1956年的達特茅斯會議首次提出人工智能的定義：使一部機器的反應方式像一個人在行動時所依據的智能。經過超過半個世紀的發展，人工智能已經渡過了簡單地模擬人類智能的階段，發展為研究人類智能活動的規律，構建具有一定智能的人工系統或硬件，以使其能夠進行需要人的智力才能進行的工作，并對人類智能進行拓展的邊緣學科。涉及到信息論、控制論、計算機科學、自動化、仿生學、生物學、心理學、數理邏輯和哲學等自然和社會科學。本文首先簡單介紹人工智能的3大階段和行業應用，其次深度剖析人工智能最新的商業和技術趨勢，并從數據、計算能力和算法3個角度去分析人工智能的最新發展趨勢。

一、人工智能的發展階段和行業應用

人工智能的發展可以分為三個階段——計算智能、感知智能、認知智能。第一個發展階段是在計算這個環節，它使得機器能夠像人類一樣進行計算，諸如神經網絡和遺傳算法的出現，使得機器能夠更高效、快速處理海量的數據。第二個發展階段就是感知智能，讓機器能聽懂我們的語言、看懂世界萬物。語音和視覺識別就屬于這一范疇，這些技術能夠更好的輔助人類高效完成任務。第三個發展階段是認知智能，在這一階段，機器將能夠主動思考并采取行動，比如無人駕駛汽車、智能機器人，實現全面輔助甚至替代人類工作。

目前，人工智能還處于感知智能階段。語音識別和視覺識別是這一階段最為核心的技術。近年來，隨著計算處理能力的突破以及互聯網大數據的爆發，再加上深度學習算法在數據訓練上取得的進展，人工智能在感知智能上正實現巨大突破。

圖一：人工智能的三大發展階段

隨著人工智能的第三次浪潮的到來，人工智能在各大行業中的應用也越來越廣泛，下圖是Mckinsey咨詢公司調研的各大行業的人工智能應用程度和未來AI投資走向分析。從圖中可以看到，在人工智能應用領域方面，最為廣泛和領先的是汽車/組裝、金融、電信等高科技領域。其次是物流、零售、媒體等行業。目前應用最廣泛的領域也是未來3年AI投資增長最快的領域。

圖二：人工智能行業應用程度和未來投資走向分析（來源：Mckinsey咨詢公司）

二、人工智能的商業和技術發展趨勢

人工智能產業鏈根據技術層級從上到下，分為基礎層、技術層和應用層。基礎層主要包括計算能力層和數據層，技術層主要包括框架層、算法層和通用技術層。應用層主要指針對于場景應用的解決方案層。人工智能產業鏈中，基礎層是構建生態的基礎，價值最高，需要長期投入進行戰略布局；通用技術層是構建技術護城河的基礎，需要中長期進行布局；解決方案層直戳行業痛點，變現能力最強。

在人工智能平臺化的趨勢下，國內外各大公司包括互聯網巨頭，軟件公司，傳統企業，初創企業等紛紛加入到人工智能生態體系的建設中，當下人工智能競爭格局初步形成，商業模式主要分為以下5大模式（見圖三）。

模式一：生態構建者——全產業鏈生態+場景應用作為突破口。以互聯網公司為主，長期投資基礎設施和技術，同時以場景應用作為流量入口，積累應用，成為主導的應用平臺，將成為人工智能生態構建者（如Google、Amazon、Facebook、阿里云等）。

模式二：技術算法驅動者——技術層+場景應用作為突破口。以軟件公司為主，深耕算法平臺和通用技術平臺。同時以場景應用作為流量入口，逐漸建議應用平臺（如Microsoft、IBM Watson等）。

模式三：應用聚焦者——場景應用。以創業公司和傳統行業公司為主，基于場景或行業數據，開發大量細分場景應用。

模式四：垂直領域先行者——殺手級應用+逐漸構建垂直領域生態。以垂直領域先行者為主，在垂直領域依靠重量級應用（如出行場景應用、面部識別應用等）積累大量用戶和數據，并深耕該領域的通用技術和算法，成為垂直領域的顛覆者（如滴滴出行、曠視科技等）。

模式五：基礎設施提供者——從基礎設施切入，并向產業鏈下游拓展。以芯片或硬件等基礎設施公司為主，從基礎設施切入，提高技術能力，向數據、算法等產業鏈上游拓展。

圖三：人工智能競爭格局和5大商業模式（來源：阿里云研究中心）

三、人工智能的核心三要素

人工智能的核心三要素分別是：數據、算法和計算能力。數據是基礎，大數據為機器學習裝上引擎；算法是核心，將人工智能帶到全新高度；計算能力是保障，為算法的實現提供堅實的后盾。下面分別介紹三要素的現狀和發展趨勢。

數據是所有計算和應用的基礎，數據的創建位置可以分為核心、邊緣和端點。核心是指企業內部或云端的特定計算數據中心。它涵蓋所有類型的云計算，包括公共云、私有云和混合云。邊緣是指不處于核心數據中心的企業級計算機/設備。

它包括服務器機房，現場服務器。端點是指網絡邊緣的所有設備，包括PC、手機、攝像機、聯網汽車、可穿戴設備以及各種傳感器。根據咨詢公司IDC預計，到 2025 年，全世界將創建和復制 163ZB 的數據，是 2016 年所創建數據量的十倍。隨著數據量的激增，數據和信息的安全性也將大大提高，到 2025 年，需要安全保障的數據百分比將接近總體數據的90%。

算法是人工智能中的核心，人工智能、機器學習和深度學習的關系如下圖所示。機器學習是一種實現人工智能的方法。機器學習最基本的方法，是使用算法來解析數據、從中學習，然后對真實世界中的事件做出決策和預測。深度學習是一種實現機器學習的技術，是機器學習研究中的一個新的領域，其動機在于建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。深度學習與淺度學習相比，強調結構模型的深度，通常有4層以上的隱層節點。深度學習海量數據，訓練復雜度高，分類及預測精度高；淺度學習數量量小，訓練簡單，分類及預測精度低。

圖四：人工智能相關領域關系圖

計算能力是保障，為算法的實現提供堅實的后盾。一項深度學習工程的搭建，可分為訓練和推斷兩個環節：訓練環境通常需要通過大量的數據輸入，訓練出一個復雜的深度神經網絡模型。訓練過程由于涉及海量的訓練數據和復雜的深度神經網絡結構，需要的計算規模非常龐大，通常需要GPU集群訓練幾天甚至數周的時間。推斷環節指利用訓練好的模型，使用新的數據去“推斷”出各種結論。推斷環節的計算量相比訓練環節少，但仍然涉及大量的矩陣運算。在推斷環節，除了使用CPU或GPU進行運算外，FPGA以及ASIC均能發揮重大作用。根據訓練和推斷環節的數據量大小和對計算能力的需求不同，下圖列出了符合計算能力要求的各種硬件。

圖五：機器學習中訓練與推斷對計算能力和運算量的需求