一、科技巨頭紛紛布局人工智能領域

　　巨頭通過持續收購儲備人才和技術來增加人工智能的本錢。谷歌 2014 年收購 DeepMind，其與 Google X 和谷歌人工智能實驗室（Tensor Flow）共鑄谷歌人工智能傳奇，DeepMind 亦因 AlphaGo 大戰而李世石而聞名于世。微軟全球七大研究院，研究覆蓋人工智能、深度學習等。IBM 建立 12 大研究院，1997 年戰勝國際象棋冠軍的“深藍”亦出自 IBM 之手。此外，國外巨頭如 Facebook，國內巨頭如 BAT 等，亦成立研究院布局人工智能。兼并收購方面，近年來，蘋果、谷歌、因特爾、微軟、Facebook 等科技巨頭在人工智能領域累計進行了數十次兼并收購。蘋果在 AI 領域的并購更是多達每年 20-30 起。

五大科技巨頭（亞馬遜、IBM、微軟、Alphabet、Facebook）將聯合制定人工智能道德標準

　　二、海外科技巨頭主導基礎層和技術層，國內企業將在應用層充分變現

　　人工智能產業鏈三層結構：基礎層，技術層，應用層�；�礎層以硬件為核心，專業化、加速化的運算速度是關鍵。技術層專注通用平臺，算法、模型為關鍵，開源化是趨勢。應用層與產業場景的深度融合是發展方向，主流場景包括棋盤游戲、私人助理、無人駕駛、語音理解、圖片識別、實時翻譯等。判斷海外科技巨頭將主導 基礎層和技術層的發展，而國內企業在應用層將獲得更佳的變現機會。

人工智能產業鏈：基礎層，技術層，應用層

　　三、基礎層：重金投入硬件，提升運算速度

　　類比比特幣挖礦芯片的發展規律（CPU 、GPU 、FPGA 、ASIC ），認為 AI 專用芯片最終也會由GPU走向 ASIC 時代。2009 年比特幣的創始人中本聰用他的電腦 CPU 挖出第一個創世區塊，挖礦速度約為 20-40MH/s。2010 年 GPU 挖礦系統發布，挖掘速度可達300-400MH/s，但其問題在于功耗過大，在普通家庭不適合大規模部署。2011 年末，基于FPGA 芯片的挖礦設備出現，一個 FPGA 芯片的挖礦速度約為 200MH/s，功耗降低為 GPU的 1/40，但 FPGA 昂貴的價格使得它只能成為少數人的玩物。2013 年，全球首臺基于 ASIC芯片的 Avalon 礦機量產，由于其專用性，可實現低功耗高速度，并且大規模生產的成本也低于 FPGA，ASIC 挖礦時代從此開始。

比特幣挖礦經歷了 CPU、GPU、FPGA、ASIC 四個階段

CPU、GPU、FPGA、ASIC 用于比特幣挖礦的速度和功耗

　　GPU（圖形處理器）眾核同步并行運算，適于智能汽車深度學習。決定計算速度的一個重要因素是 ALU的數量。CPU 架構中的大部分被 Cache 和控制電路占據，僅有幾個 ALU 單元，因而 CPU 更擅長復雜的邏輯控制，計算能力只是 CPU 很小的一部分。而 GPU 則包括數以千計的更小、更高效的核心，因此常被稱為“眾核”；GPU 只有非常簡單的控制邏輯并省去了 Cache，適合把同樣的指令GPU （圖形處理器）眾核同步并行運算，適于智能汽車深度學習。決定計算速度的一個重要因素是 ALU的數量。CPU 架構中的大部分被 Cache 和控制電路占據，僅有幾個 ALU 單元，因而 CPU 更擅長復雜的邏輯控制，計算能力只是 CPU 很小的一部分。而 GPU 則包括數以千計的更小、更高效的核心，因此常被稱為“眾核”；GPU 只有非常簡單的控制邏輯并省去了 Cache，適合把同樣的指令流并行發送到眾核上，進行海量數據的快速處理。事實證明，在浮點運算、并行計算等部分計算方面，GPU 可以提供數十倍乃至于上百倍于 CPU 的性能。隨著智能汽車的深度學習方案受到關注，GPU 或將迎來爆發式高增長。

CPU 與 GPU 的架構對比

　　硬件加速：FPGA利用硬件運算，具有顯著速度優勢。FPGA 內部包含大量重復的 IOB、CLB和布線信道等基本單元。FPGA 在出廠時是“萬能芯片”，用戶可根據自身需求，用硬件描述語言（HDL）對 FPGA 的硬件電路進行設計；每完成一次燒錄，FPGA 內部的硬件電路就有了確定的連接方式，具有了一定的功能；輸入的數據只需要依次經過各個門電路，就可以得到輸出結果。換言之，FPGA 的輸入到輸出之間并沒有計算過程，只是通過燒錄好的硬件電路完成信號的傳輸，因此運行速度非常高，可達 CPU 的 40 倍。而正是因為FPGA 的這種工作模式，決定了需要預先布置大量門陣列以滿足用戶的設計需求，因此有“以面積換速度”的說法：使用大量的門電路陣列，消耗更多的 FPGA 內核資源，用來提升整個系統的運行速度。

FPGA 架構

　　專用加速：ASIC （專用集成電路）是針對專門應用而設計的集成電路，是針對特定工。作負載時速度最快且執行效率最高的處理方案。與通用集成電路相比，ASIC 具有體積更小、功耗更低、性能提高、保密性增強、成本低等優點。ASIC 可分為三類：1）全定制 ASIC，各層掩膜都是按特定電路功能專門制造的；2）半定制 ASIC，單元電路是用預制的門陣做成的，芯片的金屬連線是按電路功能專門設計制造的，即掩膜可編程門陣；3）可編程 ASIC，單元電路、金屬連線和 I/O 引腳都是可編程的，FPGA 即可用于設計可編程 ASIC。從本上來看，全定制設計周期最長，設計費用最高，適合于批量很大或者對產品成本不計較的場合；半定制的設計成本低于全定制，但高于可編程 ASIC，適合于有較大批量的 ASIC 設計；專用加速：ASIC （專用集成電路）是針對專門應用而設計的集成電路，是針對特定工。 作負載時速度最快且執行效率最高的處理方案。與通用集成電路相比，ASIC 具有體積更小、功耗更低、性能提高、保密性增強、成本低等優點。ASIC 可分為三類：1）全定制 ASIC，各層掩膜都是按特定電路功能專門制造的；2）半定制 ASIC，單元電路是用預制的門陣做成的，芯片的金屬連線是按電路功能專門設計制造的，即掩膜可編程門陣；3）可編程 ASIC，單元電路、金屬連線和 I/O 引腳都是可編程的，FPGA 即可用于設計可編程 ASIC。從成本上來看，全定制設計周期最長，設計費用最高，適合于批量很大或者對產品成本不計較的場合；半定制的設計成本低于全定制，但高于可編程 ASIC，適合于有較大批量的 ASIC 設計；用 FPGA 設計 ASIC 的設計成本最低，但芯片價格最高，適合于小批量 ASIC 產品�，F在的大部分 ASIC 設計都是以半定制和 FPGA 形式完成的。

Xilinx 在 UltraScale 架構中加入 ASIC 技術

　　四、技術層：“開放”謀求大生態

　　類比 Android系統 ， 開源平臺或將成為人工智能重要入口。數據顯示，在截至 2016 年 2 月末的三個月內，Android 中國城市的銷售份額從去年同期的 73%增至 76.4%。在美國和歐洲五大市場（包括英國、德國、法國、意大利和西班牙），Android 的市場占比同樣遙遙領先于 iOS，這很大程度上要歸功于其開源特性。Android 系統雖然并不能直接帶來收入，卻成為谷歌把控移動互聯網的入口，谷歌借此保證了谷歌搜索、谷歌地圖等應用的龍頭地位，進而保證其廣告業務的盈利。在人工智能平臺上，谷歌或許有同樣的野心，通過將 TensorFlow 開源達到 Android系統所占有的優勢。

　　五、應用層：試水與場景融合

　　人工智能最終需要通過合適的應用場景獲得變現能力。AI 源于技術，終于場景，有變現能力的場景包括：無人駕駛汽車、智能家居、Fintech 等。AI 與產業場景的深度融合是應用層變現的關鍵，科技巨頭在該領域以試水布局為主。蘋果 AI 利用自身的手機和手表產品場景。谷歌人工智能業務繁雜，多領域遍地開花，包括 AlphaGo、無人駕駛汽車、智能手術機器人等。微軟在語言語義識別、計算機視覺等領域保持領先。IBM 最早布局人工智能，“萬能”Watson 推動多行業變革。百度推出“百度大腦”計劃，重點布局無人駕駛汽車。

蘋果 Siri 語音助手可準確理解用戶指令

Apple Watch 可智能檢測運動狀態