国际巨头加速并购AI优质标的 人工智能产业五大趋势解读

麦田守望者

国际巨头加速并购AI优质标的 人工智能产业五大趋势解读



“过去互联网发展迅速主要由于我国的人口红利，当人口红利消失，互联网自身的发展要靠人工智能。”百度董事长李彦宏在最近的两会上指出，人工智能很有可能是超越互联网意义上的一次革命。

事实上，从移动互联网到大数据再到人工智能，真正的智能化需求一直正在增长。国内外的IT巨头早已把人工智能作为未来发展的重要技术，通过吸引人才成立专门部门或机构，并已有成熟化的产品。



而从应用层面来看，人工智能在精准医疗、安防监控、金融、教育等领域已经积累了大量实验数据。在数据支撑、技术突破、需求引导和政策推动的合力下，人工智能规模化应用已经具备一定爆发基础。

未来在医疗、金融、零售、交通等数据电子化水平较高、数据较集中等行业，人工智能应用将大量涌现，其市场规模具有足够想象空间。那么，从产业发展的角度，人工智能未来几年将会呈现哪些发展趋势呢？

麦田守望者

趋势一：国际巨头收购频繁，上下游垂直整合

人工智能产业未来发展的第一大趋势就是企业合并越来越频繁。具体来说主要分两类：第一类是上游芯片商整合架构平台商，从而推出差异化的人工智能处理器；第二类是基础应用商整合行业应用商、行业大数据商，从而迅速进入细分行业。

仅从去年第三季度至今，就发生了数起人工智能创业公司和技术公司被收购的案例。这其中Intel希望通过收购Nervana和Movidius挑战NVIDIA在GPU界的地位，剩下的无一例外都是基础应用商的收购。

麦田守望者

趋势二：学界与业界的壁垒正逐渐打破

基础应用需要行业应用的带动，这对学术界也产生了很大影响，因为不参与应用的开发就很难获得技术上大的进步。 从2013年3月Google直接以收购公司的方式挖来深层神经网络的提出者Geoffery Hinton开始，人工智能科研人员进入业界的大潮就拉开了帷幕。很快，Hinton的同事、CNN的主要推动者Yann LeCun加入Facebook人工智能实验室。中国也是如此，比如百度首席科学家Andrew Ng（吴恩达）是斯坦福大学人工智能实验室主任，DeepID创始人汤晓鸥教授成立了商汤科技等等。2016 年下半年，这一趋势更加明显。



学术界的人才在向产业界流动的同时，产业界也在凭借自身强大的优势资源产出高质量的学术成果。谷歌、微软、Facebook、腾讯、百度等科技巨头的人工智能研究机构发表了大量的学术论文，真正推动了人工智能的发展。就连一贯遵循保密策略的苹果也在2016年12月发布了其第一篇人工智能论文《Learning from Simulated and Unsupervised Images through Adversarial Training》。 学界与业界的壁垒正在逐渐打破，人工智能的落地速度无疑会再上一个台阶。

麦田守望者

趋势三：端到端学习的崛起

人工智能的传统模型是把实体数据表达成数字数据，并通过机器学习的方法，输出数字数据作为判断依据。随着深度学习的发展，更纯粹的端到端学习成为了可能。比如传统的语音识别，需要把语音转换成数字向量，然后把这组向量通过机器学习分类到各种音节上，最后通过音节还原出语音原本要表达的单词。而现在我们可以通过深度学习自己的特征学习功能来完成从特征提取到音节表达的整个过程，将语音直接对标到最终显示出来的文本。



端到端学习需要足够大、有标注的训练集做支撑，这样才能精确的提取特征，学会复杂的功能控制。另一个例子是智能驾驶。目前智能驾驶技术都是传统模型的：通过图片观测附近的车辆与行人，计算出路径规划，然后通过公式判断下一步行动。鉴于自动驾驶对安全的要求，纯粹的端到端学习仍然难以满足准确度。如果想直接把图片处理成最终的操作指令，还有很长的一段路要走。



目前在精确度需求较高的行业内，端到端学习还不够有效，不过其应用起来简单、方便，而且降低网络核心复杂度，简化复杂功能，是将来人工智能走向应用的趋势。

麦田守望者

趋势四：无监督学习与强化学习将重塑人工智能

在此前的内参文章中我们曾指出，基础应用商的技术水平将逐渐趋近且增长减缓。目前来看，以深度学习为代表的监督学习难以突破这一瓶颈。真正的突破会在无监督学习与强化学习上，我们认为无监督学习与强化学习将在未来5-10年重塑人工智能，这也是基础应用商将来发展的最大机会。

无监督学习

在上一篇内参文章介绍中，所有输入都有一个特点：输入的训练数据既有特征（feature）又有标签（label）。我们把一张图片展现给神经网络并告诉它这是一辆车，它就会调整参数并在下一次说出“车”，然后我们再展现给它一把椅子、一个人…… 但人类不全是这种学习方式。我们去参观一个画展时，即使我们对艺术一无所知，但是欣赏完多幅作品之后，我们也能把它们分成不同的派别。这种类别的划分叫做聚类。聚类与分类不同，指的是将集合分成由类似的对象组成的多个类的过程，而且这些类是未知的。 无监督学习解决的就是聚类问题。很多数据没有标签，或者标签很难获得，比如自然语言处理，我们需要对每一句话和每一个词人为的加上表示意义的标签，这个工作量极大；再比如新闻自动分类，显然没有必要也不可能对所有的类别添加标签。

强化学习

强化学习从动物学习、自适应控制等理论发展而来。强化学习把学习看作试探评价过程，模型选择一个动作用于环境，环境接受该动作后状态发生变化，同时产生一个奖励信号（正或负）反馈给模型，模型根据强化信号和环境当前状态再选择下一个动作，选择的原则是使受到正强化的概率增大。

麦田守望者

不同于监督学习，强化学习中由环境提供的信息是对所产生动作的好坏作一种评价，而不是如何去产生正确的动作。由于外部环境提供了很少的信息，模型必须靠自身的经历进行学习。通过这种方式，模型在行动一评价的环境中获得知识，改进行动方案以适应环境，学习是完全自主的。 强化学习对于与环境有交互性的场景尤其适合，比如控制物理系统（行走、飞行、驾驶）、与用户进行交互（客户维护、用户体验优化）、玩游戏（棋类、扑克、围棋）、智能机器人等。将来强化学习在环境交互以及自主学习等方面将会呈现更多的应用形式。

麦田守望者

趋势五：大部分技术需5年以上才能成熟

2016年与人工智能关系最密切的行业是银行、零售、医疗和离散制造，这四个行业贡献了超过一半的全球人工智能收入。而在增速上，医疗、离散制造、教育和流程制造占据前四名。 有机构预测，到2020年，全部的行业应用（即软件）规模预计将达到182亿美元。人工智能相关服务（业务服务和IT咨询）和硬件收入（主要是专有的服务器和存储）也将迅速增长。

首先我们必须看到，人工智能相关技术占据了新兴技术的接近一半，很明显将对未来十年产生重要影响；其次，大部分技术还需要5年以上的时间才能成熟，因此我们还是坚持认为2-5年内基于现有深度学习模型的行业应用将是主流，未来随着算法和技术的进步才会出现新的应用。

最后，一些技术的认知程度与成熟时间并不匹配，最典型的就是自动驾驶。尽管自动驾驶这两年非常火爆，但类似这种高级应用还需要很久才能真正落地。



通过Gartner技术成熟度曲线，我们可以清晰地看到人工智能各技术的认知程度和成熟时间。曲线中涉及人工智能的技术有：自然语言问答、机器学习（2-5年）、认知专家顾问、智能机器人、手势控制、商业无人机、情感运算、智能数据挖掘、虚拟个人助理（5-10年）、自动驾驶、脑机接口、神经形态硬件、通用机器智能（10年以上）。

实际上，人工智能目前并不等于智能，学界和业界在做的无非是让神经网络能够更加准确的拟合和预测现实。以CNN和LSTM为代表的深度学习极大的加速了这一进程，再加上数据、计算、需求、政策的推动，人工智能才能有如此广阔的发展空间。