、智能教育、智能安防等，實現各個產業場景的應用功能，加速傳統產業與AI深度融合，實現智能化轉型。