自從Alphago挑戰人類成功后，AI就成為了大眾關注的焦點。目前，一些高頻、重復、長時間且低附加值的人工操作已經開始由AI來替代完成。比如安防領域的視頻圖像解析、自動駕駛，以及數據挖掘和分析等等。

不過要真正大規模應用，AI還有很長的路要走。數據、算法和算力是AI發展的三大要素，缺一不可。AI需要海量的數據進行學習，才能變得更聰明，但目前普遍各行業的數據質量仍然有待提高。

沒有數據，AI難為無米之炊

信數金服CEO徐進在接受記者采訪時指出，各個行業必須提升對數據本身的重視程度，把數據收集好、整理好、管理好。如果數據質量不夠好的話，AI也巧婦難為無米之炊。

一直以來，金融企業對數據的重視程度就非常高。這使得不少金融機構已經開始利用AI技術來完成自動化風控審核，自動化反欺詐等工作。徐進透露，通過智能建模預測，可以在極短時間之內分析幾百萬甚至上千萬的交易歷史數據，甄別交易的真實性，并且針對不斷變化的欺詐模式，每日自動訓練、自動更新反欺詐模型，欺詐交易識別準確率高達96％。

AI算法需要與應用結合

算法讓AI能模仿人類工作，來解決更多問題。不過，AI的算法從理論走向實踐，還需要與應用更為緊密的結合，在各種復雜應用場景中不斷完善。阿里云機器智能首席科學家閔萬里認為：“面對AI熱潮要冷靜，有很多事情不是光靠AI就能解決的，AI的發展需要算法、算力結合云平臺作為堅實的底座，最終走到用戶場景中去。”當前的AI算法還都比較初級，更偏向理論層面，不夠實用。

爆發的AI 算力需求也是制約人工智能發展的瓶頸之一，這需要更為成熟、完善的AI芯片來支撐。AI芯片的發展可以分為云端和終端兩大方向，在功能上可以分為訓練和推理。訓練是指通過大量的數據樣本，來讓系統知道什么是“正確的”，比如通過大量貓的圖片數據，讓系統知道什么是貓。推理是利用訓練過的模型，實時分析數據，輸出結果，比如給模型一張圖片，讓AI判斷這張圖是不是貓。

芯片跟不上，就會成為AI瓶頸

目前，AI芯片的大規模應用主要在云端，由Nvidia、英特爾兩大巨頭主導。Nvidia 在云端AI訓練芯片上占據較大的優勢，是應用最廣泛的方案， 而英特爾通過持續收購，也增強了自身的競爭力。此外，Google、Xilinx、ARM 等也都參與競爭。在終端市場，由于應用場景的細分，需要采用各種不同的芯片，則給AI芯片初創公司提供了機會。

而在國內，由于自主可控的需求，像寒武紀這樣的國產AI芯片商，或許會有更多的發展機會。

在終端方面，寒武紀提供面向嵌入式終端的處理器，提供IP授權，應用在手機，安防產品上。2017年，寒武紀1A處理器集成在了華為麒麟970上，華為mate10手機中大規模使用。

在云端服務器方面，寒武紀在2018年推出了中國首款云端人工智能芯片MLU100，能夠為智能推理提供強大的算力支撐。 MLU100把稀疏化技術用于智能芯片，達到166．4TOPS的INT8運算能力，并針對視頻處理進行了優化，提升圖像識別方面的性能。

寒武紀科技創始人兼CEO陳天石指出，MLU100不是專門的神經網絡或深度學習的專用處理器，而是具有較好的通用性，支持各類深度學習技術和AI的應用場景。未來，寒武紀AI芯片會提供更低成本、更低功耗的算力支持，數據規模變大的時候，不用擔心底層算力。

AI的概念最早在50、60年代就正式提出，之后經歷了幾次起伏，一直到神經網絡和深度學習技術的突破，讓AI再度掀起了熱潮。在繁榮的背后依然隱含著很多問題尚待解決，但全球對人工智能的需求是巨大的，相信很多行業會在這股熱潮中被改造。