2016 年3 月 AlphaGo 大戰(zhàn)李世石以來(lái)，人們對(duì)人工智能的關(guān)注度空前火熱，人工智能無(wú)疑會(huì)帶來(lái)下一代科技革命，國(guó)內(nèi)外互聯(lián)網(wǎng)巨頭 Google 、微軟、亞馬遜、百度、騰訊、阿里巴巴等在人工智能領(lǐng)域跑馬圈地，各國(guó)也將人工智能上升到國(guó)家戰(zhàn)略，企圖搶占下一代技術(shù)革命的制高點(diǎn)。

　　這一波人工智能的興起源于深度學(xué)習(xí)算法的突破，深度學(xué)習(xí)算法突破過去人工提取特征的低效率、深層模型難以訓(xùn)練的局限，大大提高了算法的性能；其次，摩爾定律揭示了計(jì)算速度和內(nèi)存容量能夠每十八個(gè)月翻一番，之前計(jì)算性能上的基礎(chǔ)障礙被逐漸克服，進(jìn)入新時(shí)期，云計(jì)算、 GPU 的使用為人工智能提供新的可能；互聯(lián)網(wǎng)、物聯(lián)網(wǎng)的普及，數(shù)據(jù)積累呈爆發(fā)式積累，為訓(xùn)練算法，實(shí)現(xiàn)人工智能提供原料。

　　一、深度學(xué)習(xí)技術(shù)使人工智能達(dá)到商用化水平

　　在深度學(xué)習(xí)出現(xiàn)之前，機(jī)器學(xué)習(xí)領(lǐng)域的主流是各種淺層學(xué)習(xí)算法。初期的人工智能研究的重點(diǎn)是以機(jī)器學(xué)習(xí)為代表的統(tǒng)計(jì)方法。機(jī)器學(xué)習(xí)是人工智能的一個(gè)分支，是目前實(shí)現(xiàn)人工智能的一個(gè)重要途徑。機(jī)器學(xué)習(xí)使機(jī)器從數(shù)據(jù)中自動(dòng)分析習(xí)得規(guī)律，再利用規(guī)律對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)。機(jī)器學(xué)習(xí)淺層算法如神經(jīng)網(wǎng)絡(luò)的反響傳播算法（ BP 算法）、支撐向量機(jī)（ SVM ）、 Boosting 、 Logistic Regression 等。這些算法的局限性在于對(duì)有限樣本和計(jì)算單元的情況下對(duì)復(fù)雜函數(shù)的表示能力有限，對(duì)復(fù)雜數(shù)據(jù)的處理受到制約。

深度學(xué)習(xí)與機(jī)器學(xué)習(xí)的關(guān)系

數(shù)據(jù)來(lái)源：公開資料整理

機(jī)器學(xué)習(xí)原理

數(shù)據(jù)來(lái)源：公開資料整理

機(jī)器學(xué)習(xí)的思路

數(shù)據(jù)來(lái)源：公開資料整理

　　傳統(tǒng)的機(jī)器學(xué)習(xí)需要人工提取特征，其思路是，從開始的通過傳感器來(lái)獲取數(shù)據(jù)，然后經(jīng)過預(yù)處理、特征提取、特征選擇、再到推理、預(yù)測(cè)或者識(shí)別，最后一部分也就是機(jī)器學(xué)習(xí)的部分。中間三部分概況起來(lái)就是特征表達(dá)，是靠人工提取特征。良好的特征表達(dá)對(duì)最終算法的準(zhǔn)確性起到了非常關(guān)鍵的作用。然而手工地選取特征既耗費(fèi)時(shí)間又不能保證選取好，深度學(xué)習(xí)徹底解決了這個(gè)問題。

　　深度學(xué)習(xí)突破人工智能算法瓶頸。2016 年，Hinton 等人提出深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，掀起了深度學(xué)習(xí)的浪潮。“深度”某種意義上是指人工神經(jīng)網(wǎng)絡(luò)的層數(shù)，旨在建立可以模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，模仿人腦的機(jī)制來(lái)解釋數(shù)據(jù)，例如，圖像、聲音和文本。在短短幾年內(nèi)，深度學(xué)習(xí)顛覆了語(yǔ)音識(shí)別、圖像分類、文本理解等眾多領(lǐng)域的算法設(shè)計(jì)思路，創(chuàng)造了一種從數(shù)據(jù)出發(fā)，經(jīng)過一個(gè)端到端最后得到結(jié)果的新模式。由于深度學(xué)習(xí)是根據(jù)提供給它的大量的實(shí)際行為（訓(xùn)練數(shù)據(jù)集）來(lái)自調(diào)整規(guī)則中的參數(shù)，進(jìn)而調(diào)整規(guī)則，因此在和訓(xùn)練數(shù)據(jù)集類似的場(chǎng)景下，可以做出一些很準(zhǔn)確的判斷。

深度學(xué)習(xí)與傳統(tǒng)計(jì)算模式的區(qū)別

數(shù)據(jù)來(lái)源：公開資料整理

　　傳統(tǒng)的提取特征的方法是通過大量的工程技術(shù)和專業(yè)領(lǐng)域知識(shí)手工設(shè)計(jì)特征提取器，因此在處理加工數(shù)據(jù)時(shí)能力有限。深度學(xué)習(xí)把原始數(shù)據(jù)通過一系列非線性變換得到更高層次、更加抽象的表達(dá)，其復(fù)雜的結(jié)構(gòu)、海量的參數(shù)設(shè)置，能夠更好的完成特征提取。對(duì)于很多訓(xùn)練任務(wù)來(lái)說(shuō)，特征具有天然的結(jié)構(gòu)層次。以圖像識(shí)別任務(wù)為例，圖像的初始輸入為像素，相鄰像素組成線條、線條組成紋理，進(jìn)一步組圖案，圖案組成物體的局部，直到形成整個(gè)物體的樣子。

　　以計(jì)算機(jī)視覺為例，深度學(xué)習(xí)出現(xiàn)之前，基于尋找合適的特征來(lái)讓機(jī)器辨識(shí)物體狀態(tài)的方式幾乎代表了計(jì)算機(jī)視覺的全部。盡管對(duì)多層神經(jīng)網(wǎng)絡(luò)的探索已經(jīng)存在，然而實(shí)踐效果并不好。深度學(xué)習(xí)出現(xiàn)之后，計(jì)算機(jī)視覺的主要識(shí)別方式發(fā)生重大轉(zhuǎn)變，自學(xué)習(xí)狀態(tài)成為視覺識(shí)別主流。即，機(jī)器從海量數(shù)據(jù)庫(kù)里自行歸納物體特征，然后按照該特征規(guī)律識(shí)別物體。圖像識(shí)別的精準(zhǔn)度也得到極大的提升，從 70%+ 提升到 95% 。

深度學(xué)習(xí)對(duì)圖像識(shí)別的提升

數(shù)據(jù)來(lái)源：公開資料整理

　　二、運(yùn)算力和數(shù)據(jù)量為人工智能提供引擎

　　深度學(xué)習(xí)對(duì)于運(yùn)算速度和數(shù)據(jù)量提供了新要求。例如斯坦福大學(xué)的交通指示牌識(shí)別實(shí)驗(yàn)，用傳統(tǒng)的線性模型，識(shí)別準(zhǔn)確率為 92% ，所需訓(xùn)練時(shí)間為 13s ，而采用深度神經(jīng)網(wǎng)絡(luò)模型的識(shí)別準(zhǔn)確率高達(dá) 98.8% ，其所需的訓(xùn)練時(shí)間也提升到 783s 。

　　1、海量數(shù)據(jù)為人工智能發(fā)展提供燃料

　　數(shù)據(jù)量和算法可以分別比作人工智能的燃料和發(fā)動(dòng)機(jī)。數(shù)據(jù)集的豐富和大規(guī)模性對(duì)深度學(xué)習(xí)算法訓(xùn)練尤為重要。實(shí)現(xiàn)精準(zhǔn)識(shí)別的第一步，就是獲取海量而優(yōu)質(zhì)的應(yīng)用場(chǎng)景數(shù)據(jù)。以人臉識(shí)別為例，訓(xùn)練該算法模型的圖片數(shù)據(jù)量至少應(yīng)為百萬(wàn)級(jí)別。

數(shù)據(jù)在深度學(xué)習(xí)中的應(yīng)用

數(shù)據(jù)來(lái)源：公開資料整理

　　2000 年以來(lái)，得益于互聯(lián)網(wǎng)、社交媒體、移動(dòng)設(shè)備和廉價(jià)的傳感器以及物聯(lián)網(wǎng)的發(fā)展，世界上產(chǎn)生并存儲(chǔ)的數(shù)據(jù)量急劇增加，為通過深度學(xué)習(xí)的方法來(lái)訓(xùn)練各種模型。 IDC 數(shù)據(jù)顯示，從 2011 年起，全球所產(chǎn)生的數(shù)據(jù)量已達(dá)到 ZB級(jí)別（ 1ZB 約為 10 億 GB ），海量的數(shù)據(jù)為深度學(xué)習(xí)提供源源不斷的素材。而數(shù)據(jù)量對(duì)提高算法準(zhǔn)確率具有重要的作用，對(duì)于人工智能公司而言，數(shù)據(jù)是最大的壁壘。

人工智能決策過程

數(shù)據(jù)來(lái)源：公開資料整理

數(shù)據(jù)在深度學(xué)習(xí)中的應(yīng)用

數(shù)據(jù)來(lái)源：公開資料整理

　　三、資本持續(xù)投入催化產(chǎn)品化進(jìn)程與產(chǎn)業(yè)鏈的構(gòu)建

　　人工智能領(lǐng)域投資額逐年增長(zhǎng)，5 年增長(zhǎng)12 倍。從 2006 年提出深度學(xué)習(xí)之后，人工智能才有了實(shí)質(zhì)性的進(jìn)展。該領(lǐng)域的創(chuàng)業(yè)公司逐漸增加， 2011 年開始投資額度飛速增加，據(jù)統(tǒng)計(jì)，截止到 2016 年 Q2 ，全球人工智能公司已突破 1000 家，跨越 13 個(gè)子門類，融資金額高達(dá) 48 億美元。

AI 行業(yè)全球投資額

數(shù)據(jù)來(lái)源：公開資料整理

2000-2015 年成立的人工智能公司數(shù)量

數(shù)據(jù)來(lái)源：公開資料整理

　　深度學(xué)習(xí)、自然語(yǔ)言處理和計(jì)算機(jī)視覺是創(chuàng)業(yè)最火熱的領(lǐng)域。 深度學(xué)習(xí)、自然語(yǔ)言處理和計(jì)算機(jī)視覺是創(chuàng)業(yè)最火熱的領(lǐng)域。目前受到關(guān)注度最高的 AI 應(yīng)用有自然語(yǔ)言處理、圖像識(shí)別的深度學(xué)習(xí)、計(jì)算機(jī)視覺、自動(dòng)駕駛、聊天機(jī)器人等。其中研究深度學(xué)習(xí)應(yīng)用的公司最多，自然語(yǔ)言處理和計(jì)算機(jī)視覺的公司其次。同時(shí)，深度學(xué)習(xí)和自然語(yǔ)言處理獲得的融資額也是最多的。應(yīng)用型的深度學(xué)習(xí)公司融資額最高為 2.1 億美元，自然語(yǔ)言處理類的公司總?cè)谫Y額為 7000 萬(wàn)美元，位居第二位。

AI公司融資額及相應(yīng)公司數(shù)量

數(shù)據(jù)來(lái)源：公開資料整理

　　國(guó)內(nèi)獲投最多領(lǐng)域?yàn)镹LP 、機(jī)器人和計(jì)算機(jī)視覺。從 1996 年至今，國(guó)內(nèi)至今仍在運(yùn)營(yíng)的人工智能公司有 366 家。通過數(shù)據(jù)分析可 以看出，計(jì)算機(jī)視覺、機(jī)器人、自然語(yǔ)言處理是創(chuàng)業(yè)最熱門的領(lǐng)域。 2015-2016 年人工智能領(lǐng)域獲投金額在 90 億人民幣左右�？梢钥闯觯�獲投最多的細(xì)分領(lǐng)域有自然語(yǔ)言處理、機(jī)器人、計(jì)算機(jī)視覺，均在 10 億以上人民幣的級(jí)別。

國(guó)內(nèi)各領(lǐng)域人工智能公司數(shù)量

數(shù)據(jù)來(lái)源：公開資料整理

國(guó)內(nèi)人工智能公司獲投金額

數(shù)據(jù)來(lái)源：公開資料整理