人工智能产业链了解

   “全面化人工智能可能意味着人类的终结...”机器可以自行启动，并且自动对自身进行重新设计，速率也会越来越快。受到漫长的生物进化历程的限制，人类无法与之竞争，终将被取代“ 

---  by史蒂芬·霍金

人迟早会用机器把自己从大量重复性的工作中解放出来，但是实现这个愿望并不需要那些鼓吹的最终版本“超级智能”。

AI的业务2018年快速崛起，对其中的技术框架，产业信息需要了解。

 

简介

ML（machine learning）：即机器学习，wiki定义：“计算机系统以来科学的预测和判断模型去有效完成特定的任务，而无需借助明确的执行指令”，属于AI的一个分支，机器学习算法的重点在于通过“训练数据”来实现合理的预判决策，摆脱对固定明确的执行指令的依赖。

AI（artificial intelligence）：即人工智能，wiki定义：“机器可以通过察觉环境，采取最大成功概率的行动，去达到特定的目标”，更通俗的定义是“机器/计算机，通过对外部输入数据的理解和学习，自适应的去解决特定的问题，表现出类似自然人的学习能力，问题分析和解决能力”。

AI不是单一的学科技术，是跨行业，跨学科的。它主要包含四大核心技术：

• 机器学习：通过大量数据训练，做最佳决策和预测；
• 自然语言处理：人类语言和计算机可处理的形式之间的相互转换，可以是文字也可以是声音，主要有信息检索，信息提取，语音识别，词性标注等等；
• 图像处理：类似人类的图像识别功能，可以识别图像和多维数据，主要有图像过滤，特征提取等；
• 人机交互：计算机通过人机交互界面和人进行交流，比如VR，增强现实等技术；

 

技术框架及分析

显而易见，“数据”是企业非常重要的一种资产，是后续智能赖以生存和发展的基础。

数据相关目前有以下几种业务：

数据采集（data acquisition），按照一定规则和诉求，收集原始数据，国内有火车头，瑞雪采集，神箭手等采集工具，可以通过用户配置的规则进行数据采集，这个产业中可能会有大量的隐私数据，涉及用户敏感信息的数据被转手交易，在用户完全不知情的情况下被使用，所以个人觉得后面数据的隐私安全也是一个方向；

数据清洗（data cleaning），从大量数据中筛选矫正，剔除那些过期的，异常的的值；

数据挖掘（data mining），通过算法实现对海量数据的分析和建模，从数据中发现规律；

数据标注（data annotation），目前来看“有多少智能，就有多少人工”，智能以来的数据输入，需要经过标注处理。举个例子：要想训练一个识别可乐罐的算法，前期就需要输入大量的，各种各样带有可乐罐的图片，并且把其中可乐罐的位置标注出来，在大量数据需求面前， 这个工作量非常庞大，有不少公司专门做数据标注的业务。这个方向后面会逐渐的被自动化工具所替代。

 

数据以上，云计算/大数据/GPU/各种IC，甚至5G等等，这类通用的技术支撑，不仅在人工智能的产业链中扮演重要角色，在未来“万物互联”的环境中，都将作为主要支撑层，已经不会是传统意义上的“技术”，更像是一种社会不可或缺的基础设施。所以不论是阿里还是华为，他们都不仅仅是表面上的“淘宝天猫”和“智能手机”，更重要的是背后的飞天，盘古，HISI等这些东西。并且，“中兴事件”上可以看出，芯片级别的优势，作为行业上游的优势，可以对下面的集成商，开发商，构成很大的威胁。

基础通用技术这层，不是什么公司都可以玩的起，需要比较早的规划和技术储备。

这就像技术人员为什么总是往底层走，更底层不一定代表更高的收入，但更底层往往更安全。

 

再往上，就是通用的一些计算/算法框架， 通用的算法技术。

框架以TensorFlow为例，官方解释如下：

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，到通用技术，可以理解为一个抽象封装层析，到另一个更高的抽象封装层次。

为了应对上层纷繁的业务层快速迭代，快速集成，快速发布贴近用户具体场景的开发需求。

 

再上一层，也就是顶层，可以叫做“应用层”了。

所谓的“应用”，就是“业务”，也就是“业务代码”的那个“业务”。具体讲，就是各个细分行业中不同的用户需求和业务流程。主要开发工作在这个分层的公司，严格意义上将不能叫技术公司，更多的是业务的迭代集成和二次开发，技术深度和投入上都有局限，通用性上也受局限。

 

最后，收集下AI产业链中公司的分布。

全球：

国内：

 

BAT布局：