AI革命浪潮的发展历程

 IT革命中每十年就产生一波新的浪潮，每个新平台都会创造更大的财富，催生新的巨头，但只有极少数公司可以成功越过浪尖，爬到下场盛宴的铁王座;某种程度上，人类都能一起共享“革命”带来的硕果，但只有极少数人能“乘风驭浪”，握享时代的荣光!

回到现实中，自2007年iPhone诞生以来，移动互联网也接近“十年之变”。下场革命的轮廓也渐渐明了，AI会是继移动互联网之后下一场大风暴成为越来越多人的共识。但还是太少的人能意识到，未来10年的生产力进步可能会等于几千年的总和。我们正在经历了人类出现以来发展最快的70年，而且还会继续加速!

也少有人会去反思：这样的奇迹背后，上帝之手究竟来自于哪里，它会指引我们走向何方?我们又要如何下注?

从Mobile First到AI First的过渡必将引发IT软硬件的全面革洗牌。革命是混乱，革命也是阶梯!那么就从这混乱的革命中找找赚钱(或选股票)的机会!

身在何方的AI

笔者第一个想搞清楚问题是：这场革命，到底走到了哪一步?

当霍金和埃隆·马斯克在互掐“AI时代来临后，被AI玩爆人类应该怎么处置这个问题时”，马爸爸发力大数据，李彦宏终于想开了，跟紧谷歌脚步搞自动驾驶;知乎上“怎样成为阿里的算法工程师”下面的回答已经超过80，大多数普通人说起AI时反应是：你说的那个阿尔法狗对战柯洁啊..........

显然没有标准答案的问题，认知系统不同的人，看法会千差万别!笔者翻了些资料，目前科学界主流比较认同的是工智能会朝这三个阶段，一步一步往上跳：

弱人工智能：弱人工智能是擅长于处理某一单个方面的人工智能。比如Alfago只能下象棋，苹果Siri目前只能作为你的语音助手。特斯拉的无人驾驶系统里也包含无数的弱人工智能，不要否认，我们已经进入人工智能的世界中，只是现在level还比较低。甚至在弱人工智能中都属于比较低级的阶段

强人工智能：人类级别的人工智能。强人工智能是指在各方面都能和人类比肩的人工智能，人类能干的脑力活它都能干。创造强人工智能比创造弱人工智能难得多，我们现在还做不到。Linda Gottfredson教授把智能定义为“一种宽泛的心理能力，能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作,”强人工智能在进行这些操作时应该和人类一样得心应手。

超人工智能：牛津哲学家，知名人工智能思想家Nick Bostrom把超级智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能。”

目前AI的发展毫无疑问处于弱人工智能发展阶段。但在弱人工智能阶段，AI的发展也要被划分为三个阶段：技术驱动阶段、数据驱动阶段和场景驱动阶段。我们现在处于弱人工智能的早期阶段——技术驱动阶段。

人工智能制胜的三宝

技术的发展一般要先于应用层面，所以现在我们看到各大巨头无论是百度还是谷歌都在致力于这场革命的“基础建设——开源平台的建设。在此阶段，数据量、运算力和算法模型是决定人工智能行业发展的三大要素，也是各大巨头角力的三大山头。数据量和算法可以分别比作人工智能的燃料和发动机，算力则是制约人工智能成“人”还是“成神”的基础硬件——芯片(类似于我们大脑的容量)。我们可以从这三个层面看到一个大体的商业版图：

1、算力

芯片又叫集成电路，算法必须借助芯片才能够运行，而由于各个芯片在不同场景的计算能力不同，算法的处理速度、能耗也就不同。伴随着摩尔定律发展的放缓，人类在精密制造领域(半导体)几近极限。而数据量的增长却呈现指数型的爆发，数据的扩张远大于处理器性能的扩张，依靠处理器性能在摩尔定律推动下的提升的单极世界已经崩溃。拥有超强算力兼具低能耗的芯片是我们步入AI时代的前提。人工智能芯片作为人工智能行业的重要底层架构，其战略重要性不言而喻。

算力这块蛋糕，技术壁垒极高，进入门槛是极其高的。要么是上一轮浪潮中的赢家---Intel，IBM英伟达之流，要么是有zf背景加持的寒武纪，要么是互联网行业野心勃勃的王者——微软、谷歌。总之，这个领域是权(涉及到国家层面的较量)贵(新贵+旧势力)们的游戏!

2、算法

我们现在经常提到的“深度学习”是属于人工智能算法(软件)层面的。自从深度学习取得突破性进展以后，巨头们频频开源，所有的巨头都想成为AI时代下一个开发IOS的“苹果”或是开发Andriod系统的“谷歌”。毕竟大佬的终极梦想都是我吃火锅，你们剩下的吃火锅底料。当这些大佬们把开源做好，就可以收割接下来做应用场景的AI(app)公司的韭菜。这些公司使用开源平台进行算法的迭代时，开源平台可以获取数据，以及市场对应用场景热度的反馈,掌握绝对的控制权和话语权。

自动驾驶系统和物联网成为算法这块蛋糕中，大佬们争夺的现行焦点!后续会有更多的焦点，争斗会一轮比一轮的猛烈。而这场游戏注定是大佬们玩的，前期巨大的投入，才能在后期收割，能玩的起的玩家不多!

3、大数据

笔者认同：

第一次工业革命以煤炭为基础，蒸汽机和印刷术为标志，

第二次工业革命以石油为基础，内燃机和电信技术为标志，

第三次工业革命以核能基础，互联网技术为标志，

第四次工业革命以可再生能源为基础，数据和内容作为互联网的核心为标志。

这三者中，作为燃料的大数据是离商业化场景最近的，也是机会最多，洗牌最惨烈的维度。大数据时代下的核心在于预测分析，在《Big date，大数据时代》这本书中，作者认为基于充分数据，95%的人的行为是可以预测的，大数据的模型就是帮人类做出决策分析。所以数据本身不产生价值，如何分析和利用大数据对业务产生帮助才是关键。数据和内容作为互联网的核心，不论是传统行业还是新型行业，谁率先与互联网融合成功，能够从大数据的金矿中发现暗藏的规律，就能够抢占先机，成为技术改革的标志。

不同于，算力和算法的维度，基本被大佬们占住了山头。在大数据时代，很多行业有重新洗牌的机会。上图中的七大行业就潜在着巨大的经济价值，自上而下分别是教育，运输，消费品、电力、石油与天然气、医疗护理、消费金融，每几个领域里面，每个都有可能出大佬，我们现有的商业模式里，很多都可以被大数据摧毁重建。所以在现阶段躺着挣钱的阿里和腾讯都在在疯狂争夺数据，它们的焦虑不是没有道理的。

芯片世界里的群雄争霸

人们越来越看好人工智能的前景及其潜在的爆发力，而上面三个领域里，要说已经开始创造现金流的要属“算力”这个领域。笔者接下来想重点谈谈这个这个领域里相对应的投资机会。

无疑此阶段大获全胜要属英伟达，凭借自身旗下的GPU芯片，股价飙出天际。但笔者想说大局未定。或者说，你错过了英伟达，还有其他的选择。

1、移动端的新选择

GPU最初是作为应对图像处理需求而出现的芯片。其特点为擅长大规模并行运算，可以平行处理大量信息。在人工智能技术发展早期，因其优异的大规模数据处理能力，GPU被使用在多个项目之中。谷歌的图像识别项目、AlphaGo项目、特斯拉/沃尔沃等诸多汽车厂商的辅助驾驶系统和无人驾驶实验中，均使用了GPU作为加速芯片。

然而，从芯片底层架构来讲，由于GPU并非专为深度学习设计的专业芯片，未必为人工智能加速硬件的最终答案。

在人工智能市场高速发展的今天，人们都在寻找更能让深度学习算法更快速、更低能耗执行的芯片。目前，能够适应深度学习需要的芯片类型除了GPU还有FPGA和ASIC等。

再者，GPU不适合移动端的，人们迫切的希望能把人工智能也带到移动终端，尤其是能够结合未来的物联网应用。

对于移动端人工智能硬件的实现方法，有两大流派，即FPGA派和ASIC派。FPGA流派的代表公司如Xilinx主推的Zynq平台，而ASIC流派的代表公司有Movidius(被英特尔收购)。两大流派各有长短。

FPGA的是对应特定应用场景，针对特定用户需求是的专用类芯片。它优势是，如果计算机需要改变，它可以被重新装配。FPGA巨头们扎堆在美国，FPGA最强的公司有Xilinx，Altera，Lattice,等，各自都有自己的独门秘密武器。其中Xilinx是全球FPGA的霸主，千万门级，16纳米的领先者;Altera(被英特尔收购)是宇航级的开拓者，其他任何一家的产品，都是工业级、军工级，宇航级产品不可缺少的核心芯片，也是全世界国家从事尖端科技的短板和苦主。

2、后起之秀，AI定制芯片必为趋势

假如把FPGA比作科研研发专用芯片，那么ASIC就是确定应用市场后，大量生产的专用芯片。基于此，厂家可以针对特定用户场景使用FPGA进行研发，当算法成熟、芯片设计固定后可以以ASIC的方式进行大规模生产。因此，毫不意外的，作为全定制设计的ASIC芯片，针对适用的应用场景，ASIC的性能和能耗都要优于市场上的现有芯片，包括FPGA和GPU。

目前，人工智能类ASIC的发展仍处于早期。其根本原因是，ASIC一旦设计制造完成后电路就固定了，只能微调，无法大改。而硬件的研发设计与生产成本很高，如果应用场景是否为真市场尚不清晰，企业很难贸然尝试。此外，能设计出适用于人工智能芯片的公司必然是要既具备人工智能算法又擅长芯片研发的公司，进入门槛较高。

除了上面这两种，还包括谷歌推出的TPU--加速人工智能算法的专用处理器。目前一代TPU面向Inference，二代面向训练。

除了算力这个维度，算法和数据这两个维度都还有太多太多可以去探究的机会，篇幅和有限，笔者只能泛泛而谈这场革命，然而AI带来的巨变会在接下来的10年影响到每一个人，望大家一起探之思之。

总结

我们总是高估未来两年的变化，却低估未来十年的变化。

但是科技的发展如同浪潮一般，时刻更替交错，昼息之间，且往往是颠覆性改变。对于一个弄潮者来说，最幸运的就是在有生之年能够赶上一波大潮”。看清大势，方可乘势而为。

浪潮已起，但远未及巅!