2016年人工智能行业发展概况分析【图】

人工智能阳芬 2016-11-29 07:13 来源：智研咨询

一、科技巨头纷纷布局人工智能领域

巨头通过持续收购储备人才和技术来增加人工智能的本钱。谷歌 2014 年收购 DeepMind，其与 Google X 和谷歌人工智能实验室（Tensor Flow）共铸谷歌人工智能传奇，DeepMind 亦因 AlphaGo 大战而李世石而闻名于世。微软全球七大研究院，研究覆盖人工智能、深度学习等。IBM 建立 12 大研究院，1997 年战胜国际象棋冠军的“深蓝”亦出自 IBM 之手。此外，国外巨头如 Facebook，国内巨头如 BAT 等，亦成立研究院布局人工智能。兼并收购方面，近年来，苹果、谷歌、因特尔、微软、Facebook 等科技巨头在人工智能领域累计进行了数十次兼并收购。苹果在 AI 领域的并购更是多达每年 20-30 起。

五大科技巨头（亚马逊、IBM、微软、Alphabet、Facebook）将联合制定人工智能道德标准

二、海外科技巨头主导基础层和技术层，国内企业将在应用层充分变现

人工智能产业链三层结构：基础层，技术层，应用层。基础层以硬件为核心，专业化、加速化的运算速度是关键。技术层专注通用平台，算法、模型为关键，开源化是趋势。应用层与产业场景的深度融合是发展方向，主流场景包括棋盘游戏、私人助理、无人驾驶、语音理解、图片识别、实时翻译等。判断海外科技巨头将主导基础层和技术层的发展，而国内企业在应用层将获得更佳的变现机会。

人工智能产业链：基础层，技术层，应用层

三、基础层：重金投入硬件，提升运算速度

类比比特币挖矿芯片的发展规律（CPU 、GPU 、FPGA 、ASIC ），认为 AI 专用芯片最终也会由GPU走向 ASIC 时代。2009 年比特币的创始人中本聪用他的电脑 CPU 挖出第一个创世区块，挖矿速度约为 20-40MH/s。2010 年 GPU 挖矿系统发布，挖掘速度可达300-400MH/s，但其问题在于功耗过大，在普通家庭不适合大规模部署。2011 年末，基于FPGA 芯片的挖矿设备出现，一个 FPGA 芯片的挖矿速度约为 200MH/s，功耗降低为 GPU的 1/40，但 FPGA 昂贵的价格使得它只能成为少数人的玩物。2013 年，全球首台基于 ASIC芯片的 Avalon 矿机量产，由于其专用性，可实现低功耗高速度，并且大规模生产的成本也低于 FPGA，ASIC 挖矿时代从此开始。

比特币挖矿经历了 CPU、GPU、FPGA、ASIC 四个阶段

CPU、GPU、FPGA、ASIC 用于比特币挖矿的速度和功耗

GPU（图形处理器）众核同步并行运算，适于智能汽车深度学习。决定计算速度的一个重要因素是 ALU的数量。CPU 架构中的大部分被 Cache 和控制电路占据，仅有几个 ALU 单元，因而 CPU 更擅长复杂的逻辑控制，计算能力只是 CPU 很小的一部分。而 GPU 则包括数以千计的更小、更高效的核心，因此常被称为“众核”；GPU 只有非常简单的控制逻辑并省去了 Cache，适合把同样的指令GPU （图形处理器）众核同步并行运算，适于智能汽车深度学习。决定计算速度的一个重要因素是 ALU的数量。CPU 架构中的大部分被 Cache 和控制电路占据，仅有几个 ALU 单元，因而 CPU 更擅长复杂的逻辑控制，计算能力只是 CPU 很小的一部分。而 GPU 则包括数以千计的更小、更高效的核心，因此常被称为“众核”；GPU 只有非常简单的控制逻辑并省去了 Cache，适合把同样的指令流并行发送到众核上，进行海量数据的快速处理。事实证明，在浮点运算、并行计算等部分计算方面，GPU 可以提供数十倍乃至于上百倍于 CPU 的性能。随着智能汽车的深度学习方案受到关注，GPU 或将迎来爆发式高增长。

CPU 与 GPU 的架构对比

硬件加速：FPGA利用硬件运算，具有显著速度优势。FPGA 内部包含大量重复的 IOB、CLB和布线信道等基本单元。FPGA 在出厂时是“万能芯片”，用户可根据自身需求，用硬件描述语言（HDL）对 FPGA 的硬件电路进行设计；每完成一次烧录，FPGA 内部的硬件电路就有了确定的连接方式，具有了一定的功能；输入的数据只需要依次经过各个门电路，就可以得到输出结果。换言之，FPGA 的输入到输出之间并没有计算过程，只是通过烧录好的硬件电路完成信号的传输，因此运行速度非常高，可达 CPU 的 40 倍。而正是因为FPGA 的这种工作模式，决定了需要预先布置大量门阵列以满足用户的设计需求，因此有“以面积换速度”的说法：使用大量的门电路阵列，消耗更多的 FPGA 内核资源，用来提升整个系统的运行速度。

FPGA 架构

专用加速：ASIC （专用集成电路）是针对专门应用而设计的集成电路，是针对特定工。作负载时速度最快且执行效率最高的处理方案。与通用集成电路相比，ASIC 具有体积更小、功耗更低、性能提高、保密性增强、成本低等优点。ASIC 可分为三类：1）全定制 ASIC，各层掩膜都是按特定电路功能专门制造的；2）半定制 ASIC，单元电路是用预制的门阵做成的，芯片的金属连线是按电路功能专门设计制造的，即掩膜可编程门阵；3）可编程 ASIC，单元电路、金属连线和 I/O 引脚都是可编程的，FPGA 即可用于设计可编程 ASIC。从本上来看，全定制设计周期最长，设计费用最高，适合于批量很大或者对产品成本不计较的场合；半定制的设计成本低于全定制，但高于可编程 ASIC，适合于有较大批量的 ASIC 设计；专用加速：ASIC （专用集成电路）是针对专门应用而设计的集成电路，是针对特定工。作负载时速度最快且执行效率最高的处理方案。与通用集成电路相比，ASIC 具有体积更小、功耗更低、性能提高、保密性增强、成本低等优点。ASIC 可分为三类：1）全定制 ASIC，各层掩膜都是按特定电路功能专门制造的；2）半定制 ASIC，单元电路是用预制的门阵做成的，芯片的金属连线是按电路功能专门设计制造的，即掩膜可编程门阵；3）可编程 ASIC，单元电路、金属连线和 I/O 引脚都是可编程的，FPGA 即可用于设计可编程 ASIC。从成本上来看，全定制设计周期最长，设计费用最高，适合于批量很大或者对产品成本不计较的场合；半定制的设计成本低于全定制，但高于可编程 ASIC，适合于有较大批量的 ASIC 设计；用 FPGA 设计 ASIC 的设计成本最低，但芯片价格最高，适合于小批量 ASIC 产品。现在的大部分 ASIC 设计都是以半定制和 FPGA 形式完成的。

Xilinx 在 UltraScale 架构中加入 ASIC 技术

四、技术层：“开放”谋求大生态

类比 Android系统，开源平台或将成为人工智能重要入口。数据显示，在截至 2016 年 2 月末的三个月内，Android 中国城市的销售份额从去年同期的 73%增至 76.4%。在美国和欧洲五大市场（包括英国、德国、法国、意大利和西班牙），Android 的市场占比同样遥遥领先于 iOS，这很大程度上要归功于其开源特性。Android 系统虽然并不能直接带来收入，却成为谷歌把控移动互联网的入口，谷歌借此保证了谷歌搜索、谷歌地图等应用的龙头地位，进而保证其广告业务的盈利。在人工智能平台上，谷歌或许有同样的野心，通过将 TensorFlow 开源达到 Android系统所占有的优势。

五、应用层：试水与场景融合

人工智能最终需要通过合适的应用场景获得变现能力。AI 源于技术，终于场景，有变现能力的场景包括：无人驾驶汽车、智能家居、Fintech 等。AI 与产业场景的深度融合是应用层变现的关键，科技巨头在该领域以试水布局为主。苹果 AI 利用自身的手机和手表产品场景。谷歌人工智能业务繁杂，多领域遍地开花，包括 AlphaGo、无人驾驶汽车、智能手术机器人等。微软在语言语义识别、计算机视觉等领域保持领先。IBM 最早布局人工智能，“万能”Watson 推动多行业变革。百度推出“百度大脑”计划，重点布局无人驾驶汽车。

苹果 Siri 语音助手可准确理解用户指令