头图来自视觉中国
#听取音频，了解人工智能赛道
如果时间倒回到五年前，也许没人会相信BAT垄断的互联网格局会被打破，也没人会相信中国的APP能够风靡美国，甚至成为全球最受欢迎的APP之一。一切的不可能都被一个叫做字节跳动的公司彻底打破。张一鸣用短短几年的时间，从0到1打造出两个用户数以亿计的国民产品：今日头条和抖音，把BAT这些老大哥们掀翻在地。这种在互联网爆发期都很难做到的事，竟然能在竞争如此白热化的互联网成熟期实现，简直就是中国互联网史上最大的商业奇迹。
一、人工智能的崛起
背后的逻辑是什么？肯定会有人归功于张一鸣的战略眼光，但其实即便没有张一鸣，也会有其他的创业者来扣动这个扳机，最根本的还是人工智能技术的崛起。因为有了人工智能带来的精准推荐，才让人们跳脱出了信息爆炸的束缚，找到了自己关心的“头条”，刷到每个人都停不下来。
记得听头条的朋友讲过一个故事，他们用最资深的编辑和app自身的算法推荐做pk，结果资深编辑给用户推荐内容所获取的流量远远低于算法推荐。原因很简单，即便是最资深的人工编辑，他所能了解的经验信息可能也就是几百人或者几千人的喜好，而人工智能则可以处理数以亿计的人的喜好数据。你的每一次点击、停留、收藏、点赞都会被人工智能一一记录，并从中分析中你的喜好规律，从而给你推荐你最喜欢的东西。这种海量数据的处理能力是人工永远无法达到的，这就是人工智能的强大之处。
这已经不是人工智能第一次展示它的威力。2016年，传奇围棋选手李世石连续三局败给谷歌人工智能AlphaGo。一年之后，世界排名第一的围棋选手柯洁也连续三局败给升级后的AlphaGo。
众所周知，围棋被称作世界上最复杂的智力游戏之一，棋手需要经过经过多年的训练，破解简单规则背后的无穷变化，才能成为高手。那么AlphaGo是如何做到战胜人类顶尖选手的呢？因为它使用了人工智能领域的深度学习和类神经网络技术来学习下围棋。
AlphaGo的智能来自对人类棋手比赛中数百万棋局和落子的学习，通过对曾练习过的棋局进行不断地改进，再练习，让AlphaGo形成“策略网络”，能够预测对手的下一步棋。进而又形成了“价值网络”，让AlphaGo学会评估棋局。可以说，这样的学习系统使AlphaGo更像人类。或者更准确的说，它比人类还厉害，因为没有一个人能有这样强大的数据处理能力。
不管是AlphaGo的胜利，还是抖音的成功，都在向我们传递一个清晰的信号：人工智能的时代来了。根据麦肯锡的预测，2030年，人工智能有可能为全球额外贡献13万亿美元的增量GDP。这意味着平均每年推动GDP增长约1.2个百分点，足以比肩历史上三次工业革命所带来的变革性影响。
就像马云说的，过去20年，我们让人像机器一样工作，而未来20年，我们将让机器像人一样工作，一场以AI技术为代表的“第四次工业革命”正在向我们招手。
二、人工智能的发展及影响要素
全球各国都在积极布局人工智能赛道。在这场关乎未来的竞争中，美国遥遥领先，中国紧随其后。罗兰贝格的数据显示，美国人工智能初创企业占据全球人工智能创业公司数量近40%。中国排在第二位，初创企业数量为383个。
美国依托Google、Apple、Facebook、Amazon四大龙头科技企业，已经建立起从底层基础设施到算法，再到应用的完善人工智能体系。在中国，BAT同样也在发挥着类似的作用。全球人工智能专利分布来看，中国占比37%，超过美国的25%，排名世界第一。
其实，人工智能并不是我们认知中特别新鲜的一个行业。自1956年达特茅斯会议上首次提出人工智能以来，这个行业已经发展了60多年的时间。但是人工智能行业的发展并不是一帆风顺的。在上世纪70年代和80年代末经历了两次低潮期。
在第一次低潮期，人们发现即使再尖端的AI产品，只能完成待解决问题最简单的环节，缺乏基本的常识和推理能力，因此很难实现人类的一些基本技能。
在第二次低潮期，人们又发现由于系统升级困难、稳定性不足，维护成本又很高，导致很难实现商业化。归根结底就是数据、算力、算法三大核心要件难以为人工智能的发展提供支撑。
而21世纪以来，信息技术环境发生了巨大的变化，这才让人工智能的应用迎来了新一轮的爆发。不管是抖音，还是阿尔法狗，背后的人工智能技术都离不开三个要素的变化：
第一是数据。海量数据为算法的实现和优化提供支持。
人工智能的根基是训练，就如同人类如果要获取一定的技能，那必须经过不断地训练才能获得，而且有熟能生巧之说。
AI也是如此，只有经过大量的训练，神经网络才能总结出规律，应用到新的样本上。如果现实中出现了训练从未有过的场景，则网络会基本处于瞎猜状态，正确率可想而知。
因此，对于AI而言，大量的数据太重要了，而且需要覆盖各种可能的场景，这样才能得到一个表现良好的模型，看起来更智能。
根据IDC报告，2025年全球的数据量将达到163ZB，是2016年的10倍之多，其中2015-2025年的平均增速将超过30%。海量的数据为人工智能的准确性提升创造了条件。
第二是算力。有了数据之后，就需要进行训练，而且是不断地训练。
AI中有一个术语叫epoch，意思是把训练集翻过来调过去训练多少轮。只把训练集从头到尾训练一遍网络是学不好的。当然，除了训练，AI实际需要运行在硬件上，也需要推理，这些都需要算力的支撑。
人工智能的每一次浪潮，都离不开算力的提升。除了CPU之外，相继出现了GPU、TPU、FPGA、ASIC等人工智能专用芯片（*GPU：显示核心、视觉处理器、显示芯片。TPU：是谷歌研发的一种神经网络训练的处理器，主要用于深度学习、AI运算。FPGA：现场可编程门阵列。ASIC：专用集成电路。），性能比CPU有显著的提高。而且超算、云计算等基础设施也使得算力有了长足的进步。
在算力提高的同时，计算成本也出现大幅下降。1985年1000美元只能买到人脑算力的万亿分之一，1995年变成百万分之一，到了2015年，同样的钱可以买到人脑算力的千分之一，提升是非常可观的。
第三是算法。算法是人工智能的核心，简单来说就是一个学习的过程，解决“学什么”、“怎么学”、“做什么”的问题。
最著名的算法就是神经网络模型。算法的优化使得计算效率大幅提升的同时，更加降低能耗。以AlphaGo为例，该系统使用了1920个CPU和280个GPU才能完成计算，一盘棋的能耗费用高达3000美元，这在大规模应用中是不能接受的。
但是，谷歌通过引入TPU以及自我学习算法模型之后，计算的时间大幅缩短，使用的硬件也降低到4个TPU，能耗显著下降。
在这些变化之下，人工智能才有了大规模应用的可能。当今的人工智能技术以机器学习，特别是深度学习为核心，在视觉、语音、自然语言等应用领域迅速发展。人工智能作为数字经济时代的“新电能”赋能于各个行业。
我国已经把人工智能视作必须要攻克的关键核心技术，有望成为新基建的领军力量。IDC数据显示，2019年中国人工智能软件及应用市场规模达28.9亿美元，包括硬件在内，整体市场规模将达到60亿美元。到2024年，中国人工智能软件及应用市场规模将达到127.5亿美金，2018-2024年复合增长率达39%。
尽管目前人工智能的发展与科幻小说的构想还有很大差距，但我们的现实生活中已经能越来越多的接触到人工智能的产品和服务。小到翻译软件、智能音箱，大到自动驾驶、城市安防。无论是个人、企业还是政府，未来都应该在生活中积极的去拥抱这项技术。但落脚到投资上，人工智能的相关投资却需要谨慎对待。
作为一项新兴技术，人工智能产业链尚不成熟，未来的商业应用也还存在很大的不确定性，可以说是机会与风险并存，所以我们必须认真的研究学习，不能盲目的跟风投资。接下来的课程我们会带大家梳理一下国内的人工智能产业链，敬请关注。
评论