1.7 AI=數據+算法+算力

AI是對人的智能的模擬，為了使得AI產品具有人的能力，需要收集大量的、正確的人的語言、行為、情感等數據。數據是基礎，然后用這些數據來訓練AI算法。用AI算法計算數據的規則時需要大量的計算資源，即算力。

因此，在某種程度上來說，AI=數據+算法+算力，算法、算力、數據也是AI產業爆發的三大條件。

例如，平安金融擁有大量的用戶辦理金融業務的數據，基于此，平安金融的AI產品經理協同AI算法工程師搭建了AI算法模型，即金融AI風控模型，利用計算機資源不停地進行訓練。平安金融的AI+金融產品已經能夠將原來用戶需要到現場才能辦理的業務轉到線上，這就是通過“數據（龐大的用戶數據）+算法（生物識別算法等AI算法）+算力”實現的AI產品。

進一步來說，AI從概念到產品的爆發需要具備三個條件，即算法、算力、數據。

在算法方面，隨著深度學習理論和工程技術體系的成熟，包括通過云服務或者開源的方式向行業輸出技術，先進的算法被封裝為易于使用的產品和服務，越來越多的人和公司能夠使用這些算法。AI相關的技術包括了水平層和垂直層的技術，水平層的技術主要體現在算法方面。這兩個層面都有很多大廠商在做，谷歌、亞馬遜、微軟等都試圖搭建通用的機器學習和深度學習底層計算平臺。而上層的應用，比如語音識別、文字識別、圖像識別、即時定位等，也有很多開源的框架，特別是在圖像處理領域，很多框架都應用了機器學習和深度學習技術。從這方面來看，筆者認為AI的產業化已經開始了，各個層面的企業都已參與其中。

微軟在2016年9月份進行了重組，成立了微軟人工智能及微軟研究事業部。2018年4月，微軟人工智能及微軟研究事業部的重要性明顯增加，與體驗和設備部門、云計算與人工智能部門成為微軟旗下三大工程部門，擁有5000多位科學家和工程師，這是一項巨大的投入。再比如，IBM在2018年年初提出轉型到認知計算（Cognitive Computing）和云平臺，高調進入AI領域。除此之外，國內的百度、科大訊飛等公司也在AI上投入了大量的資源。

所以，從趨勢上來講，AI時代已經到來是明確的。

在算力方面，云計算的興起發揮了非常關鍵的作用。深度學習是極其消耗計算資源的，而云計算可以以低成本獲取大規模的算力，動態地獲取幾千個CPU，甚至上萬個CPU的算力都不是難事。除了云計算，GPU計算能力的進步對深度學習也有很大的推動作用，它能夠加速深度學習中的計算速度，在某些情況下甚至能實現成百上千倍的提高。例如，現在深度學習的算法涉及大量可以并行化的矩陣運算，而GPU的工作方式就是多核并行計算，這個特點特別適合AI領域中的計算。此外，一些面向AI的專用硬件架構也開始出現，比如用FPGA去做專用的AI加速芯片和基礎的加速設施，微軟的數據中心就大量運用了FPGA。

在算力相關的技術領域中，英偉達是較早意識到AI潛力的公司。早在2012年，英偉達就開始在AI上投入大量資源，陸續發布了針對服務器端的DGX-1以大幅加快訓練速度、基于Pascal架構的Tesla P100以支持數據中心加速、針對嵌入式產品的Jetson TX1，獲得了市場的高度關注。從總體來看，英偉達的產品線體系已經比較完備，并且英偉達并不只是提供一個空的計算架構，還給軟件開發人員提供了很多開發的庫，如為實現汽車的自動駕駛提供從模組到軟件的一整套解決方案。英偉達的AI戰略是很清晰的，有很多實質性的產品落地。比如，已經有多家公司將英偉達技術嵌入攝像頭中進行視頻數據智能分析。

此外，英特爾也不容忽視，雖然它意識到AI爆發稍微滯后一點，但是它的補救動作是很及時的。在2016年，英特爾收購了包括Itseez、Nervana System、Movidius在內的眾多AI技術公司，加上Altera和Saffron Technology等，英特爾在計算機視覺技術、數據中心AI計算加速、FPGA芯片等方面快速完成了布局。盡管它的發力晚了一點，但展示出了堅定的決心和強大的實力。筆者認為，推出面向AI的CPU、GPU、FPGA的融合計算架構，一定是它未來的發展方向。

從總體來看，兩家各有優勢，如果從收入規模來看，英偉達比英特爾小得多，正是因為它的體量小，所以在AI領域的收入比例顯得大很多，這是它引起媒體持續關注的一大原因。

除這兩家之外，高通也是一個很有潛力的參與者。高通的強項是移動芯片，而移動芯片的低功耗要求使得運算性能很難做得特別高。因此，數據訓練顯然不是高通的強項，因為數據訓練是性能驅動的。但是高通專注設備端所需的推理計算，在移動端功耗很低、算力不是那么強的場景，高通能夠滿足場景對AI能力的需求。高通一直試圖打入一些終端市場，例如車用芯片市場，以實現業務多元化，獲得這樣的能力有兩種途徑：一種是加強通用計算的能力，比如CPU計算單元應該做一些什么樣的改進才能適合AI的工作；另一種是針對特定領域的問題，比如針對視覺、語音等領域的問題，開發專用硬件并提供給設備端。現在很多公司的發展方向都是把專用領域里的一些能力放到端上去。

一些AI應用領域（如AR、VR、MR）對智能能力有很強的需求，如對外界環境的智能感知能力、基本的幾何識別能力、語意理解能力的需求。而AR、VR、MR所需要的AI很多是要在端上實現的，不能完全依賴于云。所以我們可以看到，未來會有很多類似高通的廠商進入設備端智能能力的提供領域。AI在設備端的需求量是相當大的，預計到2021年，我們就能夠看到大量設備端AI產品出來。

當然，雖然我們談了很多硬件基礎設施對AI發展的支撐，但是影響AI算力需求最重要的還是軟件和算法，因為算法決定了計算的復雜度，也就決定了對算力資源的需求。在另一方面，無論是CPU、GPU還是FPGA的計算架構，規模龐大的算力將主要通過云服務的方式向廣泛的公眾用戶提供。谷歌、臉書、亞馬遜、微軟等行業龍頭，都在大力開發云服務，積累了大量的算力資源，期望能夠成為智能時代的計算平臺“霸主”。

在數據方面，近年來移動互聯網的爆發使得我們積累了大量的數據，同時物聯網也極大地擴展了AI獲取數據的數量和類型。事實上，相較于算法和算力，數據的獲取會更難一點，因為它是建立在已有業務基礎上的。以往我們都是先通過非AI的方式積累大量的數據，而現在初創企業要去獲得數據需要一些“巧勁”。每個時代都要解決不同的問題，今天AI公司也一樣需要去解決問題，企業要竭力避免打著AI的旗號，做一些不接地氣的事，要為用戶解決實質性問題。

談到數據，筆者認為這是國外廠商要實現AI技術在中國落地需要解決的一個重要問題。在數據管控方面，我們國家對數據主權的保護越來越重視，這對國內的企業來講是一個利好。但是，長期來講，數據的流動是難以避免的。對此，國內企業要及時抓住時間窗口，快速建立起競爭壁壘。

筆者認為，在2018年，以上三方面都已經做好啟動準備，AI時代已經真正地到來了。

AI的發展路徑一定是以創造價值為導向，而不是以技術先進為導向的。對不同的產品來說，在某些情況下AI是優化產品的支撐手段，而在另外一些情況下則是創造差異化競爭優勢的初始核心能力。在創業時一定要明白自己產品的屬性到底是什么，以及AI在產品不同發展階段的不同作用。