资讯中心

　　沈强：人工智能未来将如水般渗入各行各业

 

　　早在1956年，人工智能就在美国达特茅斯大学召开的学术会议上被提出，然而，经过整整一个甲子的起伏反复，却始终没能形成产业发展。进入2016年，借着AlphaGo与李世石的人机世纪对战，人工智能再次掀起一波小高潮。
 

　　正如将门CTO/将门创投创始合伙人沈强日前在接受采访时所说，引爆一个技术一方面要求技术确实要达到一定的水平，另一方面也要有一些标志性的事件推波助澜，要有很好的技术PR效应。
 

　　显然，AlphaGo为人工智能的“回归”做好了十足的舆论基础，创造了契机，加上巨额资金的投入、在技术的更替发展，以及众多国内外巨头纷纷的加速布局，AI产业也将逐步开始形成。
 

　　以下为访谈实录：
 

　　引爆技术概念前提：技术水平的提升+技术PR效应
 

　　现在，我们所谈的人工智能是一个十分广泛的概念。从不同的技术层次来看，分为领域应用技术和数据智能基础技术。其中，人工智能中的领域应用技术包括计算机视觉、语音识别、自然语言理解等针对特定领域的信息类型和针对该类信息进行处理的技术，计算机视觉从模式识别研究手段转化到现在数据驱动手段，而语音识别过去也都是基于语法结构的，这些相关的技术在过去很多年里都在各个领域有了很多发展，因此各自已经形成了比较成熟的方法和方向。在这些应用领域技术下面，还有一层更加基础的数据智能技术，包括机器学习、深度学习、搜索与优化等适用于更广泛问题的建模、与应用领域无关的技术。通常我们在谈人工智能的时候，很容易把这些概念都混淆在一起。
 

　　而事实上，早在十几年前，当人工智能还没有今天这么流行的时候，那些基于数据、基于统计的研究方法就已经是人工智能技术的一部分了，只是还没有成为行业发展的热词。
 

　　现在，我们经常并列地提机器学习和深度学习，但其实机器学习有很多不同的方法，深度学习只是机器学习的一个子集，如今它已经在各个领域的应用有很多非常成功的案例。这些蛰伏已久的技术，往往会通过一些公司的标志性的事件成为广泛认知与应用的引爆点。
 

　　比如说Google通过深度学习神经网络实现了猫脸识别，正是借着Google本身的光环效应才使得这个事件引起了广泛关注，如果换成其它普通公司可能就不见得能达到这样的效果。而AlphaGo战胜李世石的事件更是充满了许多抓人眼球的新闻点：明星技术公司、世界棋手、人机大战之于人工智能发展进程的象征性意义，无不吸引行业以及大众的注意力。引爆一个技术一方面要求技术确实要达到一定的水平，另一方面也要有一些标志性的事件，要有很好的技术PR效应。
 

　　因此，近两年来，随着Google、IBM、微软等公司在人工智能领域的长期投入开始展露出商业成果，并进行广泛的市场宣传，不仅逐渐点燃了工业界的热情，加强了研究者的信心，同时也有很多产业、资本开始投入到其中，使得人工智能开始赢得了大众的关注。这让我们突然就感觉到了人工智能时代的到来。
 

　　AI产业爆发三大条件：算法、算力、数据
 

　　进一步来说，AI从概念到产业的爆发还需要具备三个条件，即算法、算力、数据。
 

　　算法方面，随着深度学习理论和工程技术体系的成熟，包括通过云服务或者开源的方式向行业输出技术，先进的算法被封装为易于使用的产品和服务，越来越多的人和公司能够开始使用这些算法。人工智能相关的技术包括了水平层和垂直层的技术，水平层面上主要体现在算法方面。这两个层面都有很多大厂商都在做，包括Google、微软、Amazon以及一些开源的第三方软件，都试图在搭建通用的人工智能机器学习和深度学习计算底层平台。而上面的应用比如说语音、文字、图像、即时定位等等，也有很多开源的框架，特别是图像处理，很多框架都应用了机器学习和深度学习。从这方面来看，我认为人工智能的产业化已经开始了，各个层面的企业都将参与其中。
 

　　例如微软，九月份刚刚进行了重组，成立了人工智能及微软研究事业部，总共有5000多位科学家和工程师，这是一个巨大的投入。再比如IBM，今年初提出转型到认知计算(CognitiveComputing)和云平台，高调进入人工智能领域。除此之外，在国内，百度、科大讯飞等公司也在人工智能上投入了大量的资源。
 

　　所以从趋势上来讲，人工智能时代的到来是明确的。
 

　　算力方面，云计算的兴起起到了非常关键的作用。因为深度学习是极其消耗计算资源的，而通过云计算就可以以低成本获取大规模的算力，你要动态地获取几千个CPU，甚至上万个CPU的算力都不是事儿。除了云计算之外，GPU计算的进步对深度学习也有很大的推动作用，它能够加速深度学习中的计算速度，有些情况下甚至成百上千倍的提高。例如，现在深度学习的算法涉及到了大量可以并行化的矩阵运算，而GPU的工作方式就是多核并行计算流的方式，这个特点特别适合于人工智能领域中的计算。此外，一些面向人工智能的专用硬件架构也开始出现，比如说用FPGA去做专用的人工智能加速芯片和加速的基础设施，微软的数据中心就大量的运用了FPGA技术。
 

　　在算力相关的技术领域中，NVIDIA是比较早意识到了人工智能潜力的公司。早在2012年，NVIDIA就开始在人工智能上投入大量资源，到现在的成绩还是挺不错的，不管是在服务器端的运算发布DGX-1大幅加快训练速度，或者基于Pascal架构的TeslaP100支持数据中心加速，还是为支持嵌入式产品而推出的JetsonTX1，都获得了市场的高度关注。总体来看，他的产品线体系已经比较完备了，并且NVDIA并不只是提供一个空的计算架构，他也给软件开发人员做了很多开发的库，包括为汽车的自动驾驶领域提供从模组到软件一整套齐全的解决方案。NVIDIA在人工智能的战略上是很清晰的，可以说抢了一个先机，有很多实质性的商业落地。比如已经有多家公司将NVIDIA技术嵌入到摄像头中进行智能视频数据分析。