人工智能在两会期间受到了非常高的关注，国务院总理李克强在政府工作报告中首次提及加快“人工智能”的技术研发和转化，是需要培育壮大的新兴产业之一。百度李彦宏、腾讯马化腾、科大讯飞刘庆峰都提交了相关的两会提案，同时两会期间“深度学习技术及应用国家工程实验室”也在百度正式挂牌，这被认为是当初“中国大脑”概念的最终落地，也被认为是中国将人工智能发展提升到国家战略的重要标志。

    比起国家政策层面开始高度重视人工智能，产业层面人工智能早就已经发展得如火如荼，随着云计算等基础设施的完善、数据量的爆发式增长，尤其是深度学习算法的应用使得语音识别、图像识别等技术取得长足进步，围绕语音、图像、机器人、自动驾驶等人工智能技术的创新企业大量涌现。从融资情况来看，据统计人工智能风险投资仍保持每年42%的增长，截至2016年11月，全球1485家人工智能公司总融资金额高达89亿美元。在资本助推下，人工智能已成为近两年的最大风口之一。而国内外巨头在AI领域的布局则不胜枚举。经过这几年的快速发展，可以说人工智能早就已经脱离单纯实验室和学术范畴，开始与产业更加紧密的结合，实现更多具体项目和行业的落地应用。同样在风口之下必有泡沫，而未来判断人工智能最大的分化就是看它在实际应用中的效果具体有何差别。

    那么普通人该怎么去判断一家公司人工智能程序的竞争优势或者是否只是概念的忽悠呢？简单来说人工智能行业可以划分为三层，最底层是基础平台层，包括芯片、服务器、数据服务商等，属于通用且必要型；中间层是技术提供层，如采用计算机视觉、机器学习等；最上面那一层则是应用层，包括无人驾驶、医疗、教育、机器人等，承载着很多行业的应用。所以总结起来一个AI成功的要素基本包含这几点：高质量和大量的数据源、足够的算力资源和优秀的算法、优秀AI技术人才及落地应用能力、明确的垂直化行业应用场景。以机器视觉所需的数据源和数据量举例来说，数据量和算法可以分别比作人工智能程序的燃料和发动机，好的算法模型可以实现精准的物体和场景识别，而数据集的丰富性和大规模性对算法训练尤为重要。实现机器精准视觉识别的第一步，就是获取海量而优质的应用场景数据。以人脸识别为例，训练该算法模型的图片数据量至少在百万级别。关于数据量对提高算法准确率方面的重要性，更是有人直言，拥有更多高质量的数据源的公司终将战胜拥有好算法的公司。因为随着谷歌TensorFlow等生态系统的成熟，很多领域都会有训练好的模型可以用来参考，相关公司只需要有足够的数据来训练参数就好了。

    同样人才也是区分AI公司竞争力的一大维度，AI的爆发离不开顶尖的科学家，需要有能力部署人工智能技术并且使之产品化的资深工程师，前几天全球深度学习的四剑客之一——吴恩达从百度离职，立马成为科技圈的头条即说明拥有真正高端技术人才在这一领域的核心壁垒。

   具体到AI的行业应用层面，根据落地的不同难度和不同行业内的特性来看，业界普遍认为现在将AI算法应用到行业存在较大机会的主要为这几个领域：无人驾驶、工业自动化、视频监控、医疗、教育等。投资者可以重点跟踪人工智能在这些行业的进展程度，如应用场景的深化、清晰的变现能力等。

    根据IDC在其《全球半年度认知/人工智能系统支出指南》(Worldwide Semiannual Cognitive/Artificial Intelligence SystemsSpending Guide)中预测，人工智能的收入将从2016年的80亿美元增长到2020年的470亿美元，复合年增长率(CAGR)为55.1%。正如《连线》杂志创始主编凯文.凯利（KK）的预测，“人工智能将是下一个20年颠覆人类社会的技术，变成像电、互联网一样的基础服务和革新力量”。AI毋容置疑将是未来发展的大趋势，其前景十分广阔，未来将进入到应用为王的阶段。

免责声明