人工智能產業鏈瞭解

   「全面化人工智能可能意味着人類的終結...」機器能夠自行啓動，而且自動對自身進行從新設計，速率也會愈來愈快。受到漫長的生物進化歷程的限制，人類沒法與之競爭，終將被取代「 

---  by史蒂芬·霍金

人早晚會用機器把本身從大量重複性的工做中解放出來，可是實現這個願望並不須要那些鼓吹的最終版本「超級智能」。

AI的業務2018年快速崛起，對其中的技術框架，產業信息須要瞭解。

 

簡介

ML（machine learning）：即機器學習，wiki定義：「計算機系統以來科學的預測和判斷模型去有效完成特定的任務，而無需藉助明確的執行指令」，屬於AI的一個分支，機器學習算法的重點在於經過「訓練數據」來實現合理的預判決策，擺脫對固定明確的執行指令的依賴。

AI（artificial intelligence）：即人工智能，wiki定義：「機器能夠經過察覺環境，採起最大成功機率的行動，去達到特定的目標」，更通俗的定義是「機器/計算機，經過對外部輸入數據的理解和學習，自適應的去解決特定的問題，表現出相似天然人的學習能力，問題分析和解決能力」。

AI不是單一的學科技術，是跨行業，跨學科的。它主要包含四大核心技術：

• 機器學習：經過大量數據訓練，作最佳決策和預測；
• 天然語言處理：人類語言和計算機可處理的形式之間的相互轉換，能夠是文字也能夠是聲音，主要有信息檢索，信息提取，語音識別，詞性標註等等；
• 圖像處理：相似人類的圖像識別功能，能夠識別圖像和多維數據，主要有圖像過濾，特徵提取等；
• 人機交互：計算機經過人機交互界面和人進行交流，好比VR，加強現實等技術；

 

技術框架及分析

顯而易見，「數據」是企業很是重要的一種資產，是後續智能賴以生存和發展的基礎。

數據相關目前有如下幾種業務：

數據採集（data acquisition），按照必定規則和訴求，收集原始數據，國內有火車頭，瑞雪採集，神箭手等採集工具，能夠經過用戶配置的規則進行數據採集，這個產業中可能會有大量的隱私數據，涉及用戶敏感信息的數據被轉手交易，在用戶徹底不知情的狀況下被使用，因此我的以爲後面數據的隱私安全也是一個方向；

數據清洗（data cleaning），從大量數據中篩選矯正，剔除那些過時的，異常的的值；

數據挖掘（data mining），經過算法實現對海量數據的分析和建模，從數據中發現規律；

數據標註（data annotation），目前來看「有多少智能，就有多少人工」，智能以來的數據輸入，須要通過標註處理。舉個例子：要想訓練一個識別可樂罐的算法，前期就須要輸入大量的，各類各樣帶有可樂罐的圖片，而且把其中可樂罐的位置標註出來，在大量數據需求面前， 這個工做量很是龐大，有很多公司專門作數據標註的業務。這個方向後面會逐漸的被自動化工具所替代。

 

數據以上，雲計算/大數據/GPU/各類IC，甚至5G等等，這類通用的技術支撐，不只在人工智能的產業鏈中扮演重要角色，在將來「萬物互聯」的環境中，都將做爲主要支撐層，已經不會是傳統意義上的「技術」，更像是一種社會不可或缺的基礎設施。因此不管是阿里仍是華爲，他們都不只僅是表面上的「淘寶天貓」和「智能手機」，更重要的是背後的飛天，盤古，HISI等這些東西。而且，「中興事件」上能夠看出，芯片級別的優點，做爲行業上游的優點，能夠對下面的集成商，開發商，構成很大的威脅。

基礎通用技術這層，不是什麼公司均可以玩的起，須要比較早的規劃和技術儲備。

這就像技術人員爲何老是往底層走，更底層不必定表明更高的收入，但更底層每每更安全。

 

再往上，就是通用的一些計算/算法框架， 通用的算法技術。

框架以TensorFlow爲例，官方解釋以下：

TensorFlow™ is an open source software library for high performance numerical computation. Its flexible architecture allows easy deployment of computation across a variety of platforms (CPUs, GPUs, TPUs), and from desktops to clusters of servers to mobile and edge devices.

框架，到通用技術，能夠理解爲一個抽象封裝層析，到另外一個更高的抽象封裝層次。

爲了應對上層紛繁的業務層快速迭代，快速集成，快速發佈貼近用戶具體場景的開發需求。

 

再上一層，也就是頂層，能夠叫作「應用層」了。

所謂的「應用」，就是「業務」，也就是「業務代碼」的那個「業務」。具體講，就是各個細分行業中不一樣的用戶需求和業務流程。主要開發工做在這個分層的公司，嚴格意義上將不能叫技術公司，更多的是業務的迭代集成和二次開發，技術深度和投入上都有侷限，通用性上也受侷限。

 

最後，收集下AI產業鏈中公司的分佈。

全球：

國內：

 

BAT佈局：