2016 年3 月 AlphaGo 大戰(zhàn)李世石以來，人們對人工智能的關(guān)注度空前火熱，人工智能無疑會帶來下一代科技革命，國內(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，各國也將人工智能上升到國家戰(zhàn)略，企圖搶占下一代技術(shù)革命的制高點。

　　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，摩爾定律揭示了計算速度和內(nèi)存容量能夠每十八個月翻一番，之前計算性能上的基礎(chǔ)障礙被逐漸克服，進入新時期，云計算、 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)使人工智能達到商用化水平

　　在深度學(xué)習(xí)出現(xiàn)之前，機器學(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是以機器學(xué)習(xí)為代表的統(tǒng)計方法。機器學(xué)習(xí)是人工智能的一個分支，是目前實現(xiàn)人工智能的一個重要途徑。機器學(xué)習(xí)使機器從數(shù)據(jù)中自動分析習(xí)得規(guī)律，再利用規(guī)律對未知數(shù)據(jù)進行預(yù)測。機器學(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（ SVM ）、 Boosting 、 Logistic Regression 等。這些算法的局限性在于對有限樣本和計算單元的情況下對復(fù)雜函數(shù)的表示能力有限，對復(fù)雜數(shù)據(jù)的處理受到制約。

深度學(xué)習(xí)與機器學(xué)習(xí)的關(guān)系

數(shù)據(jù)來源：公開資料整理

機器學(xué)習(xí)原理

數(shù)據(jù)來源：公開資料整理

機器學(xué)習(xí)的思路

數(shù)據(jù)來源：公開資料整理

　　傳統(tǒng)的機器學(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)測或者識別，最后一部分也就是機器學(xué)習(xí)的部分。中間三部分概況起來就是特征表達，是靠人工提取特征。良好的特征表達對最終算法的準(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時間又不能保證選取好，深度學(xué)習(xí)徹底解決了這個問題。

　　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行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，模仿人腦的機制來解釋數(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)顛覆了語音識別、圖像分類、文本理解等眾多領(lǐng)域的算法設(shè)計思路，創(chuàng)造了一種從數(shù)據(jù)出發(fā)，經(jīng)過一個端到端最后得到結(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際行為（訓(xùn)練數(shù)據(jù)集）來自調(diào)整規(guī)則中的參數(shù)，進而調(diào)整規(guī)則，因此在和訓(xùn)練數(shù)據(jù)集類似的場景下，可以做出一些很準(zhǔn)確的判斷。

深度學(xué)習(xí)與傳統(tǒng)計算模式的區(qū)別

數(shù)據(jù)來源：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)域知識手工設(shè)計特征提取器，因此在處理加工數(shù)據(jù)時能力有限。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，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。對于很多訓(xùn)練任務(wù)來說，特征具有天然的結(jié)構(gòu)層次。以圖像識別任務(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，進一步組圖案，圖案組成物體的局部，直到形成整個物體的樣子。

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

深度學(xué)習(xí)對圖像識別的提升

數(shù)據(jù)來源：公開資料整理

　　二、運算力和數(shù)據(jù)量為人工智能提供引擎

　　深度學(xué)習(xí)對于運算速度和數(shù)據(jù)量提供了新要求。例如斯坦福大學(xué)的交通指示牌識別實驗，用傳統(tǒng)的線性模型，識別準(zhǔn)確率為 92% ，所需訓(xùn)練時間為 13s ，而采用深度神經(jīng)網(wǎng)絡(luò)模型的識別準(zhǔn)確率高達 98.8% ，其所需的訓(xùn)練時間也提升到 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)動機。數(shù)據(jù)集的豐富和大規(guī)模性對深度學(xué)習(xí)算法訓(xùn)練尤為重要。實現(xiàn)精準(zhǔn)識別的第一步，就是獲取海量而優(yōu)質(zhì)的應(yīng)用場景數(shù)據(jù)。以人臉識別為例，訓(xùn)練該算法模型的圖片數(shù)據(jù)量至少應(yīng)為百萬級別。

數(shù)據(jù)在深度學(xué)習(xí)中的應(yīng)用

數(shù)據(jù)來源：公開資料整理

　　2000 年以來，得益于互聯(lián)網(wǎng)、社交媒體、移動設(shè)備和廉價的傳感器以及物聯(lián)網(wǎng)的發(fā)展，世界上產(chǎn)生并存儲的數(shù)據(jù)量急劇增加，為通過深度學(xué)習(xí)的方法來訓(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)量已達到 ZB級別（ 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)量對提高算法準(zhǔn)確率具有重要的作用，對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)來源：公開資料整理

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

　　人工智能領(lǐng)域投資額逐年增長，5 年增長12 倍。從 2006 年提出深度學(xué)習(xí)之后，人工智能才有了實質(zhì)性的進展。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，截止到 2016 年 Q2 ，全球人工智能公司已突破 1000 家，跨越 13 個子門類，融資金額高達 48 億美元。

AI 行業(yè)全球投資額

數(shù)據(jù)來源：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)來源：公開資料整理

　　深度學(xué)習(xí)、自然語言處理和計算機視覺是創(chuàng)業(yè)最火熱的領(lǐng)域。 深度學(xué)習(xí)、自然語言處理和計算機視覺是創(chuàng)業(yè)最火熱的領(lǐng)域。目前受到關(guān)注度最高的 AI 應(yīng)用有自然語言處理、圖像識別的深度學(xué)習(xí)、計算機視覺、自動駕駛、聊天機器人等。其中研究深度學(xué)習(xí)應(yīng)用的公司最多，自然語言處理和計算機視覺的公司其次。同時，深度學(xué)習(xí)和自然語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，自然語言處理類的公司總?cè)谫Y額為 7000 萬美元，位居第二位。

AI公司融資額及相應(yīng)公司數(shù)量

數(shù)據(jù)來源：公開資料整理

　　國內(nèi)獲投最多領(lǐng)域為NLP 、機器人和計算機視覺。從 1996 年至今，國內(nèi)至今仍在運營的人工智能公司有 366 家。通過數(shù)據(jù)分析可 以看出，計算機視覺、機器人、自然語言處理是創(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。可以看出，獲投最多的細(xì)分領(lǐng)域有自然語言處理、機器人、計算機視覺，均在 10 億以上人民幣的級別。

國內(nèi)各領(lǐng)域人工智能公司數(shù)量

數(shù)據(jù)來源：公開資料整理

國內(nèi)人工智能公司獲投金額

數(shù)據(jù)來源：公開資料整理