智能家居当下的几个误区与未来走向分析
　　智能家居是万物互联的实例化产物，也是下一轮信息技术革新的领潮之一。据调研机构Research and Markets报告显示，未来五年全球智能家居市场将以每年8%~10%速度增长，到2018年整个规模有望达到680亿美元。吸引入局者的不乏科技巨头、硬件厂商，对于那些坐拥庞大用户数量的科技公司而言，这是个令人兴奋且不可小觑的拓展空间。
　　近几年，三星、谷歌、苹果、亚马逊、微软在智能家居领域皆有涉足，而国内、小米、海尔等纷纷加入格局，同时也涌现了大量创业公司。我们发现，在行业各方摸索推进下，智能家居已经历了雏形初现、标准套用、品类选择、平台嵌入、智能深掘几个过程，尽管风口仍未到来，但整个市场已基本告别荒蛮状态。
　　● 智能家居当下的几个误区折射了其演进过程
　　智能家居市场之所以尚未形成规模，多因为巨头、厂商在产品形态各阶段的试水和浅尝辄止，重入口而轻体验所致，其实这也反映了该领域的几个演进过程。
　　误区之一：联网即智能
　　物联网首先要让设备互联，通信标准的高度碎片化是智能家居行业的痼疾。ZigBee、Z-Wave、蓝牙、Wi-Fi在智能行业早已风生水起，后来加入的EnOcean同样拾起了智能家居无线标准大旗；而由发起的AllSeen 联盟和英特尔的OIC则致力于在产业标准技术基础上定义通讯框架、共享资源并提供认证。另外像三星、Nest、ARM主导的Thread无线标准，还有苹果HomeKit平台中暗合且尚未公开的认证标准等，让原本已经足够碎片的家居协议再度添&乱&。
　　事实上，现有的通信标准特别是那些早已累进了十几年的技术协议完全足够支撑当下智能家居产品的通信需求，比如LG的SmartThinQ Hub可同时支持蓝牙、Wi-Fi和Zigbee方式连接设备，还有三星的SmartThings也内置了ZigBee和Z-Wave无线装置。而巨头厂商们频频抱团推出新标准实际上是一种标准之争的执念。
　　误区之二：APP即智能
　　这个阶段就是给产品做无谓的&加法&，认为用手机、平板控制就是智能，添加个APP应用就是智能。这种思维主要源于缺乏第三方开发者生态支持的家电与硬件厂商。
　　让移动终端成为室内的人机接口，借助规模庞大的APP生态来构筑软件操控能力使设备显得更&智能化&似乎是移动互联时代发展智能家居的一条捷径，也受到了许多初创公司的欢迎。然而他们忽略的是，软件提供的体验始终有限，比如信息推送、简单的脚本/宏操控等等，结果就是造成了更加破碎的场景、更加复杂的操作，用户对家居设备的体验显得智能不足，反而平添了冗余的步骤。
　　误区之三：平台即智能
　　该方向的潜在垄断者基本就是苹果和微软，即拥有操作系统级核心竞争价值的科技巨头。苹果的HomeKit平台本身不自产搭载新品，而是授权第三方厂商生产符合苹果兼容和安全标准的智能家居设备，这些产品可通过iPhone、iPad、Apple Watch来控制灯具、室温器、窗帘、风扇等家用设施，苹果在自家iOS系统中加入Home应用提供环境接口。微软的做法则有赖于其&一个Windows&战略，即泛平台化操作系统Windows 10，例如LG近期发布了运行Win10系统配有触控屏的智能冰箱 Signature。
　　平台战略的好处是构建一个封闭、标准统一的智能家居生态，但是巨头在其中倾斜的战略资源极为有限，并不能为主导硬件设计制造的厂商带来足够的利益驱动，导致双方互相观望，止步不前。
　　● 智能家居的未来：人工智能是下一个演进方向
　　亚马逊Echo推出后一时间独领风骚，微软、苹果、谷歌的反应是被捷足先登了，而厂商的感受则是原来智能家居还可以这么做。不论如何，人工智能作为下一个入口级平台已成功登陆智能家居市场。随后，苹果的Siri植入HomeKit，谷歌的Google Home登台亮相，微软的Cortana进入海尔的优家系统，AI成了智能家居下一个扎堆演进的必由之路。
　　AI在智能家居领域集成了中枢控制中心与人机接口的角色，其相当于用户住宅里的私人语音助手，通过下达语音指令操控各类家居终端和接收推送反馈。在交互体验上释放了用户双手，适应更多场景，与云、大数据结合则更具优越性。
　　事实上，语音交互只是AI应用的一种形式，我们已经领略了AlphaGo在围棋赛事上的表现，设想未来搭载深度学习能力的智能家居AI，会是一种怎样完美的体验？
　　综上所述，智能家居在经历了&伪需求&、&体验冗余&、&入口误区&之后，有望迈向一个更加成熟的形态，其未来机会与挑战并存，新品则更值期许。
关注电子发烧友微信
有趣有料的资讯及技术干货
下载发烧友APP
打造属于您的人脉电子圈
关注发烧友课堂
锁定最新课程活动及技术直播
根据Gartner公司的数据，在2017年全球出货量下降3%后，预计2018年全球PC，平板电脑和手...
长久以来避而不提的隐私和安全问题，也因此被摆上台面，现在正是算法学会法律和道德发展的关键时刻。掌握大...
无人驾驶这一概念成为当下风口，汽车厂商和科技企业纷纷布局，争夺控制权，但发展无人驾驶面临诸多挑战，涉...
4月11日下午，中国人工智能学会副理事长，IEEE Fellow、西安电子科技大学人工智能学院焦李成...
日前，紫光集团刚刚成立了“北京紫光智能汽车科技有限公司”，其中董事长正是紫光国芯新任总裁马道杰，人工...
对于那些希望在自动化交互中增加一些“个性化”的企业来说，聊天机器人是其中一种解决方法。据Gartne...
一直以来，谷歌押宝人工智能技术，并且依靠人工智能开发了众多芯片，其实对于谷歌来说人工智能的研发并没有...
微软宣布进行重大重组，Windows部门将被拆分，不再作为一个独立的事业部存在。Windows、Of...
不过，虽然吃瓜群众看得很开心，但是大部分多摩市市民还是比较清醒的，他们对这个突如其来的科幻未来感到担...
近年来，随着国内安防企业的快速发展，中国安防品牌不断向国际市场发起冲击，越来越多来自中国制造的安防品...
VR能让我们逃离现实世界，进入一个超现实世界。当我们戴上头显时，我们可以在外太空遨游、攀登一座山峰或...
近年来，随着科学技术的不断发展、生活水平的不断提高，人们对身心健康越来越重视。在电子科技领域出现了很...
人工智能产业的快速发展，资本市场大量资金涌入，促使中国人工智能领域投融资热度快速升温。2012-20...
人工智能量化交易平台DetlaGrad宣布获得众海投资数百万人民币融资。据悉，本轮融资将主要用于团队...
此次大会上，联影智能发布了跨产品线、开放的联影人工智能平台“uAI”，它将人工智能技术贯穿应用于现有...
微软在过去的几年当中多次创造了接近人类水平的人工智能进展。以今天的ImageNet作为图像识别的标准...
据美国食品和药物管理局（FDA）官方网站11日消息称，该机构首次批准利用人工智能（AI）技术的 医疗...
就在刚刚，美国FDA批准了首款使用 人工智能 检测 糖尿病 患者 视网膜病变 的医疗设备IDx-DR...
在香港亚洲博览馆2号馆，镁客网和环球资源联合主办了一场以“A Big Dive Into AI ， ...
互联网的承诺素来是连接世界，但技术的力量正缓慢而坚定的将我们需要换掉睡衣的次数降为零。未来你将永远不...
“ 人工智能 ”成为教育界的热词。在教育部日前公布的首批“新工科”研究与实践项目名单中，人工智能类入...
人工智能 的发展又到达了一个高峰期，首席信息官、顾问和学者们纷纷表示，这项技术将使得从商业、IT运营...
诞生于2015年的 “互联网＋”已经渗透到各行各业，成为推动我国数字经济增长的迅猛力量。一副互联网＋...
LifeSmart”超级碗“智能遥控，颠覆了人们对传统遥控器的想象。”超级碗“是普通电视、空调与手机...
打着智能旗号推出空气净化器产品越来越多，而简单的除雾霾，在手机上显示温度、湿度、空气质量等功能的智能...
人工智能时代，每个人都有一个梦想，那就是拥有一个属于自己的智能机器人。 无论是《超能陆战队》的暖男机...
十年时间内，机器人将接手 制造业 45%的工作，并削减9万亿美元的劳动力成本，使得当今社会的很大一部...
人工智能台湾 提起台湾AI产业，不管在亚洲还是世界似乎都找不到一席之地。我们对台湾AI产业的印象大概...
国内外的汽车公司、科技企业和科研机构纷纷把汽车自动驾驶技术作为未来重要的战略方向。华为在人工智能、车...
区块链被吹捧为一种新兴技术，它有可能对每个行业造成影响。区块链的分布式系统与当今使用的固有集中式操作...
腾讯公司获批承建医疗影像国家新一代人工智能开放创新平台。该平台依托腾讯开放平台的“AI加速器”和腾讯...
近日，全球估值最高的人工智能(AI)独角兽——旷视科技Face++宣布全资收购艾瑞思机器人(Ares...
作为国际非官方经济高层全方位对话的会议组织，博鳌亚洲论坛从2001年创立至今，已经从一个单纯的国际非...
其中两种技术尤其代表了移动世界的未来：人工智能（AI）和5G通信。
elmos日前宣布推出系列的“智能家居”解决方案。该家族系列包括基于热释电传感器的被动式人体传感器（...
尤其是国家政策层层推进，自上而下逐步落实，产业发展目标明确，整体上形成资金、政策、产业生态全方面支持...
本次大赛将以一个互联网应用（如CTR）为切入点，比赛协办方将提供资源（包括 AI 加速器）和数据集，...
人工智能不仅改变着企业的工作模式，而且能够增强员工的专业技能并辅助专业人士做出更精准的决策。IBM ...
为了解决影视制作行业IT基础设施高功耗问题，量子云未来在全球率先将基于Arm技术影视制作专用服务器引...
百度是“BAT”里唯一一家高调押注无人驾驶技术的公司，早在2013年百度无人驾驶项目就开始起步，直到...
日至12日，北京——近日，以“应用人工智能”为主题，英特尔与O’Reilly联合主...
人工智能，作为一项集合多学科的尖端科技，在原则上可以为任何领域解决难题：在零售业，人工智能会对顾客群...
中国电信在2016年提出转型3.0战略后，面向蜂窝通信技术的发展和生态合作体系的打造就走得非常坚决。...
近期笔者参加「2018中国人工智能安防峰会」收集到的一些行业人士的对于AI安防项目难题的探讨的观点，...
走过元年，人工智能彻彻底底地火了。而作为行业中较为成熟的领域，医疗人工智能被认为是AI最先落地的部分...
当我们把区块链和需要大量训练数据的机器学习模型结合在一起后，普通开发者能否打破科技巨头的垄断，创造出...
人工智能产业是智能产业发展的核心，是其他智能科技产品发展的基础，国内外的高科技公司以及风险投资机构纷...
为了应对日渐强烈的物联网需求，于是国际移动通信标准化组织 3GPP 决定制订一个新的蜂窝物联网。
不知不觉，4K 时代仿佛已经正式到来，越来越多的 4K 电视乃至 4K 手机出现在了人们的身边，但单...
事实上，中国VC及互联网领域过去15年，发展迅速且势不可挡。这是中国特有的现象吗？还是说这一模式可以...
同样是在年初的CES消费电子展上，这款超小体积的手环也成为了智能家居领域里非常抢眼的产品。 这款智能...
牙线我们很多人都不用，但它对于良好的口腔卫生是很重要的。而由Flosstime研发出的世界上第一个智...
即便智能手机很优秀了，但是，它们还是不够完美，特别是在智能家居领域，一旦你开始在这款智能设备中堆积一...
从根本上来说，区块链和AI一样，背后都是一整套算法，所以在算法这个层面实际上AI和区块链统一起来了，...
在 vivo 的人工智能版图上，Jovi 主打智能场景应用的特点，可以协助用户更好的管理生活和工作事...
中国医疗人工智能企业Airdoc的代表在25分钟的演讲中详细介绍了人工智能技术在医疗领域的发展及应用...
AIE助力Jovi“千人千面”需求如果说Jovi AI是一个分析用户使用环境并且去贴合用户需求的大脑...
基于人工智能和用户数据，暴风AI电视7可进行声纹识别、多轮对话、识别人物关系，根据个人喜好推荐电影、...
人工智能在经历了迅速发展之后，AI 领域的人才需求也发生调整。近日，猎聘联合 GMIC 发布了《 2...
康复机器人与工业机器人有很多不同，如同治疗师的任务与工人的任务差别很大。关于康复机器人到底能不能实现...
这是从NASA的卡西尼号飞船上拍摄的土星卫星Titan的红外图像。测量结果表明，基于能量的可用性、星...
因为我深度参与了人工智能和区块链的领域，所以我就这些流行语的含义展开了大量的对话。让我说得清楚点。将...
结合了人工智能投屏和4K超高清体验的电视果4K，定价仅228元且含1个月爱奇艺黄金VIP会员，将于4...
汽车销量还会持续上升：尽管保有量下降，但汽车销量将明显增加。传统车辆将长时间滞留在保有量中。而相比之...
MEMS让传感器小型化、智能化，MEMS传感器将在智慧工业时代大有可为。MEMS温度、湿度传感器可用...
2018第一届智慧中国峰会将于5月16日在深圳圣廷苑酒店举行。此次峰会由华强智慧网与华强智能家居国际...
AI翻译机市场想迎来爆发期，也需要经历价格战的洗礼，就看科大讯飞、网易有道、搜狗能不能拿出魄力，通过...
早在2017年5月份，吴文昊和他的团队就进入一种冲刺状态。在拿到vivo订单之后，他组织了公司三、四...
OpenAI联合创始人Ilya Sutskever说：“OpenAI在创立之初就已为建立一个强大的技...
这次腾讯翻译君将联合微信智聆（“腾讯同传”），为博鳌论坛的开幕式及部分核心论坛提供同声传译支持，包括...
通过对人脑处理信息时所采用方法的抽象总结和模拟，提出了神经网络的概念。未经处理的数据（图像，声音信息...
在国内，京东联合科大讯飞推出叮咚智能音箱，是国内最大进入智能音箱巨头，搭载科大讯飞语音技术，通过叮咚...
智能视觉在机器模仿人类感知与观察的过程中不断发展，除了识别它还要完成一系列关键任务。
芯片是人工智能的发动机。“无芯片,不AI。”清华大学微电子所所长魏少军说,芯片是实现人工智能的当然载...
他解释说，其目标在于培养内部软件工程师，使其在一至两年内熟习深度学习。而当被问及DeepScale的...
MathWorks 今日宣布 ，MATLAB 现在可通过 GPU Coder 实现与 NVIDIA ...
如果说2016年3月份AlphaGo与李世石的那场人机大战只在科技界和围棋界产生较大影响的话，那么2...
区块链作为人工智能数据湖：许多人工智能专家都把区块链看作是未来数据湖的超分类存储基础，尽管在这方面我...
在日益丰富的消费诉求和不断更迭的技术手段的影响下，线上与线下消费场景的融合已成趋势，各大电商平台在发...
智能家居和工业 4.0 产业升级中，譬如一些特殊计量领域如电表市场，需要实时记录更多的信息数据并且可...
随着物联网、云计算、无线通信等新技术的发展，智能家居得到了快速发展更大的方便了人们的生活。智能家居能...
认知计算API：应用程序编程接口（API）使开发人员可以轻松地将技术或服务集成到正在构建的应用程序或...
2013年德国政府提出的“工业4.0”战略就涵盖了人工智能。“工业4.0”战略着重在制造业等领域利用...
人工智能助手将越来越多地被作为会话平台与决策过程支持助手的关键点。AI功能将在两个方面支持虚拟助理：...
过去一年，我们和其他20多位人工智能领域专家，通过思考当前的人工智能技术以及其可能如何被坏人利用，写...
图像的形态蕴含很大的信息量，这以后会成为一个较大的信息入口，目前文字仍然是最大的信息入口，但在可视化...
空间灵活性：想要多少就有多少。需要一个空间很小的电脑，可以满足；需要一个特别大的空间例如云盘，云盘给...
UCloud实验室研发总监叶理灯谈人工智能的三要素以及云计算如何推动人工智能落地。英特尔至强可扩展处...
随着ARKit和ARCore的普及，全球支持AR框架的手机也数以亿计。就像智能手机时代，移动化的AP...
近日,华西医院泌尿外科在手术机器人的辅助下,为一名45岁罕见的多发性内分泌腺瘤综合征患者进行了肿瘤切...
供应链服务
版权所有 (C) 深圳华强聚丰电子科技有限公司
电信与信息服务业务经营许可证：粤B2-当前时代最新颖的宣传方式是什么？？_百度知道
当前时代最新颖的宣传方式是什么？？
我有更好的答案
如果把你的宣传内容做成游戏，付费加到手机预置程序里，算不算新颖呢！
采纳率：37%
建自己的微博，有自己的粉丝，设计粉丝专属用品(衣饰)等，加入要宣传的内容。成本低，又时尚，很个性。希望帮到您。
电脑弹幕和用海报平面弄成3D的形式
为您推荐：
其他类似问题
您可能关注的内容
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。华泰证券：人工智能万亿市场待挖掘 10股最受益_网易财经
华泰证券：人工智能万亿市场待挖掘 10股最受益
用微信扫码二维码
分享至好友和朋友圈
网易财经2月4日讯 继移动互联网之后，人工智能的浪潮已经开始掀起，华泰证券行业研究认为，新一轮技术革命风暴已经诞生，人工智能有望成为未来10年乃至更长时间内IT产业发展的焦点。华泰认为，人工智能将成为IT领域最重要的技术革命，目前市场关心的IT和互联网领域的几乎所有主题和热点（智能硬件、O2O、机器人、无人机、工业4.0），发展突破的关键环节都是人工智能。另一方面，国际IT巨头已经开始在人工智能领域频频发力，一方面网罗顶尖人才，一方面加大投资力度，人工智能新的春天已经到来。自然语言处理、计算机视觉、规划决策等AI细分领域近期进展显着，很多新的应用和产品已经惊艳亮相。由于技术的复杂度，未来5－10年内，专用领域的智能化是AI应用的主要方向，在更远的将来，随着技术的进一步突破，通用领域的智能化有望实现。无论是专用还是通用领域，人工智能都将围绕“基础资源支持－AI技术－AI应用”这三层基本架构形成生态圈。未来通用智能时代，进入门槛最高，护城河最宽的是底层AI资源支持的平台企业；其次是技术层中在细分领域具备核心竞争力的领先企业；门槛最低的是应用层的企业，但消费电子的产品属性也将允许差异化竞争的空间，并将引发新一轮IT设备投资周期，智能化的大潮即将来袭，万亿元的市场规模值得期待。投资标的方面，华泰将从两个维度选取人工智能产业的A股投资标的：首先是直接提供AI技术或有关设备的公司，然后是利用AI技术为不同行业提供解决方案的公司。重点推荐：科大讯飞、海康威视、软控股份、雷柏科技、中科曙光、东方网力、天泽信息、美亚柏科、拓尔思、安硕信息。（马仁敏，周焕）以下为研报全文：1．新技术革命登场，IT发展焦点将从互联网转向人工智能发轫于2007年的移动互联网浪潮已经席卷全球，极大地改变了我们的生存状态。然而，就在资本市场热切地期待移动互联网催生出更多新应用服务、更多新商业模式的时候，由技术水平不足导致的发展瓶颈已然出现。与此同时，为突破上述瓶颈，新一轮更激动人心、更值得期待的技术革命风暴已经诞生，将成为未来10年乃至更长时间内IT产业发展的焦点，将再次并更加彻底地颠覆世界。这一轮技术革命风暴，它的名字叫做“人工智能”（Artificial Intelligence，以下简称AI）。1.1&基于互联网的应用服务发展已遭遇技术瓶颈，AI将成开锁金钥匙基于PC的互联网、基于手机和平板电脑的移动互联网以及基于各种其他设备的物联网，其本质是解决了“连接”问题：连接人与人、人与物以及物与物，并且在连接的基础上创造出新的商业模式。以国内BAT三巨头为例，百度完成的是人与信息的对接，商业模式以网络广告为主；阿里解决的是人与商品的对接，电商是其商业模式；腾讯则实现了人与人的对接，依靠强大的免费社交软件吸引庞大的用户群，在此基础上利用增值业务和游戏来实现货币化。尽管互联网的普及打造了包括谷歌、亚马逊、百度、阿里、腾讯、京东等一批巨头以及数量更为庞大的中小企业，基于网络的创新应用和服务类型也多种多样，但技术瓶颈的制约已经越来越明显：生活方面需求痛点的解决、生产领域具有适应性和资源效率的智慧工厂的建立、物流体系中更加方便快捷的配送方式建设等问题，都面临智能化程度不足带来的障碍。只有人工智能才能为“万物互联”之后的应用问题提供最完美的解决方案。人工智能的价值如此重要，以至于我们可以毫不夸张地说，它将成为IT领域最重要的技术革命，目前市场关心的IT和互联网领域的几乎所有主题和热点（智能硬件、O2O、机器人、无人机、工业4.0），发展突破的关键环节都是人工智能。下面我们将通过一些例子和应用场景来更形象具体地展示上述瓶颈以及AI的重要性：1.1.1&智能冰箱还不能告诉我们做什么由于生活节奏加快人们的空闲时间大为减少，做家务的时间日益显得不足，我们需要一款聪明的冰箱，让冰箱告诉我们做什么。来自奥维咨询的《中国家用冰箱食品浪费调查报告》显示，“每个家庭平均每年发生176次食物浪费现象。70%受访者表示，造成浪费的主要原因是一次购买太多和放入冰箱后忘记。智能冰箱的出现，不仅可以自行“清理门户”，采购新鲜食品，还能统筹安排，减少食材浪费，制作个性化食谱。它会根据食材新鲜与否，把不新鲜的食材调动到距离冰箱门最近的地方，提醒主人“它该吃了”。此外，智能冰箱能对用户的膳食合理性进行分析，制作菜谱。同时提示需要补充的食材，如果与生鲜电商联网的话，可以自动选择送货上门，直接实现食物的配送发货收获自动化和智能化。2014年美菱率先推出全球首台云图像识别智能冰箱ChiQ，突破全球智能冰箱技术门槛，该冰箱具备变频功能，可以用语音搜索、自动推荐等多种方式进行食谱推荐，并实现手机的远程查看和控制。智能冰箱功能法的升级，提升用户体验和价值，背后的最大核心是自动识别技术的突破。图像识别技术通过图像采集系统得到食材图片，运用图像识别算法，转化成食品的信息列表。而通过图像识别技术，判断食材的种类是实现冰箱智能化的拐点。可见，不是用户对智能家居的需求不存在，而是现有的技术无法支撑家居的智能化，这个瓶颈无法突破，智能家居永远是纸上谈兵。那么，解决这个问题的钥匙在哪里？人工智能技术的突破：图像识别背后的底层技术就来自于人工智能的算法和应用！1.1.2 O2O尚未实现生活服务智能化试想这样一个场景，你想选择一个地方和朋友吃饭，首先你会打开一个应用，在这个过程中它会自动确定你所在的位置，然后你通过语音开始向其发出请求“我想在这附近找一家中式餐厅，下午将要与朋友一起就餐，消费价格适中。”应用根据你发出的请求及过往的生活习惯为你寻找到数十家备选方案优选列表，然后你可以根据兴趣与爱好选择直接确定方案，或者实时打开查看各家的类型、折扣、评分、环境、位置、菜品、用户评价等综合信息并进行筛选，这些信息综合在一起形成了你对某家餐厅的判断和最终的决策。这时你可以就一些问题与餐厅的服务人员进行实时的沟通，然后交付押金轻松的进行预订。预订好了餐厅之后，通过语音控制，你可以将信息转发给朋友。当你到了该出发赴约的时候，这个应用开始提醒你，并可以选择是否开启地图语音导航模式，为你提供位置和路线服务。从本质上说，消费者和商户存在各自信息获取不对称的问题，而O2O在于把服务业互联网化，将商户与消费者之间连接的更好，让信息不对称的问题都能解决，这不仅能够帮助商户，也能够帮助消费者。消费者对O2O的最大诉求主要是在前端信息的检索和获取，而商家的目的在于持续获取消费者，这主要通过前端提供消费者信息影响其购买决策，并通过后期客户管理增强与用户关系。互联网的O2O商业模式气势汹汹的颠覆传统行业，似乎发展到现在好像开始止步不前了。目前点评网站、地图导航、预定网站、优惠券网站等很好地满足了消费者信息获取来源，但移动搜索引擎却未能很好满足消费者检索的需求，使他们可以方便地查找餐厅以及优惠地享受服务。综合来看，未来的O2O会是一个融合线下信息聚合、语音识别、自然语言解析、搜索引擎、点评信息聚合、预订服务、地图导航、NFC、CRM、语音以及实时沟通等功能为一体的基于位置的服务平台。然而，至今仍然悬而未决的技术瓶颈是：自然语言的解析。如何通过对用户的自然语言（文本+语音）等数据，结合知识图谱，推理出用户的需求并精准的推送用户所需的本地化生活服务？这扇大门的钥匙也是在人工智能技术的突破！1.1.3 无人机尚不能自主飞行目前无人机虽然在军事和民用领域都得到了应用，但其智能化程度还远远不够，仍然需要人遥控操纵，尚未实现自主飞行。设想一下你打开家里的窗子，一架无人机恰巧停在窗外，你从无人机上取下自己购买的物品，然后拿出手机确认收到，无人机才缓缓飞走，去寻找下一个客户。或者，下午你要去某咖啡馆与客户交流，恰巧有一个快递要送来。你提前通知快递公司，让无人机指挥中心更改送货路线，通知无人机将快递送到咖啡馆。物流体系使用无人机取代人工，实现货物派送的设想一旦实现，将大大提高配送效率，减少人力、运力成本，可以说承载了人们对于未来物流的梦想。但这一梦想如果要得以实现，必须要使无人机具备感知和规划的智能。低空以及在建筑物内部飞行会遭遇很多的障碍物，即使预先设定飞行线路，也无法避免临时出现的障碍（比如写字楼里突然关上的门），这就需要无人机具备视觉功能、不确定性环境下的路线规划以及行动能力。此外，为保证准确投递，无人机或许还要具备人脸识别的能力，可以通过预先发送的照片识别出收货人。这些感知、规划和行动能力都属于人工智能技术。1.1.4 智能化是工业4.0之魂第一次工业革命是随着蒸汽机驱动的机械制造设备的出现；第二次工业革命是基于劳动分工的，电力驱动的大规模生产；第三次工业革命是用电子和IT技术实现制造流程的进一步自动化；而如今，第四次工业革命正在来临！“工业4.0”，是一个德国政府提出的高科技战略计划。这个概念包含了由集中式控制向分散式增强型控制的基本模式转变，目标是建立一个高度灵活的个性化和数字化的产品与服务的生产模式。在这种模式中，传统的行业界限将消失，并会产生各种新的活动领域和合作形式。创造新价值的过程正在发生改变，产业链分工将被重组。德国学术界和产业界认为，“工业4.0”概念即是以“智能制造”为主导的第四次工业革命，或革命性的生产方法。该战略旨在通过充分利用信息通讯技术和网络空间虚拟系统—信息物理系统（Cyber-Physical System）&相结合的手段，将制造业向智能化转型。“工业4.0”项目主要分为三大主题，一是“智能工厂”，重点研究智能化生产系统及过程，以及网络化分布式生产设施的实现；二是“智能生产”，主要涉及整个企业的生产物流管理、人机互动以及3D技术在工业生产过程中的应用等。该计划将特别注重吸引中小企业参与，力图使中小企业成为新一代智能化生产技术的使用者和受益者，同时也成为先进工业生产技术的创造者和供应者；三是“智能物流”，主要通过互联网整合物流资源，充分发挥现有物流资源供应方的效率，而需求方则能够快速获得服务匹配，得到物流支持。在工业4.0时代，虚拟全球将与现实全球相融合。通过计算、自主控制和联网，人、机器和信息能够互相联接，融为一体。未来制造业将实现更高的工程效率、更短的上市时间以及生产灵活性。从以上的描述中不难看出，工业4.0对智能化的要求涵盖更广，涉及机器感知、规划、决策以及人机交互等方面，而这些领域都是人工智能技术的重点研究方向。2．人工智能技术“奇点”到来在宇宙大爆炸理论中，“奇点”是指由爆炸而形成宇宙的那一点，即宇宙从无到有的起点。而在美国著名科学家雷·库兹韦尔（Ray ·Kurzweil：发明了盲人阅读机、音乐合成器和语音识别系统；获9项名誉博士学位，2次总统荣誉奖；著有畅销作品《奇点临近》，现任奇点大学校长）的理论中，“奇点”是指电脑智能与人脑智能相互融合的那个美妙时刻。我们认为，这个美妙时刻正在到来。2.1 什么是人工智能：从“smart”到“intelligent”目前市场上所谓“智能”的设备或概念很多，从智能手机到智能家居等，但这些“智能”实际上是“smart”的含义，即灵巧；真正意义上的智能应该是“intelligent”的含义。“人工智能”一词最初是在1956年达特茅斯学会上提出的。从学科定义上来说，人工智能（ArtificialIntelligence）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能的概念和定义有多种，下图中沿两个维度排列了AI的8种定义。顶部的定义关注思维过程和推理，而底部的定义强调行为。左侧的定义根据与人类表现的逼真度来衡量成功与否，而右侧的定义依靠一个称为“合理性”（Rationality）的理想的表现量来衡量。如果从比较容易理解的角度来概括的话，人工智能是指计算机系统具备的能力，该能力可以履行原本只有依靠人类智慧才能完成的复杂任务。人工智能的应用领域主要包含以下几个方面的内容：自然语言处理（包括语音和语义识别、自动翻译）计算机视觉（图像识别）知识表示自动推理（包括规划和决策）机器学习机器人学2.2人脑的精密结构难以复制，人工智能技术曾一度受阻2.2.1 超大规模并行结构使得人脑功能强劲人类的大脑中有数百至上千亿个神经细胞（神经元），而且每个神经元都通过成千上万个“突触”与其他神经元相连，形成超级庞大和复杂的神经元网络，以分布和并发的方式传导信号，相当于超大规模的并行计算（Parallel Computing）。因此尽管单个神经元传导信号的速度很慢（每秒百米的级别，远低于计算机的CPU），但这种超大规模的并行计算结构仍然使得人脑远超计算机，成为世界上到目前为止最强大的信息处理系统。2.2.2 计算机的传统结构制约人工智能的发展美籍匈牙利科学家冯·诺依曼（John Von· Neumann）是数字计算机之父，首先提出了计算机体系结构的设想，目前世界上绝大多数计算机都采取此种结构，它也被称之为冯·诺依曼体系结构。简单来说，冯·诺依曼体系结构的基本特征有以下几点：1、采用存储程序方式，指令和数据不加区别混合存储在同一个存储器中，指令和数据都可以送到运算器进行运算，即由指令组成的程序是可以修改的。2、存储器是按地址访问的线性编址的一维结构，每个单元的位数是固定的。3、指令由操作码和地址组成。操作码指明本指令的操作类型，地址码指明操作数和地址。操作数本身无数据类型的标志，它的数据类型由操作码确定。4、通过执行指令直接发出控制信号控制计算机的操作。指令在存储器中按其执行顺序存放，由指令计数器指明要执行的指令所在的单元地址。指令计数器只有一个，一般按顺序递增，但执行顺序可按运算结果或当时的外界条件而改变。5、以运算器为中心，I/O设备与存储器间的数据传送都要经过运算器。6、数据以二进制表示。冯·诺依曼体系结构的最大特点是“共享数据，串行执行”的一维计算模型。按照这种结构，指令和数据存放在共享的存储器中内，CPU从中取出指令和数据进行相应的运算。由于存储器存取速度远低于CPU运算速度，而且每一时刻只能访问存储器的一个单元，从而使计算机的运算速度受到很大限制，CPU与共享存储器间的数据交换造成了影响高速计算和系统性能的“瓶颈”。在冯·诺依曼机结构中，指令的执行次序受计数器的控制。CPU根据计数器指出的存储器地址访问相应的单元，指令计数器值增1指向下一条指令，因而指令是串行执行的。这种计算方式称为“控制驱动”，就是说由指令控制器控制指令执行的次序和时机，当它指向某条指令时才驱动该指令的执行。在实际程序中虽然可能存在大量的可以并行执行的指令，但是冯·诺依曼体系结构却难以支持这些指令的并行执行。这就从根本上限制了计算机性能的提高。人工智能对计算机性能的要求很高，尤其是在非数值处理应用领域。冯·诺依曼体系的串行结构和人脑庞大复杂的并行结构相去甚远，使得现有计算机系统难以迅速有效地处理复杂的感知、推理、决策等问题。硬件体系能力的不足加上发展道路上曾经出现偏差（希望直接在通用型的人工智能方面取得突破），以及算法的缺陷，使得人工智能技术的发展在上世纪80年代末到90年代曾经一度低迷。2.3 四大催化剂齐备，人工智能发展迎来转折点近几年来，随着技术的进步，人工智能的发展出现了显著的复苏趋势。我们认为，下述4个方面的原因带来了人工智能发展的向上拐点：2.3.1 云计算使成本低廉的大规模并行计算得以实现上文中提到，冯·诺依曼体系的串行结构使得计算机无法满足人工智能对硬件的要求，而近年来云计算的出现至少部分解决了这个问题。从概念上讲，可把云计算看成是“存储云+计算云”的有机结合，即“云计算=存储云+计算云”。存储云的基础技术是分布存储，而计算云的基础技术正是并行计算：将大型的计算任务拆分，然后再派发到云中的各个节点进行分布式的计算，最终再将结果收集后统一处理。大规模并行计算能力的实现使得人工智能往前迈进了一大步。云计算的实质是一种基础架构管理的方法论，是把大量的计算资源组成IT资源池，用于动态创建高度虚拟化的资源供用户使用。在云计算环境下，所有的计算资源都能够动态地从硬件基础架构上增减，以适应工作任务的需求。云计算基础架构的本质是通过整合、共享和动态的硬件设备供应来实现IT投资的利用率最大化，这就使得使用云计算的单位成本大大降低，非常有利于人工智能的商业化运营。值得特别指出的是，近来基于GPU（图形处理器）的云计算异军突起，以远超CPU的并行计算能力获得业界瞩目。CPU和GPU架构差异很大，CPU功能模块很多，能适应复杂运算环境；GPU构成则相对简单，目前流处理器和显存控制器占据了绝大部分晶体管。CPU中大部分晶体管主要用于构建控制电路（比如分支预测等）和高速缓冲存储器（Cache），只有少部分的晶体管来完成实际的运算工作；而GPU的控制相对简单，而且对Cache的需求小，所以大部分晶体管可以组成各类专用电路、多条流水线，使得GPU的计算速度有了突破性的飞跃，拥有了惊人的处理浮点运算的能力。现在CPU的技术进步正在慢于摩尔定律，而GPU的运行速度已超过摩尔定律，每6个月其性能加倍。CPU的架构是有利于X86指令集的串行架构，从设计思路上适合尽可能快的完成一个任务；对于GPU来说，它最初的任务是在屏幕上合成显示数百万个像素的图像——也就是同时拥有几百万个任务需要并行处理，因此GPU被设计成可并行处理很多任务，天然具备了执行大规模并行计算的优势。现在不仅谷歌、Netflix用GPU来搭建人工智能的神经网络，Facebook、Amazon、Salesforce都拥有了基于GPU的云计算能力，国内的科大讯飞也采用了GPU集群支持自己的语音识别技术。GPU的这一优势被发现后，迅速承载起比之前的图形处理更重要的使命：被用于人工智能的神经网络，使得神经网络能容纳上亿个节点间的连接。传统的CPU集群需要数周才能计算出拥有1亿节点的神经网的级联可能性，而一个GPU集群在一天内就可完成同一任务，效率得到了极大的提升。另外，GPU随着大规模生产带来了价格下降，使其更能得到广泛的商业化应用。2.3.2 大数据训练可以有效提高人工智能水平机器学习是人工智能的核心和基础，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。该领域的顶级专家Alpaydin先生如此定义：“机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。”过去机器学习的研究重点一直放在算法的改进上，但最近的研究表明，采用更大容量数据集进行训练带来的人工智能提升超过选用算法带来的提升。举两个实例说明：1、在语义识别方面，一个普通算法使用1亿个单词的未标注训练数据，会好过最有名的算法使用100万个单词；2、将照片中的马赛克区域用与背景相匹配的某些东西来填补，从一组照片中搜索填补物的话，如果只用1万张照片，则效果很差，如果照片数量增加到200万张是，同样的算法会表现出极好的性能。我们已经进入到大数据时代，来自全球的海量数据为人工智能的发展提供了良好的条件。根据IDC的监测统计，2011年全球数据总量已经达到1.8ZB（1ZB等于1万亿GB，1.8ZB也就相当于18亿个1TB的移动硬盘，人均200 GB, 这些信息的量相当于可以填充572亿个32GB的iPad），而这个数值还在以每两年翻一番的速度增长，预计到2020年全球将总共拥有35ZB的数据量，增长近20倍。美国互联网数据中心指出，互联网上的数据每年将增长50%，而世界上90%以上的数据是最近几年才产生的。此外，数据又并非单纯指人们在互联网上发布的信息，全世界的工业设备、汽车、电表上有着无数的数码传感器，随时测量和传递着有关位置、运动、震动、温度、湿度乃至空气中化学物质的变化，也产生了海量的数据信息。因此除了互联网，大数据的爆发很大程度上的还来自于传感器技术和产品的突飞猛进。人类在制造数据和搜集数据的量级和速度上将呈现几何级数的爆发式增长！未来，随着互联网应用的进一步扩展以及传感器不断融入人类生活工作的方方面面，数据产生、搜集的速度和量级将不断加速，人工智能的进化速度也将加快。2.3.3 “深度学习”技术的出现“深度学习”是机器学习研究中的一个新的领域，它模拟人类大脑神经网络的工作原理，将输出的信号通过多层处理，将底层特征抽象为高层类别，它的目标是更有效率、更精确地处理信息。深度学习自2006年由Geoffrey Hinton教授和他的两个学生被提出后，使得机器学习有了突破性的进展，极大地推动了人工智能水平的提升。2013 年，《麻省理工技术评论》把它列入年度十大技术突破之一。人脑具有一个深度结构，认知过程是逐步进行，逐层抽象的，能够层次化地组织思想和概念。深度学习之所以有如此大的作用，正是因为它较好地模拟了人脑这种“分层”和“抽象”的认知和思考方式。深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。因此，“深度模型”是手段，“特征学习”是目的。区别于传统的浅层学习，深度学习的不同在于：1）强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；2）明确突出了特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据的丰富内在信息。深度学习使得人工智能在几个主要领域都获得了突破性进展：在语音识别领域，深度学习用深层模型替换声学模型中的混合高斯模型（Gaussian Mixture Model, GMM），获得了相对30%左右的错误率降低；在图像识别领域，通过构造深度卷积神经网络（CNN），将Top5错误率由26%大幅降低至15%，又通过加大加深网络结构，进一步降低到11%；在自然语言处理领域，深度学习基本获得了与其他方法水平相当的结果，但可以免去繁琐的特征提取步骤。可以说到目前为止，深度学习是最接近人类大脑的智能学习方法。深层模型是包含多个隐藏层的人工神经网络，多层非线性结构使其具备强大的特征表达能力和对复杂任务建模能力。训练深层模型是长期以来的难题，近年来以层次化、逐层初始化为代表的一系列方法的提出给训练深层模型带来了希望，并在多个应用领域获得了成功。深层模型的并行化框架和训练加速方法是深度学习走向实用的重要基石，已有多个针对不同深度模型的开源实现，谷歌、Facebook、百度、腾讯等公司也实现了各自的并行化框架。深度学习引爆了一场革命，将人工智能带上了一个新的台阶，将对一大批产品和服务产生深远影响。2.3.4 “人脑”芯片将从另一个方向打开人工智能的大门前面提到了现代计算机的冯·诺依曼体系结构阻碍了大规模并行计算的实现，导致人工智能发展受限。而今天人工智能发展面临突破，除了上文说的云计算、大数据、深度学习三个原因之外，另外一个方向的努力也是不容忽视的，那就是彻底改变了冯·诺依曼体系结构的“人脑”芯片。“人脑”芯片，也叫神经形态芯片，是从硬件方向对人脑物理结构的模拟。这种芯片把数字处理器当作神经元，把内存作为突触，跟传统·冯诺依曼结构不一样，它的内存、CPU和通信部件是完全集成在一起，因此信息的处理完全在本地进行。而且由于本地处理的数据量并不大，传统计算机内存与CPU之间的瓶颈不复存在了。同时神经元之间可以方便快捷地相互沟通，只要接收到其他神经元发过来的脉冲（动作电位），这些神经元就会同时做动作。2011年的时候，IBM首先推出了单核含256个神经元，256×256个突触和256个轴突的芯片TrueNorth原型，但从规模上来说，这样的单核脑容量仅相当于虫脑的水平。经过3年的努力，IBM 终于在复杂性和使用性方面取得了突破。2014年推出的最新芯片将4096个内核、100 万个神经元、2.56亿个突触集成在直径只有几厘米的方寸（是2011年原型大小的1/16）之间，而且能耗只有不到 70 毫瓦，每秒每瓦可实现460亿次神经突触操作。IBM的最终目标就是希望建立一台包含100亿个神经元和100万亿个突触的计算机—这样的计算机要比人类大脑的功都强大10倍，而功耗只有一千瓦，而且重量不到两升（我们大脑的大小）。我们认为，“人脑”芯片也许将是人工智能真正达到人类大脑水平的终极道路，但目前梦想离现实还有不小的距离。短期来看，依托云计算、大数据、深度学习的方式改善人工智能是更可行的方向。3．人工智能产业发展加速明显技术“奇点”的到来使得人工智能发展明显加速，这从产业层面能够得到有力的佐证：我们已经能够看到IT业对人工智能的投入显著加大，新型的应用或产品也不断问世。3.1 国际IT巨头频频放“大招”IT领域的国际巨头近年来在人工智能领域频频发力，一方面网罗顶尖人才，一方面加大投资力度，这也昭示着人工智能新的春天已经到来。2013年3月，谷歌以重金收购DNNresearch的方式请到了Geoffrey Hinton教授（上文提到的深度学习技术的发明者）；2013年12月，Facebook成立了人工智能实验室，聘请了卷积神经网络最负盛名的研究者、纽约大学终身教授Yann LeCun为负责人；2014年5月，有“谷歌大脑之父”美称的Andrew NG（吴恩达）加盟百度，担任首席科学家，负责百度研究院的领导工作，尤其是“百度大脑”计划。这几位人工智能领域泰斗级人物的加入，充分展示了这些互联网巨头对人工智能领域志在必得的决心。根据量化分析公司Quid的数据，自2009年以来，人工智能已经吸引了超过170亿美元的投资。仅去年一年，就有322家拥有类似人工智能技术的公司获得了超过20亿美元的投资。自2013年以来，Yahoo、Intel、Dropbox、LinkedIn、Pinterest以及Twitter也都收购了人工智能公司。过去四年间，人工智能领域的民间投资以平均每年62%的增长速率增加，这一速率预计还会持续下去。3.2新的AI应用和产品屡有惊喜自然语言处理（NLP）微软SkypeTranslator同声传译Skype Translator 是由Skype和微软机器翻译团队联合开发，整合了微软Skype语音和聊天技术、机器翻译技术、神经网络语音识别打造了一款面向消费者用户的产品，2014年5月在微软Code大会上推出。两个不同语种的人借助SkypeTranslator可实现无障碍交谈，当你说出一个完整的句子后，系统便会开始进行记录翻译，对方即可听到翻译后的句子，并可通过字幕显示在屏幕上。这个实时语音翻译系统能够识别不同用户间的不同语言不同口音的说话方式。Skype 的机器学习原型通过预览阶段的大量数据进行训练，并优化语音识别（SR）和自动化机器翻译（MT）任务，其中，语音识别和机器翻译的训练集数据主要有多个来源，包括已翻译的网页、带字幕的视频、翻译转录的一对一对话内容等。同时，Skype的翻译系统还会记录用户的对话内容，实现二次利用，以进行数据分析，加以学习。在数据进入系统之后，机器学习软件会为对话中的单词建立统计模型，当你说到某一个东西时，系统会在统计模型里寻找类似的单词，并响应之前做过的类似的翻译。实时语音翻译对用户对话的环境很敏感，稍有噪音干扰可能准确度就会降低很多。这一方面，深度神经网络有效的减少识别错误率，改善了系统的健壮性，让实时翻译能够有更大的应用范围。至于不同语言的文本翻译，Skype 利用的则是和Bing翻译一样的引擎技术：语法和统计模型的结合使用，同时为特定语言进行特殊的训练。普通的文本翻译往往要求使用规范正确的书面语言，而Skype翻译系统不仅包括Bing 翻译的引擎技术，还额外增加了一层口语化的语言业务。目前，Skype Translator还处在早期开发阶段，但这一实时语音翻译功能有可能帮助改变世界未来的交流方式。比如在线教育，2014年12月，微软正式推出了Skype Translator预览版，让来自美国和墨西哥的小学生使用各自母语就能进行语音通话。它可以识别美国小学生的英文语句并将其翻译为西班牙语，然后以文本的形式呈献给墨西哥小学生，反之亦然。微软计划将Skype Translator服务推向教育领域，如此一来全世界各地的学生都能无障碍聆听任何语言的课程，显然这对于促进全球教育进步有着非比寻常的意义。计算机视觉（CV）（1）格灵深瞳的智能视频监控系统在安防领域，摄像头已经得到大规模的使用，但监控的有效性依然面临两个严峻的挑战：1、摄像头只能起到记录功能，识别还要依靠人眼，真正能实时监控到的场景非常有限：一个像机场大小的公共场所，摄像头的数量能够达到几万台，而同一时间负责监控视频的安保人员大概只有几个人；此外，视频监控往往都采用画面轮播机制，每过一定时间自动切换屏幕上显示的监控视频画面。所以，那些真正有信息价值的画面被人看到、注意到的几率就很小。2、难以有效查询历史记录。据估计全球监控视频记录的存储已经消耗了75%的硬盘资源，以北京天安门为例，每天产生的监控视频数据，刻成光盘摞起来，甚至超过埃菲尔铁塔的高度。要在如此庞大的数据库里依靠人眼寻找某个特定画面或犯罪嫌疑人，需要动用大量的人力资源，并且效率低下。格灵深瞳是一家专注于开发计算机视觉的人工智能公司，致力于让计算机像人一样主动获取视觉信息并进行精确的实时分析。公司成立于2013年初，创始人为Google眼镜的核心团队成员，成立不久就获得真格基金和联创策源的天使投资，并于2014年6月获得红杉资本数千万美元的A轮投资。格灵深瞳通过研发三维视觉感知技术，实现对人物的精确检测、跟踪，对动作姿态（包括暴力、跌倒等危险行为）和人物运动轨迹（包括越界、逆行、徘徊等可疑轨迹）的检测和分析。在自动场景和人物检测的基础上，自动给安保人员提供预警信号，主动提醒、报告异常，保障安保人员“看得到”。同时，格灵深瞳利用感知技术抽象出人物的特征，从非时间的维度进行监测、跟踪、搜索，真正做到“找得到”。目前格灵深瞳的视频监控系统已经在对安防要求较高的银行进行应用测试。如果该技术投入大规模商业化应用，将有效改善上文提到的现有视频监控的缺陷，是人工智能改变世界迈出的非常积极的一步。（2）Face++的人脸识别云服务Face++是一个人脸识别云服务平台，通过它提供的开放服务，开发者可以低成本的在自己的产品中实现若干面部识别功能。开发者和合作方通过Face++提供的 API 接入和离线引擎就可以享受现成的人脸检测、分析和识别等服务。Face++人脸识别技术主要有以下几种基本功能：1）人脸检测：从图片中快速、准确的找到所有的或者有某些特征的脸。2）人脸分析：通过人脸，对人的性别、年龄、情绪的信息进行提取。3）人脸识别：匹配给定人脸的相似性，或者从成万上亿的人脸资料库中搜索、返回最相似的人脸索引。Face++为美图秀秀、美颜相机App提供诸如：人脸检测、人脸追踪、关键点检测技术，可精准定位人脸中需要美化的位置，实现精准自动人脸美化，但这些仅是人脸识别的初级阶段。此外在稍高级的应用阶段——搜索领域，Face++所做的人脸识别为世纪佳缘提供服务，用户可根据自己对另一半长相的需求去搜索相似外貌的用户，当然这个搜索需要在数据库中进行，可以是世纪佳缘的数据库、未来可以是社交网络上的数据库、更可以是在通用搜索引擎中。第二个是Face++与360搜索达成了合作，在360的图片搜索中使用到相关的技术。而在另一块安全领域，Face++推出了APP“云脸应用锁”，扫描一下人脸和设置一下备用密码，就可以将需要加密的应用添加到需要保护的应用程序中。这样打开加密的应用时，就要事先经过一个人脸识别的监测，才能成功打开此应用。非常适合于图片、信息、支付软件等等拥有私密信息较高的应用程序当中。知识表示、规划和决策（1）Palantir ：CIA的反恐秘密武器大数据挖掘分析公司Palantir成立于2004年，该平台把人工智能算法和强大的引擎（可以同时扫描多个数据库）整合，可以同时处理大量数据库，并允许用户通过多种方式快速浏览相关信息。其产品已被美国中情局（CIA）、联邦调查局（FBI）、海陆空三军、联邦检察官、私人调查机构及其他客户所使用。类似CIA和FBI这样的情报机构有成千上万个数据库，并记录着不同的数据，比如财务数据、DNA样本、语音资料、录像片段以及世界各地的地图。将这些数据建立联系需要数年的时间，即便统一在一起，也很难驾驭不同种类的数据，比如说如何关联销售数据和监控录像资料，而Palantir公司所做的就是开发软件使这一切变得更容易。同时，Palantir 还对各种安全问题高度敏感。Palantir引发了计算机时代的一场革命，它梳理所有可以获得的数据库，对相关信息进行确认，并他们整合起来。Palantir成立之初就获的CIA基金公司In-Q-Tel的投资，现在成为了美国情报机关在反恐战争不能缺少的工具。Palantir有效的解决了911后对情报工作提出的技术难题：如何从大量的数据中快速获取有价值的线索，可以说是CIA的反恐秘密武器。在阿富汗，美国特种部队利用Palantir来策划袭击行动。比如他们检索一个小村庄，系统里就会出现这个村庄的地图。并详细的指出所有发生过枪击冲突和土炸弹爆炸的地方，然后再判断出哪里最有可能被伏击。特种部队可以根据这些信息轻松的占领这个村子。多年来海军陆战队从炸弹碎片上收集了很多指纹和DNA样本，并于从村民那里获取的同样的数据进行配比，通常当他们分析出结果后，放置炸弹的人早就行影无踪。现在将数据上传到Palantir上，然后和发生袭击的地方获得数据进行配比，能很快得到恐怖分子的踪迹。甚至美国政府追捕本·拉登时，就是用的是Palantir的软件。Palantir公司相当低调，但非常受政府情报机关和华尔街的热捧。除了反恐，其关注重点也开始转向医疗、零售、保险和生物科技，比如利用Palantir可以侦查医疗保险诈骗以及发现病毒爆发的源头。现在，Palantir年收入已超过10亿美元，并且每年以3倍的速度增长。（2）IBM Watson：认知能力强劲的多面手Watson由90台IBM服务器、360个计算机芯片驱动组成，是一个有10台普通冰箱那么大的计算机系统。它拥有15TB内存、2880个处理器、每秒可进行80万亿次运算。IBM为沃森配置的处理器是Power 7系列处理器，这是当前RISC（精简指令集计算机）架构中最强的处理器。Watson存储了大量图书、新闻和电影剧本资料、辞海、文选和《世界图书百科全书》等数百万份资料。每当读完问题的提示后，Watson就在不到三秒钟的时间里对自己长达2亿页的料里展开搜索。Watson是基于IBM“DeepQA”（深度开放域问答系统工程）技术开发的，DeepQA技术可以读取数百万页文本数据，利用深度自然语言处理技术产生候选答案，根据诸多不同尺度评估那些问题。IBM研发团队为Watson开发的100多套算法可以在3秒内解析问题，检索数百万条信息然后再筛选还原成“答案”输出成人类语言。每一种算法都有其专门的功能。IBM公司自2006年开始研发沃森，并在2011年2月的《危险地带》（Jeopardy！）智力抢答游戏中一战成名后，其商业化应用有着清晰的脉络：2011年8月沃森开始应用于医疗领域；2012年3月，沃森则首次应用于金融领域，花旗集团成为了沃森的首位金融客户，沃森帮助花旗分析用户的需求，处理金融、经济和用户数据以及实现数字银行的个性化，并帮助金融机构找出行业专家可能忽略的风险、收益以及客户需求。美国农业银行信贷证券公司的一份研究报告中预测，Watson在2015年将为IBM带来26.5亿美元的收入。例如在医疗领域，Watson已收录了肿瘤学研究领域的42种医学期刊、临床试验的60多万条医疗证据和200万页文本资料。Watson能够在几秒之内筛选数十年癌症治疗历史中的150万份患者记录，包括病历和患者治疗结果，并为医生提供可供选择的循证治疗方案。目前癌症治疗领域排名前三的医院都在运行Watson。研究表明，医疗信息数据正以每五年翻番的高速度增长。这为将下一代认知计算系统运用于医疗行业以改善医学的教学、实践和支付模式提供了史无前例的商机。4．人工智能生态格局展望：巨头与新贵共舞4.1 人工智能将催生新一轮IT商业模式创新自从PC互联网时代以来，到移动互联网，再到智能硬件时代，技术发展和商业模式创新一直处于相辅相成的状态中，一旦技术进步的红利被商业模式创新挖掘殆尽后，面临泡沫破裂的风险，直到下一轮技术革命浪潮再来，商业模式创新才会春风吹又生。我们认为，移动互联网时代，万物互联催生出了海量的数据，触摸屏的交互方式已经满足不了用户多元化的输入方式，商业模式创新已经遭遇了技术无法支撑的瓶颈，如果人工智能技术突破，无疑将催生出新的商业模式，带来巨大的市场想象空间。现阶段移动互联网的商业模式创新已经将web2.0时代的技术红利消耗殆尽，未来新的商业模式的开发需要技术进步的支撑，人工智能是重要的技术突破点。4.2 AI产业格局成形的路径：“底层—中层—顶层”的生态圈逐步清晰人工智能发展的拐点已经到来，但需要指出的是，由于技术的复杂性，发展不会一蹴而就，必然经历一个由点到面，由专用领域（domain）到通用领域（general purpose）的历程，通用领域的人工智能实现还比较遥远。我们以计算机视觉的应用为例，正常的成年人可以很容易地识别照片或视频里的多种场景和人、物，但对于计算机来说还难以做到。原因是识别是一个特征抽取的过程，而特征抽取是建立在识别模型的基础之上的，要做到通用识别，则必须对世间万物都建立一一对应的模型，工作量极大。而即使是同一事物，由于光线、角度、距离的原因，在不同的场景里也会呈现出很大的差异，这进一步增加了建立识别模型的难度。短期内计算机的运算能力（即使是超级运算平台）还难以望人脑视觉中枢的项背，因此无法达成这一愿景。以“百度大脑”为例来说明运算能力的不足：百度几乎动用了全部的云计算能力来为其构建高性能计算资源池，投资47亿元建造云计算中心，将搭载超过300万服务器内核、存储4000PB数据，但目前“百度大脑”的智力水平也仅仅相当于2岁的婴儿。在未来5-10年之内，专用领域的定向智能化将是AI主要的应用发展方向。在更远的将来，如果人脑芯片等硬件架构能有所突破，运算能力有极大提高，则专用智能将逐步进化成为跨场景跨下游应用的通用智能。而AI的生态格局，无论是专用还是通用领域，我们认为都将围绕“底层-中层-顶层”的技术和产品架构逐渐成形。人工智能产业生态格局的三层基本架构如下：底层为基础资源支持层，由运算平台和数据工厂组成；中层为AI技术层，通过不同类型的算法建立模型，形成有效的可供应用的技术；顶层为AI应用层，利用中层输出的AI技术为用户提供智能化的服务和产品。每一层架构中，都有不同的企业参与，最终形成围绕AI技术，产品和服务的生态圈。4.2.1专用领域人工智能生态圈的格局1、基础资源支持层实现路径：运算平台+数据工厂基础资源支持层通过部署大规模GPU与CPU并行计算构成的云计算资源池（定义为超级运算平台）来解决AI所需要的超强存储和运算处理能力问题，并辅以能够抓取到汇聚了人类智慧的海量信息的大数据工厂作为数据集，为AI技术层的实现提供有利支持。超算平台负责存储与运算。人类没有记忆就没有关联，也更不用说决策与创造，而构成记忆的基础正是有极大存储能力的脑容量，那么机器要模仿人脑也必然首先要拥有庞大的存储能力，海量数据的积累最终让机器的“存储”形成类似于人类的“记忆”。百度在发展人工智能的道路上，首先做的也是不断扩大其存储能力。除了存储的绝对容量之外，运算处理能力是第二个需要提升的硬实力。运算处理能力有两个方面，第一是服务器规模，第二是特征向量大小。所谓特征向量简单理解的话就是指将文本语音图像视频等内容转化为机器能够读懂的一连串关键数据，数据越多，机器学习的就会越好，但对服务器的压力也会相应加大。百度能够仅用两年时间从10万特征向量直接飙升到200亿，足以见得百度服务器技术实力的雄厚。在这个过程中，还需要解决大规模GPU和CPU并行计算所带来的错误率提升以及散热难度加大等问题，因此，是否能够搭建超算平台成为了人工智能企业的重要进入门槛。数据工厂实现分类与关联。数据工厂会对数据进行基础性的加工，而这种加工又非常关键。从人类的记忆联想模式分析，要调取某部分的记忆，就会很自然的联想到某个词，某个画面，某个音乐等等就能记起很多事情。这是因为人类大脑的神经连接结构允许我们这样去检索，而机器是不允许的，数据存储在硬盘上，机器想要找到某个数据，必须一个个访问过去，机器没有分类的概念。如果需要机器理解用户的语言，这种搜索技术也依然要机器的大脑配合才能达到，对每一个词的定义应该是一个库，而这个库中的每一个词又都各自构成库，数据工厂所依托的搜索算法，就是在这么一个数据海洋中去为他们建立管理，然后去索引。数据工厂相当于人脑中的记忆关联过程：将某个词同时与其他词或是某个场景等等建立起动态关联的过程。因此，通过数据挖掘和搜索算法对数据工厂中的知识库和信息库进行分类与关联的技术能力同样是人工智能企业的重要进入门槛。2、AI技术层实现路径：面向特定场景的智能技术多姿多彩AI技术层的作用是基于底层提供的计算存储资源和大数据，通过机器学习建模，开发面向不同领域的应用技术，例如语音识别、语义识别和计算机视觉等。中间层的运行机制和人类的思维形成过程高度相似，是从感知到思考再到最终的决策行动甚至是创造，核心是机器学习技术的应用。首先，感知环节需要连接的是人、信息和物理世界，通过传感器，搜索引擎和人机交互来获取建模必须的数据，相当于人类的感知过程。依托于底层的高性能计算和弹性存储能力，中间层对感知到的数据进行建模运算，相当于人类的思考过程。最终，应用层利用数据拟合出的模型结果，对智能应用的服务和产品端输出指令，指挥包括机器人、无人机、3D打印等在内的各种设备响应用户需求。尽管目前由于思考层面的计算存储能力和建模能力的不足，导致人工智能还无法达到和人类相接近的“智慧”程度，但也足以支撑包括语音识别、图像识别和知识图谱在内的各种AI技术在特定场景下的应用。另外一方面，在具体的应用场景中，更为优化的算法和更为准确的背景知识库数据集等因素都有助于在不提升计算资源的前提下实现更优的结果。这就给众多专业领域的AI公司带来了巨大的市场机遇。我们看到，专用智能的商业化应用风生水起，在这个领域，巨头和新贵都处于同一起跑线上，产业格局会趋于分散，先入者优势明显。我们判断，在数据、算法、云计算资源等几个关键因素中，数据的获得以及算法的优化是先入者的护城河，能够帮助他们在专用领域的特定场景下，迅速实现AI的商业化应用，从而抢占市场。我们关注到国内市场已经出现了这样的局面：语音识别领域的科大讯飞、计算机视觉方面的格林深瞳、语义识别方面的小i机器人、人脸识别方面的face++等等细分行业龙头，都在具体应用场景的技术结果上，实现了对百度、谷歌、微软和IBM等AI巨头的超越。3、AI应用层实现路径：以Nest为代表的专用智能产品和服务风起云涌专用智能的应用水平不断提升将推进智能产品和服务的智能化程度。为了能够满足用户需求，智能产品和服务需要多种不同的AI技术支撑：（1）谷歌的无人驾驶汽车，在驾驶过程中需要计算机视觉对不同路况做出相应的决策。为了实现无人驾驶，车辆需要配置激光测距系统、车道保持系统、GPS/惯性导航系统、车轮角度编码器等设备，通过收集到的数据实时生成前方路面的三维图像，并用计算机视觉技术判断潜在的风险。毫无疑问，脱离了谷歌大脑的计算机视觉技术的支撑，谷歌无人驾驶应用就是空中楼阁。（2）再以Nest的智能温控技术为例。为了能够通过不断地观测和学习用户习惯的舒适温度来对室温进行动态调整，并节约能源，Nest安装了六个传感器，不停地对温度、湿度、环境光以及设备周边进行监控和衡量，它能判断房间中是否有人，以决定是否自动关闭调温设备。依托于强大的机器学习算法，Nest则能自己学习控制温度。在使用这款调温器的第一个星期，用户可以根据自己的喜好调节室内温度，此时Nest便会记录并学习用户的使用习惯。为了能让居室变得更舒适，Nest还会通过Wi-Fi和相关应用程序与室外的实时温度进行同步，内置的湿度传感器还能让空调和新风系统提供适宜的气流。当用户外出时，Nest的动作传感器就会通知处理器激活“外出模式”。毫无疑问，脱离了深度学习技术的支撑，Nest的智能温控是无法实现的。（3）微信朋友圈的推送广告服务。微信朋友圈的信息流（Feeds）广告推送基于自然语言解析、图像识别和数据挖掘技术，通过分析用户朋友圈语言特性，以及朋友圈图片内容，根据对用户收入和消费能力的分析来刻画用户画像，并决定投放何种广告。信息流广告与社交平台上好友发布的信息形式类似，广告本身内容将基于微信公众账号生态体系，以类似朋友圈的原创内容形式进行展现，融合在信息流中，在基于微信用户画像记性定向的同时，通过实时社交的混排算法，依托关系链进行互动传播。如果没有自然语言解析和图像识别等AI技术的支撑，微信的信息流广告推送服务的用户体验将大打折扣。通过以上三个例子，我们不难看出，智能产品和服务是否能够切中用户的痛点需求，依赖于人工智能技术在产品背后能够给予多大的支撑。当前的智能产品市场之所以出现产品热，需求冷的局面，主要的症结在于所谓的智能硬件大多是“伪智能”产品，只是把功能性电子产品加上联网和搜集数据的功能，例如以手环为代表的可穿戴设备，以智能机顶盒为代表的智能家居设备等等。我们认为，杀手级的智能产品和服务必然是建立在强大的AI技术支撑下的。AI具体应用层应该是以Nest及更为先进的智能产品和服务为代表。我们梳理了当前智能产品和服务产业链上主要参与公司，典型的战略布局分别有：（a）以海尔和美的为代表的家电企业转型智能家居方向；（b）以小米和360为代表的互联网新贵从硬件入口开始卡位；（c）以百度和谷歌为代表的互联网巨头从AI技术发力打造生态圈；（d）以海康威视和大疆创新为代表的计算机硬件制造商转型智能硬件的行业应用。4.2.2未来跨场景通用人工智能生态圈的格局1、基础资源支持层实现路径：颠覆冯·诺依曼架构人脑芯片等技术将突破计算能力极限未来的人工智能将致力于通过底层硬件架构的变革来实现。不同于现阶段底层对云计算的依赖，硬件模式将直接从芯片层面实现对人工神经网络的模拟，目标是构建一个硬件大脑。我们认为，这种突破将是下一代计算机科学的发展的重要方向。因为最近10年计算机科学更多关注的技术进步在于信息处理的标的这一层面，可以称之为“大数据”或者“数据大爆炸”时代。在不远的未来，数据大爆炸造成的结果是信息处理能力的瓶颈很快达到，因此，未来10年计算机科学的关注点将会转移到如何突破现阶段的计算能力极限，也就是颠覆冯·诺依曼的硬件架构。这个方向可能是AI在硬件设备上的一个终极解决方案，但从目前的技术成熟度上看，这条路径距离目标还有非常遥远的距离。目前已经看到的方向大致有以下三种：（1）人脑芯片。2014年8月，IBM宣布研制成功了一款大脑原型芯片TrueNorth，主攻超级计算机专业学习领域。TrueNorth微芯片由三星电子为IBM生产，使用了三星为生产智能机和其它移动设备微处理器所使用的相同制造技术。IBM就该芯片的底层设计与纽约康奈尔大学（Cornell University）纽约校区的研究人员进行了合作。自2008年以来，这一项目获得了美国五角大楼高级计划研究局的5300万美元注资。这款芯片集成了100万个神经元和2.56亿个突触，与普通蜜蜂的大脑水平相当，而人脑平均包含1000亿个神经元和难以统计数量的突触。目前，这款芯片每秒每瓦可实现460亿次神经突触操作，它能像人脑一样去探测并识别模式。简而言之，当人脑芯片发现与字母不同部分相关联的模式时，能够将这些字母关联在一起，从而识别出单词和整句，但距离可以商用的智能化程度还遥不可及。除IBM外，芯片巨头英特尔、高通等公司也拥有了被工程师称之为“神经形态”（neuromorphic）的自主芯片设计。人脑启发软件公司 Numenta创始人杰夫霍金斯（Jeff Hawkins）认为，类似TrueNorth这样的二元芯片未来将让位于能够更有效地模拟出人脑联系功能的芯片产品，找到正确的神经元结构需要经历多年的研究过程。（2）量子计算。量子计算机是一种使用量子逻辑实现通用计算的设备。普通计算机存储数据的对象是晶体管电路的状态，而量子计算用来存储数据的对象是粒子的量子状态，它使用量子算法来进行数据操作。量子计算机的优势在于强大的并行计算速度。现在的计算机毕竟是二进制的，一遇到比较复杂的建模，像准确预测天气，预测更长时间后的天气等等，就会很费力费时；而超快量子计算机就能算，算得超快。因为当许多个量子状态的原子纠缠在一起时，它们又因量子位的“叠加性”，可以同时一起展开“并行计算”，从而使其具备超高速的运算能力。2014年，谷歌公司与科学家联手研制量子级计算机处理器，目的是未来使机器人像人类一样“独立思考问题”。但达到这个未来需要多久，目前我们还无法预知。（3）仿生计算机。仿生计算机的提出是为了解决如何构建大规模人工神经网络的问题。通用的CPU/GPU处理神经网络效率低下，如谷歌大脑的1.6万个CPU运行7天才能完成猫脸的无监督学习训练。谷歌大脑实现模拟人脑的突触数量仅为100亿个，而实际的人脑突触数量超过100万亿。采用CPU/GPU的通用处理器构建数据中心，占地、散热以及耗电等都是非常严峻的问题。成本方面，这样级别的数据中心，除了谷歌、百度之外，其他互联网企业根本无力搭建。专门的神经网络处理器成为解决以上问题的钥匙。目前国内的陈云霁团队所搭建的寒武纪神经网络计算机正是基于仿生学的原理，通过寒武纪生物大爆炸中获取的线索，实现的无需访问内存，减少90%以上的片上通讯时间，并支持几乎现有主流机器学习算法的网络计算机。寒武纪神经网络计算机跟主流GPU相比，取得了21倍的性能和300倍的性能功耗比提升。2、AI技术层的实现路径：通用智能实现跨场景的终极应用在专用智能的时代，AI的技术应用是要针对不同的场景才能有效的。例如，格灵深瞳的计算机视觉技术，在安防视频监控领域可以识别出犯罪分子的异常行为举动并予以报警，但换做是商场中，格灵深瞳的三维摄像头就无法识别出客户的性别年纪等特征，并根据客户在不同柜台中逗留的时间，分析出客户可能偏好的产品并向其推荐。这两个应用场景其实都是依托于计算机视觉技术进行识别和响应的，但是专用智能时代，受到计算能力和建模能力的约束，同样的计算机视觉技术却无法解决跨场景的应用。在未来，通用智能到来后，AI技术层的普适性将极大地提升。同样一个视频监控的摄像头加上背后的计算机视觉的云平台，放在不同的场合中，就能够根据用户不同的需求进行不同的识别并做出智能化的决策行为。这种终极应用的到来，必须依赖于计算资源上突破现有的能力极限，并且在建模上超越现阶段的深度学习算法的极限，真正让AI像人类一样去观察和思考并做出行为决策。3、AI应用层实现路径：AI定义一切智能硬件未来的智能硬件应该多数是拥有一定终端计算存储和处理能力的标准化硬件配置，通过网络连接中层的AI技术，接受不同的AI应用，为用户提供各种智能化的服务。在软件时代的说法是“软件定义一切”，表达的是硬件本身是标准化的，软件赋予了硬件具体的功能和身份，从而可以灵活地利用同样的硬件来满足用户不同的需求。在人工智能时代，应该“AI定义一切”，所谓的智能硬件产品本身是标准化的硬件，通过不同的AI应用来响应用户的各种需求。同样的机器人助手，当用户逛商场的时候他会是AI导购，当用户逛公园的时候他会是AI导游，当用户办公的时候他会是AI秘书，当用户宅在家的时候他会是AI管家。那么，如果这样标准化和高性能的智能终端大范围普及，目前还需要突破的瓶颈主要在几个方面：（1）传感器技术面临的挑战。在通往通用智能的路上，强大的信息采集功能是未来的智能硬件的必备条件。移动互联时代的主要采集类型局限于文字、图像、语音、视频和LBS等，感知技术的发展是信息采集能力的瓶颈。现有传感器已经开始可以采集重力感应、压力感应等“听”和“看”以外的信息，未来感知能力的提升让智能硬件能够采集多元化的用户信息，包括一些还很不完善的用户感觉提取，如味觉、嗅觉等。以医疗应用为例，未来可穿戴设备可以和医院体检中心的设备一样，实时的采集人体的各种体征体感数据，将这些数据传送到云端，被分析后反馈给用户，如需要在饮食健康和体育锻炼上注意什么，身体有异常情况需要及时就诊和治疗。要实现这个完整的O2O闭环，在最初的信息搜集环节，必须有赖于感知技术的颠覆性创新出现。（2）高端装备与精密制造的加工能力短板。目前中国企业在构成智能制造装备或实现制造过程智能化的重要基础技术和关键零部件方面主要依赖进口，如新型传感器等感知和在线分析技术、典型控制系统与工业网络技术、高性能液压件与气动元件、高速精密轴承、大功率变频技术、特种执行机构等。机械基础件、基础制造工艺及基础材料是装备制造业赖以生存和发展的基础，其水平直接决定着重大装备和主机产品的性能、质量和可靠性。机械基础件是组成机器不可分拆的基本单元，包括：轴承、齿轮、液压件、液力元件、气动元件、密封件、链与链轮、传动联结件、紧固件、弹簧、粉末冶金零件、模具等；基础制造工艺是指机械工业生产过程中量大面广、通用性强的铸造、锻压、热处理、焊接、表面工程和切削加工及特种加工工艺；基础材料特指机械制造业所需的小批量、特种优质专用材料。这些机械基础件的加工能力不足也将成为AI所标配的智能终端的瓶颈之一。（3）成本压缩。这里的成本包括了电子元器件成本和制造加工成本两部分。在智能手机制造业，传感器等元器件的大规模应用的瓶颈在于成本和尺寸。根据智能手机行业的规律，某新型传感器如果想要做进手机中，造价不能高于1美元，而尺寸不能大于1英寸。在未来的智能硬件领域，这样的挑战仍然存在。4.3 AI产业格局的发展趋势：目前以竞争为主，未来将有更多合作4.3.1 专用智能阶段：具备先发优势的AI企业跑马圈地AI时代的产业三层架构中，理想的格局是：每一层由不同的企业完成，相互之间无缝对接地合作。但是现阶段的竞争格局是：有能力的企业都希望打通三层，实现在专用领域中的一家通吃。他们有的从上往下延伸，如苹果、海康威视、小米等智能硬件企业；有的从下往上拓展，如百度、谷歌、IBM等互联网和IT的巨头，以及科大讯飞、格灵深瞳等AI技术新贵。当前的产业格局中，大部分的企业都是跨2层甚至是3层的AI产品和服务提供者，但我们可以按照他最有优势的领域进行层级归类，如此就得到了以下的现阶段AI产业格局图。目前，国内最具代表性的具有完整定向智能三层架构的企业是百度与科大讯飞。百度大脑底层的开放云与数据工厂是基础资源支持层；基于深度学习算法对客观世界进行建模，产生计算机视觉和语音识别等定向智能应用的是AI技术层；baidu inside模式则构成了应用层，输出AI应用，笼络产品与服务的开发者加入，反过来再通过开发者接入产品与服务所获取的用户数据，来训练百度大脑提升智能化程度。科大讯飞也在2014年8月提出了“讯飞超脑”的项目，整个系统的架构与“百度大脑”高度相似，也是基于底层的超算平台和大数据分析能力，在中层通过认知计算和机器学习的处理，实现包括语音语义的识别，图像的识别以及知识表示的AI技术，通过顶层的ifly inside输出给各种智能终端，提供包括交互在内的各种AI应用服务。除了大企业，很多中小AI企业也努力打通上下层以整体解决方案的形式来提供产品和服务。所以在现阶段，我们看到格灵深瞳自己做了计算机视觉的云平台，对接自己贴牌的可实现三维视频采集的智能摄像头，形成了针对安防行业的完整三层解决方案。我们还关注到，face++通过在阿里云平台上租用计算和存储资源，结合自身的深度学习建模算法，为包括美图秀秀，世纪佳缘和360图片搜索在内的应用服务客户提供人脸识别的技术。在定向的专用智能的阶段，各家比拼的是人才储备、专用领域的数据资源、专项算法和一定的高性能计算以及弹性存储资源，这些条件都是处于各层的龙头企业力所能及的资源，所以，目前的AI产业格局更多地表现出“竞争”而非“合作”，整个行业依然处于野蛮生长的初期阶段，巨头和新贵们都在忙着跑马圈地。我们认为：在专用智能阶段，最值得投资的是已经具备先发优势的AI企业，无论他处于哪一层都可以。4.3.2 通用智能阶段：竞争性合作为主，门槛决定竞争优势在未来，AI产业链的格局会从注重“竞争”慢慢转向为“竞争性合作”，跑马圈地之后必然进入精耕细作的阶段。随着定向智能逐步向通用智能进化，AI技术对于计算资源和大数据的需求将呈几何级数的增长。这个阶段，如何突破计算能力的极限将是最关键的环节，在人脑芯片，量子计算等尖端领域拥有研发优势的企业将有能力率先向通用智能发起挑战，他们拥有的计算资源和技术优势构成基础资源支持层的护城河。另外一方面，承载社会级应用的通用智能的AI行业将成为重资产行业，实现这些功能所需要消耗的计算和数据资源将不是任何企业都可以负担的起的。那么，竞争性合作的局面会自然到来。根据我们的判断，在通用智能的时代，底层的AI基础资源支持将会是由以谷歌、百度和IBM为代表的巨头所把持；中层的技术开发产生多元化发展的局面，专注于语音、语义和图像等模式识别的公司，以及通过知识图谱和专家系统等路径开发商业智能和刻画用户数据画像等应用的公司，都会借助底层的资源发力自己的优势领域；顶层的应用则将是以生产加工标准化的硬件终端的制造企业为主，开发出不同的产品接口来对接中层的技术实现“AI定义一切”的智能硬件。我们认为：在通用智能时代，进入门槛最高，护城河最宽的是底层AI资源支持的平台企业；其次是技术层中在细分领域具备核心竞争力的领先企业；门槛最低的是应用层的企业，标准化程度越高意味着同质化竞争越激烈，但消费电子的产品属性也将允许差异化竞争的空间。5．人工智能直接应用市场空间广阔人工智能的应用将催生出万亿元级别的庞大市场。本章中我们先探讨人工智能直接应用的市场空间，下一章将探讨其对别的行业的颠覆和重塑。人工智能涉及领域众多，有些方面的开拓只处于初级阶段甚至尚未起步，因此无法做全面的分析，在此我们主要列举自然语言处理和计算机视觉这两个已有明显进展的领域的市场空间。5.1 自然语言处理（NLP）语言是人类区别其他动物的本质特性。在所有生物中，只有人类才具有语言能力。人类的多种智能都与语言有着密切的关系。人类的逻辑思维以语言为形式，人类的绝大部分知识也是以语言文字的形式记载和流传下来的。自然语言处理（Natural Language Processing，简称NLP）旨在解决计算机与人类语言之间的交互问题，这其中包括对自然语言的分析、理解、生成、检索、变换及翻译等方面。比如，从文本中提取意义，甚至从那些可读的、风格自然、语法正确的文本中自主解读出含义。实现人机间自然语言交互意味着要使计算机既能理解自然语言文本的意义，也能以自然语言文本来表达给定的意图、思想等。前者称为自然语言理解，后者称为自然语言生成。因此，自然语言处理大体包括了自然语言理解和自然语言生成两个部分。历史上对自然语言理解研究得较多，而对自然语言生成研究得较少。但这种状况近年来已有所改变。从目前的理论和技术现状看，针对一定应用，具有相当自然语言处理能力的实用系统已经出现，有些已商品化，甚至开始产业化。例如，多语种数据库和专家系统的自然语言接口、机器翻译系统、自动文摘系统等。通用的、高质量的自然语言处理系统，仍然是较长期的努力目标。根据市场研究公司Research and Markets数据统计，2013年全球自然语言处理市场规模达37.87亿美元，预计2018年将达98.58亿美元，年复合增长率21.1%。我们将自然语言处理技术分为语音识别和语义识别，分别阐述他们的市场规模。5.1.1语音识别2.0时代，改变人机交互方式语音技术是使计算机具有类似于人一样的说话和听懂人说话的能力，语音比其他的交互方式有更多的优势，成为未来最被看好的人机交互方式。2011年苹果公司开始推出语音助手Siri，掀起了语音交互的风暴，微软Cortana、Google Now、百度语音助手以及大量的独立语音助手相继面世。不少智能设备（包括智能手机、智能电视、智能家居、车联网系统）中，语音交互也已成为标配。语音识别1.0时代使用的是统计概率加人工干预技术，可以说识别精度达到了极限。现在，语音识别技术可以采用无监督式机器自动学习，其背后是GPU深度学习基础设施在支撑，不仅更准确，识别所需的运算更加快速和经济，可以大大提升实际的使用效果。2014年12月，百度首席科学家吴恩达宣布，百度已经在语音识别领域取得重大突破，百度Deep Speech在嘈杂环境中的表现好于同类技术，例如汽车内或人群中。在嘈杂的背景中进行测试的结果显示，Deep Speech的错误率比谷歌语音API、Wit.ai、微软必应语音和苹果Dictation低了10%。技术创新和突破将使语音识别进入2.0时代。语音识别技术根据其属性，基本功能可归为两大类，一类是根据人本身的声纹特征来进行身份认证，另一类是根据人发出特定的语音指令来进行命令控制。在移动互联网时代，搜索的特性之一就是无处不在的多元化的输入方式，图像、位置、语音是典型的新型搜索。语音识别技术提高语音识别率之后，可以增强用户使用意愿进而提升用户粘性，并且反过来贡献语料提升语音识别能力。Google、微软、百度等巨头已经将语音识别能力通过API开放出来，通过语音技术来取代键鼠或者触摸屏这两种最常见的交互方式，尤其是在移动、家居、汽车等特别场景之下，彻底解放我们的双手。手机用户不必按键，只需要对着手机发布命令即可；医生可以口述患者的病历，而旁边的设备就能自动记录下来；驾驶员可以“告诉”GPS他们的目的地，这一切通过口头指令来控制操作的应用已经不仅仅出现在科幻小说中了，而是真正成为了现实。国际上主要的语音技术公司：在国内，语音技术的应用起步较晚，而且由于中文具有独特的声调、大规模复杂的同音同意字和词，给技术和产品化带来了巨大的挑战，最早的科大讯飞，后续捷通华声紧步相随，再加上中科信利、云知声等传统新秀语音企业的加盟，去年开始，百度、搜狗、腾讯等由于自身业务需求应用，也通过资本收购或者自主研发进军语音市场。语音识别的应用市场基本可以包括这几个方面：桌面应用、嵌入式应用、电信级系统应用、Web应用以及特殊应用领域等。1、传统电信级信息服务市场增速稳定从国内市场来看，呼叫中心从最初的金融、电信、航空等行业，已经辐射到数十个行业，其中不仅包括服务类呼叫中心，也包括营销类呼叫中心。中国的呼叫中心产业正处于从起步阶段向成熟阶段迈进的过程中，不仅发展速度较快，业务范围也在不断延伸和升级。根据前瞻网预计，到2015年底中国呼叫中心产业累计投资规模将超过1000亿元，年复合增长率为11%左右，总坐席规模将达到96.11万个。未来3-5年，国内呼叫中心将因为企业级呼叫中心需求量的持续增长及电话营销等非服务性业务的展开而稳步增长，预计年均复合增长率13-15%。语音技术在电信领域应用相对早些，目前呼叫中心提供的自动语音服务主要由交互式语音应答系统(Interactive Voice Response)支持。客户通过按键或语音选择，向企业主机输入信息，在允许范围内访问各类企业数据库，自助得到多种服务。IVR系统应用的并不是真正意义上的语音识别技术。能够准确理解客户意图的语音识别技术在呼叫中心的应用有很大的发展空间：它一方面能够降低人工成本，另一方面可有效改善客户体验，降低差错率，节省通话时长，提高效率，将在呼叫中心中起支撑性决定作用。估计目前人工服务仍占呼叫中心业务量的50%以上，可以确定的是，对传统语音应答系统以及人工服务业务的双重替代将使语音识别技术在电信级服务市场保持快速增长。2、智能移动终端推动语音交互应用大发展自苹果发布iPhone智能手机以来，手机产业的格局发生了革命性的变化，逐步进入智能手机时代，相关产业的发展也进入了快速上升通道。2008年，全球智能手机销售量为1.39亿部，仅占全球手机销量的11.40%，到2013年，全球智能手机销售量已经达到了9.68 亿部，占全球手机销量的53.56%，相比2008 年增长近6倍，年均复合增长率为47.36%，远高于全球手机（包括功能和智能手机）总销量的增长速度。与苹果iPhone掀起智能手机的触控风潮类似，2010年苹果iPad的发布也掀起了平板电脑的热潮，平板电脑对传统PC产业，甚至是整个3C产业带来了革命性的影响。2010年全球平板电脑出货量为1700万台，同期PC出货量为3.46亿台，占比4.68%。而到了2013年，全球平板电脑出货量激增至2.171亿台，同期PC出货量为3.219亿台，占比40.27%，相比2010年增长近13倍，年均复合增长率为233.73%。智能手机和平板电脑是目前人们最常用的移动互联网终端，采用语音识别的人机交互方式，一方面较现有的触摸屏输入方式更加方便快捷；另一方面，也使得移动终端上大量的应用服务，如购物、社交、导航等能带来更好的客户体验，满足消费者的需求痛点。而4G通信时代的来临使得语音的传输速度大大提升，为语音交互的爆发提供了坚实的基础。苹果、微软和Google已经分别在各自的手机操作系统中安装了语音助手Siri、Cortana和 Google Now，而这只是语音识别技术进入移动终端领域的一个开始。3、车载语音系统将进入普适市场语音助手存在着一个巨大的市场——汽车市场。随着移动技术的不断发展，汽车智能化逐渐成为科技界关注的领域，而这其中的主角自然就是车载系统。尽管大部分汽车厂商都在车载系统的研发上投入了巨资，而目前一些中高端汽车上所配备的车载系统的功能已经相当强大，但是这些系统与移动设备的整合一直还有比较大的改进空间，毕竟对于消费者来说，肯定是越简单越好，而这也为科技企业进军车载系统提供了足够的理由，于是我们就开始在汽车领域中频频看到苹果和谷歌等科技巨头的身影。同时汽车厂商很难就车载平台达成一致的标准，消费电子企业的介入让人们重新看到了曙光。微软