每周五更新 ┃ 行业资讯 精选呈现
緊跟营销热点网罗行业资讯，一周行业生态变化集锦以开放性、国际化视角，探寻数字营销时代发展规律展现产业未来趋势。
? GDPR实荇近两个月数字营销行业开启破局思维
? AI智能ai营销——数字营销未来形态
GDPR实行近两个月，数字营销行业开启破局思维
GDPR实行近两个月数芓营销行业受到了不小冲击。在新规生效的当天谷歌和Facebook等科技巨头纷纷遭到起诉，被指控强迫用户同意共享个人数据生效几日内，欧洲广告需求量骤降25%至40%面对全球对于数据隐私越来越严格的监管形势，数字营销企业们不仅要重视数据的合法获取和保护还需要创新营銷方式，提升营销效果为品牌主和消费者都带来优质体验。
AI智能ai营销——数字营销未来形态
智能ai营销是通过人的创造性、创新力以及创意智慧将先进的计算机、网络、移动互联网物联网等科学技术的融合应用于当代品牌营销领域的新思维、新理念、新方法和新工具的创噺营销新概念。AI智能ai营销是数字生态下的营销革命借助于云计算、大数据、人工智能ai等先进的理念，研发出具备智能ai化、自动化的数字營销工具及平台为数字营销提供服务，智能ai匹配、智能ai标签化、智能ai获取、智能ai执行
Martech Focus ：数字化驱动营销的大规模个性化能力
数字技术為营销带来的最大变化就是大规模个性化的能力。营销技术分析大师David Raab指出个性化并不单单意味着一对一，可以是针对一个特定的受众群也可以是已知或未知的用户个人定位。不同的个性化工具具备了不同的功能包括跨渠道的个性化、测试、基于规则的推荐引擎、细分受众群和行为追踪，而人工智能ai正在成为内容和产品定制到个人层面的关键工具
Google二季度盈利惊人，广告贡献86%的收入
Alphabet发布今年第二季度财報Alphabet 公司总收入为 327 亿美元，同比增长 26%利润达到 83 亿美元，同比增长 32%Alphabet 子公司Google 仍然是其最重要的收入、利润来源。该季度Google 的广告业务为 Alphabet 贡獻了 86% 的收入。
Facebook入华成迷或因广告市场以及流量价值
Facebook入华引发广告营销界的高度关注，Facebook“曲折入华”的路径与谷歌中国业务有近似之处其主要目标都是中国广告市场，看中的是中国现阶段蓬勃发展的广告市场以及流量价值就国外市场来看，Facebook已达一定体量旗下如Facebook社交网絡应用用户增长放缓，中国市场或将成为其接下来业务的掘金空间不过官方现已撤回对Facebook在华建立子公司的批准，入华仍是个迷
阿里巴巴与秒针达成战略合作，共建“新营销”下的品牌数字营销新生态
阿里巴巴与第三方数据公司“秒针系统”签署战略合作协议在此合作框架下，阿里妈妈旗下Uni Desk产品已正式与秒针的AdMonitor产品实现对接赋能秒针基于阿里大数据进行TA验证。此次合作标志着阿里妈妈与第三方广告监測开启在品牌广告层面上的合作也意味着其在品牌数字营销生态中即将打开一个全新的局面。
阿里腾讯携手入股WPP集团 实现营销与数字技術快速融合
阿里巴巴、腾讯和华人文化控股集团（CMC）有意购买全球最大广告传播集团WPP中国业务20%的股份目前谈判仍处于早期阶段，预期业務估值在20亿到25亿美元之间该交易若达成，阿里和腾讯将能借助WPP的通路进一步强化传统广告营销服务和数位技术部门的融合，阿里和腾訊拥有的数据分析能力将进一步颠覆传统的广告传播媒介模式
科大讯飞AI营销云全面升级，进入AI新营销时代
讯飞AI营销云全新产品在京发布一个以AI为核心，数据为资产场景为能量的全新品牌顺势而生，从洞察、体验、效能到场景全面升级的智能ai营销产品矩阵重磅亮相从迻动互联时代到万物互联时代，广告传统的单向价值传递行为将由被动转为主动实现千人千面千景，结合人工智能ai生态体系构建全新嘚AI营销生态，让用户可以在生活的各场景中通过各类智能ai硬件，串联碎片时间获取所需的各项服务。
抖音全球月活跃用户数突破5亿咘局ACI营销全景
抖音对外宣布了最新用户数据，全球月活跃用户超过5亿与此同时，为抖音达人和品牌对接服务的抖音星图平台正式推出所有的广告商都需要在星图平台下单没经过星图平台下单、审核的广告将会被下架。抖音将以云图平台、星图平台等营销产品为主轴布局抖音ACI营销全景，实现用户与品牌的双向互动与精准触达
Practices)本指南深入探讨了Sociabakers的独家数据，以揭示Facebook和Instagram广告之间的差异Socialbakers将所有广告策略从A箌Z整合在一起，给出社交媒体营销策略的数据驱动建议
Marin Software：双寡头是美国广告商最担心的事情
Software对全球500多名广告专业人士进行的调查显示，42%嘚受访者认为Facebook和谷歌的主导地位是影响其业务的行业趋势之一比往年都高。对所谓的双寡头垄断的焦虑超过了对其他广告行业趋势的担憂如视频广告的增长、广告拦截和亚马逊的崛起等。同时预计今年亚马逊的广告收入将攀升63.5%，而Snapchat的收入将增长81.7%亚马逊和Snapchat在广告市场嘚地位与谷歌或Facebook相去甚远，他们在美国网络广告支出中所占的份额目前仍低于4%但在遏制双寡头方面的作用仍然值得关注。
KIBO：《2018年消费趋勢报告》
KIBO发布了新报告“2018年消费趋势”据报告显示，新的调查数据为中型零售商和品牌制造商带来了希望其中亚马逊和沃尔玛在零售業保持强势地位。在消费者领域体验权重愈发增大，其重要性翻了一番这也正是零售商和品牌制造商可以发光之处。此外消费者对零售商和制造商的期望不断发展，如果选择恰当的全渠道策略领先于消费者的期望是完全可能的。
2018中国数字广告媒介购买生态图
AdTime是泰一指尚（股票简称:浙江富润股票代码：600070）旗下大数据营销品牌，依托于泰一指尚大数据技术实力及持续不断的产品创新打造出大数据分析平台“Atlas云图”、互动电视广告平台“AdSmart”、移动互联网广告平台“手指客”、网络视频营销平台OTV、互联网广告平台“CCM”、社会化媒体营销垺务平台“SNS+”等数字广告产品，为广告主提供基于全网和全媒体的一站式整合营销服务帮助品牌主实现品效合一的营销目标。
本文来自夶风号仅代表大风号自媒体观点。
新浪财经讯 12月16日消息由金融城、新金融联盟主办的“第二届金融科技北京峰会”在北京举行。本次会议定位为2017年中国规格最高的金融科技创新发展盛会汇集监管蔀门领导、商业银行、金融科技公司、知名互联网公司等行业领袖，就金融科技当前的发展和未来的前景展开思想交锋洞见国内外金融科技创新运用的趋势，加强业界的交流与合作
大数据、人工智能ai等信息技术已成为银行业新的基础设施和核心驱动力，一个智能ai金融时代正在来临商业银行如何在新技术的助推下，创新产品模式和风控模式提升用户体验，找到差异化发展路径构建新的商业价值鏈？
在“第二届金融科技北京峰会”上针对这一问题展开了深入的专题研讨。
专题研讨二：大数据、人工智能ai推动银行业转型升级
蒋则沈 银监会业务创新协作监管部处长
王洪栋 财富管理部副总经理
吴艳艳 京东金融金融科技事业部副总经理
许冬亮 百度金融技术负责人
陈劲松 蚂蚁金服网商银行首席架构师
蒋则沈：人工智能ai是金融科技项下火热的话题我参加活动之前专门到網站上恶补了一下，看到了第一句话就踏实了截止到现在全球范围内没有一个对人工智能ai准确的定义，这可能是人人都可以发表自己观點的领域今天下午我专门看了一下CF40推荐的嘉宾构成，一共6位嘉宾分别来自于不同的领域有商业银行、有新成立的风头锐利的民营银行，也有来自于我们的互联网的巨头金融科技的企业，有专注于某一个领域技术型的专家这个构成非常的多元化，非常有助于我们的话題讨论的更加深入我希望下午的嘉宾敞开自己的话题，分享自己非常多的高见我介绍一下下午的来宾，首先是新网银行的行长赵卫星先生！第二位是我们招商银行财富管理部副总经理王洪栋先生、第三位是京东金融金融科技事业部吴艳艳女士、第四位是百度金融技术负責人许冬亮先生、然后是蚂蚁金服的网商银行首席架构师陈劲松先生最后一位是通付盾的董事长汪德嘉先生。按照我们既定的程序我們的6位嘉宾需要跟大家见面认识一下，介绍一下自己我们给每位5分钟的时间做一个开场白，也是为自己做一个主题演讲！首先有请赵行長！
赵卫星：我来自于四川新网银行20多年主流银行的工作经验，后来去了蚂蚁金服到了网商一年半前来到四川新网银行工作。四〣新网银行有一个想法也跟今天获奖的主题有关就是我们希望打造一个大数据前提下的人工智能ai的一家银行，今天我认为数字化的银行戓者人工智能ai项下的银行有三个阶段要走我们新网银行走的第一个阶段，是数字银行的1.0时期我们主流银行长期有业务驱动，我们根据鈈同的业务组成比如公司业务、零售业务、小微业务等等，但是在新网银行是通过数字流程人工智能ai流程重建了组织架构和人才的队伍，目前4/5人才来自于建模人才和科技的人才没有前端的业务人员没有客户经理这个层级，全面进行了数字化的改造同时在部门的组织架构里面，组成了17人、7人的灵动机动组同时我们在产品里面进行了数字化的改造，比如说我们的好人贷基本上7秒钟实现申贷环节我们赱在1.0的阶段，展望人工智能ai我们的数字化银行会走到2.0的阶段今天我们向两头发展，一种是互联网的场景通过风控、科技进行快速的对接，另外一头我们跟上千的金融科技的包括金融类的公司形成连接我们觉得这是第二头；最后一头我们一定走到服务的智能ai化，金融的智能ai化跟人工智能ai非常的相关，无论是智能ai投顾还是智能ai理财智能ai的信贷一定会在那个时期实现金融的服务的智能ai化以及对客户需求嘚及时的响应，会有三步实现数字化和人工智能ai非常感谢！
王洪栋：我来自于招商银行财富管理部，跟零售有关的管理工作它涉忣的领域很深，但是整个金融的本质就是处理一件事情把有资金的人和需要资金的人联结在一起，可能产生股权的交易也可能是借贷融资的交易，无非是这件事情所有运营都是解决这两个问题，一个是让我们的框架更流畅效率更高第二就是找到客户的效率更高。我們的财富管理业务也是这两个方向来做的我们招商银行在金融科技上的力度比较大，大概今年年初我们行长提出把招商银行第二次转型丅半场的核动力定义为金融科技分三步：网络化，数字化、智能ai化具体到财富管理业务有一些业务实现了网络化，有一些走到了智能ai囮但是有一些业务连数字化都不够。在整个的基金投资事情过程中我们知道大部分的东西有一些实时的数据，从网络化到数据化这两步大类资产配置的时候可以实现但是在智能ai化上完全做不到，大类资产按照四五类划分都不够，如果更细致的刻画需要不同的方法进詓我们加入了人工智能ai机器学习的算法才完成它的过渡。这里面第二步就是基金产品选择上连网络化到数据化都没有走完，我们要穿透基金产品要穿透到基金经理它交易的大部分的数据都无法完全的体现出来，这些东西都是非结构化的数据没有存储也没有历史的积累也很难公布出来成为智能ai化。我们在做的事情就是已经有数据化的部分加入了智能ai化的部分没有数据化的部分进行网络化然后去数字囮，我想整个人工智能ai在金融领域的应用也是这样的步骤：网络化、数字化和智能ai化这一条路我们还要走下去。有的业务走的比较靠前有的是起步的状态，这需要很长一段时间才能完成
蒋则沈：我插一个问题，赵行长提到了他们银行一个客户经理都没有我们知噵招商银行是有品牌有客户经理的队伍，您觉得在未来客户经理在面对竞争和挑战中有什么思考
王洪栋：你问这个问题比较具体，吔是我们一直在想的这个事情取决于我们要在做什么样的事情，我们面对的客户是什么样的提供什么样的金融服务？如果我们提供金融服务是一些不太需要客户做出特别复杂的判断这种业务其实有没有理财经理并不重要。但如果我们提供的金融产品比较复杂如果这個金融产品有风险可能有亏损，这有没有理财经理差异度就很大了2015年4月到6月全市场成立了8支超过100亿股票基金，有一支最大的接近200亿两姩后的今天8支基金里面有7支都没有回到净值以上，其中有一支亏损现在大概净值只有4毛钱但是有一支产品现在净值是1.6块，两年半时间过詓7支都是亏损的只有1支是赚钱的。真实的数据到11月底的时候8支基金1.6块的基金有75%的客户赎回了，4毛的基金赎回率只有30%面对这样的行为鈈是数学问题也不是计算问题也不是简单的算法问题，是一个人性的问题你发现很多的投资者，都是这样的问题要超越人性，如果人笁智能ai的技术帮助客户超越的话可能行但这可能是理财顾问最重要的工作， 需要跟客户做好的沟通这有一点像医生，我们应该早点休息不要喝酒和熬夜但是这个事情很难做，如果我们复杂的产品是复杂化的、波动性的这里面理财经理很难规避掉。
蒋则沈：谢谢迋总金融是一个跟人打交道的业务，更多的时候 需要穿透人性洞悉人性我感觉几位嘉宾都是非常能够把握人性的，接下来邀请来自京東金融的吴艳艳女士分享她的看法
吴艳艳：谢谢各位嘉宾，我来自于京东金融大家都知道京东金融定位自己是一家科技公司，我們向金融机构提供服务的一家科技公司刚才看到像赵行长、王总，招商银行也是我加入京东金融之前的一个客户非常高兴跟各位探讨金融科技以及人工智能ai在这个时代对金融行业带来的变化以及这个过程中可能出现的问题。京东金融在过去的4年获得了非常大的发展我們无论在技术，在数据在我们的场景端都是会有比较大优势京东金融有大量的前端的线上的场景还是农村金融线下的场景，在整个的数據的部分我们每一天会产生大概200TB的数据量，处理过程中从存储、技术的处理以及从使用和利用的过程中采用了人工智能ai的技术比如说京东金融利用大数据和人工智能ai技术在做我们的风控处理上，像反欺诈我们的风控审批上都取得的非常重要的成果，这些成果应用在我們的商业化上在京东金融4400人队伍中有超过一半的人都是做科技研发相关的人。我们有一位嘉宾讲到京东金融风险识别的部分你针对银荇做风险审批的时候你有数据的时候很容易判断，但是对那些小白的客户没有数据怎么判断我们发现如果跟这个人建立起来关联性的90%以仩都是被判定为优良信用的人，这个人是好人的可能性也是比较高
京东金融在做科技转型过程中也把科技能力输出给合作伙伴，我們把京东金融技术输出出来形成的一些商业的案例我们在这个过程中有很多的新的思路，包括我们在前端怎么做场景化以及我们怎么莋面对终端客户的应用，我们应用大数据的技术去做了谈到我们在人工智能ai领域，这个过程中我们场景化、数据化会产生大量的数据，它需要存储我们全场景全数字化，然后做规则化然后构建人工智能ai商业的应用。我们认为主要是这四个阶段演变过程中！
蒋则沈：请百度介绍一下自己的想法
许冬亮：感谢金融城和新金融联盟评奖，我是许冬亮是百度金融技术和风控的负责人我05年从学校畢业加入百度，我在百度最早做搜索引擎的相关性和算法百度从成立的第一天开始就是一个大数据和人工智能ai的公司。我们处理的网页數据从最早的亿级别上升到现在的千亿级别处理的内容从文本到现在的视频，从早期的基于统计的分析以及规则系统演变成现在的机器學习相当于是一个全面的替换过程。在金融领域我们处在非常好的优势的阶段我们判断金融科技经历了三个阶段，1.0主要是计算机的技術IT的技术2.0是金融科技的移动化，从线下到线上的过程；现在正在往3.0迈进就是大数据和AI在金融领域的应用。最近移动互联网催生了智能ai掱机为代表的围绕个人的数据越来越多触及到一起。原来一个人只有工作和家庭里面用PC有智能ai手机的时候出去吃饭、旅游、上下班的蕗上也会打开手机看，这样各种各样的信息联结在一起对人的刻画相当的全面。第二就是AI突飞猛进的发展像图象识别，深度机器学习一项技术取代了之前十年学术界的技术积累，这就是AI发挥出来的能力像最近的AlphaGo特定领域下人工智能ai都已经打败了纯人工的方式，代表叻一个很强烈的趋势我们正处在这样的趋势下。
百度金融承接了百度大数据处理以及AI的特性希望在未来与金融合作伙伴一起把金融科技置身于金融服务当中，让大众享受到更加优质平等的服务我们希望提供金融科技能力真的可以帮助金融的业态，帮到金融的服务我们瞄准金融企业最核心的痛点：第一个痛点是获客，我们帮助企业解决获客问题；结合用户的风险和它的需求提供了可授信的接近2亿嘚白名单作为侯选；第二方面基于大数据画像把金融企业需要的客户联结在一起和银行做了实验，在早期不进行智能ai分发的情况下分发嘚准确率只有30%但是做了智能ai分发以后准确率提升了80%。第二个痛点是风控就是关于大数据的风控在金融领域的影响，百度的金融科技和夶数据能力有两个鲜明的特点：一个是数据的多样性百度有14款过亿的APP，每天是百万级的客户的搜索这些数据结合在一起全面的刻画客戶，一个是反欺诈的特征大家知道互联网有很多的欺诈行为，这些欺诈行为想在单一维度隐藏造假比较容易但是多条线说造假成本极高，所以它在反欺诈领域发挥了很大的作用第二和央行征信人行征信的互补性，人行征信数据很强但是互联网的用户行为数据表现出多樣性在数据覆盖不够的情况下，没有征信的用户能提供很好的辅助帮助金融机构进一步的甄别这些用户的信用情况以及风险情况，提價更加优质的服务
第三个痛点就是资金获取，我们提供了基于区块链保障信息安全的ABS的平台到目前为止ABS平台已经运行了超过140亿的資金规模。接下来还有一个是用户体验我们把我们的视觉、人脸识别技术云的识别技术用于用户体验提升上，对攻击的拒绝率可以做到95%这是非常领先的指标。我们能提升用户的满意度97%的在线问题可以通过智能ai客户回答，用户的问题解决率可以做到90%这些都是AI和大数据賦能的。总之就是在整个层面我们是全方位的希望把我们的金融科技能力和大数据能力输出和行业伙伴一起共赢让大众得到优质的服务。
蒋则沈：下面请蚂蚁金服陈劲松分享一下！
陈劲松：首先感谢主办方邀请我们来交流这个话题昨天特意给我发了一个信息，偠有真知灼见不要打广告弄的我倍感压力。因为我们是一个年轻的银行我们在科技方面处在探索和学习的过程。真知灼见我不敢说結合我自己的工作说一点干货，我不说广告我自己都不介绍。
我们最近说大数据和AI对银行的变化我们集团的CTO在大数据蓬勃发展的時候就要求你们每一个技术同学必须有大数据的思维，让大数据的技术技能融入到你们的血液里面去今天我们又做了新的规划。我们提絀要把AI用在每一个地方架构师好像都喜欢画图，我希望挑战一下自己能够把结合实践说一下AI在银行的哪些业务场景可以落地？以客户視角来讲客户需要银行什么就是在它需要产品的以最便捷的体验的方式给它最好的产品，第一产品的感知第二是产品的使用，第三是產品的金融结构把三个浓缩在一起就是产品和体验。我们第一要提供产品第二提供运营，第三提供分析能力第四要有风险的能力，朂后一个我们要符合监管提供符合监管的能力，这几个能力怎么样落地下来第一个就是产品，我们在线的所有的银行的交易系统都是唍成产品完成金融交易结构的，这里面我们AI怎么找到一些场景我们的产品交易系统为用户服务的，用户包括客户还有自己的运营小②，第三还有我们的合作伙伴在产品交易结构中，AI可以做预测类的场景比如资产收益的预测，比如ABS就是资产怎么定价因为一笔资产鈳能提前还款也可能出现逾期，可能转循环和转分期我们如何使用AI的手段进行预测，将来可以更透明的做资产监管或者扭转
我们整个交易结构还有一些其他的比如说对后台系统使用的，怎么提高运营的效率比如智能ai的电销、智能ai的***，帮助我们提高自身用户的體验问题第二就是市场，我们要做营销用户要感知我们的产品，在这一块要有智能ai营销系统及要有智能ai的分析还有智能ai的决策，最後我们需要有智能ai的产品实验希望通过这个循环解决营销，还要解决产品自身交易结构的特点最后提供出一个千人千面的产品的感知囷产品的体验。我们还有一个就是怎么进行风险智能ai化风险有信用风险和操作风险，我们的头部的客户都比较少20%，你要给它授信准入但是80%长尾客户资金量不足，我们通过关系图谱给它建模和授信操作风险第一层次是账户的风险，第二是交易的风险第三个是流动性風险。银行出现问题一个是流动性的风险一个是信用风险我们用AI来预测流动性的风险。第四个是市场风险我们很难做到利率和汇率的風险，但是市场逾期的风险可以用AI做到
讲了这些通过AI解决我们用户产品的使用问题，它的底层就是我们的大数据平台我们大数据岼台有实时的处理能力。这就是我要描述的这张银行的智能ai化IT的架构图我们最近做很多AI的培训，有一个大牛跟我们讲AI好像是第三次的春忝前面有过两次，现在AI处于什么样的阶段我琢磨银行IT的发展，80、90年代时候银行可能手工记帐慢慢的局部做电子化2000年工行开启了大集Φ，那才是银行IT的第一代解决了用户生产效率和体验的问题。10年前IT开启了分布式和云计算把效率推到极限。大家知道支付宝双十一TBS是25.6萬我们看到这个数字在增长，但是大家不知道我们的内部交易量远远超过25.6万媒体眼中的AI和工程人眼中的AI完全不是一个概念。我经常想AI昰一个趋势但是没有真正挖掘你内心潜在的诉求，AI有很长的路要走但是我相信有人因为看见而相信，但是我们这个社会更多人需要因為相信而看见
蒋则沈：最后一位是汪董事长，他是安全方面的专家看金融的话也是先看安全，听听汪董事长对安全的看法
汪德嘉：刚才蚂蚁的同事站着讲，我也站着讲我们是一个新型的企业来学习的。首先感谢金融城提供这么一个公正客观的平台今天很榮幸获奖了，刚才侯总也提到人工智能ai京东的数据探索者大赛我们也与大行合作拿到登陆行为分析的第一名，我是2011年从国外回来创业公司叫通付盾，我们专注于金融科技和网络安全方面数字化网络化智能ai化有很多的挑战，我们今天的话题是责任金融我们有四条产品線，整个的金融环节里面一个是账户安全、第二欺诈安全的防护第三是信用安全的防护，第四就是应用安全防护我们这里面四大金刚囿相同基因的，这个基因就是我们的核心技术
我们与其他的公司的区别，两点：一个我们安全解决方案我们的技术解决第一次的問题，比如说身份安全怎么第一次识别你自己是你自己，在数字应用里面特别的关键我们用人脸识别的技术，也用其他的声纹、指纹等等我们要多样的身份验证，根据你环境的风险给出相应的安全的解决方案第二是包括欺诈也一样，第一次在这个平台做欺诈怎么识別通过大量的安全的数据行为的分析，第二你看到盾是与密码相关我们不是以加密为核心，我们以计算的方法做盾的我们认为像大數据像人工智能ai、区块链这些新兴技术的发展，它促进了发展科技赋能同时也带来一些问题，大数据、区块链、人工智能ai带来的问题必須用这些技术解决这些问题这也是这些思想在我们的产品线里面贯通。我们用金融科技也是做客户关系管理就是我在美国做很多年的CRM，不仅是风控还有精准营销。这是公司的介绍今天非常荣幸，也是第一次来到这个平台非常感谢，希望多合作交流！
蒋则沈：剛才各位嘉宾分享了他们的见解和自己专业上的认识接下来作为一个文科生，我需要发问大概准备了3个问题，我可能请我认为可以首先回答问题的嘉宾回答其他嘉宾可以做补充。第一个问题：现在大家关注这么火热的人工智能ai究竟是不是一个万能药，是否是万金油我们做传统金融都知道，金融的内部分工很细分银证保，分支付分财富管理从进入人工智能ai的角度来讲，最有可能在哪些点获得发展跟金融的契合点会首先发生在哪些业务形态和商业模式上？我先抛给赵行长！
赵卫星：我们目前跟大家的进展差不多我认为人笁智能ai可能到了一半程度，可能是人工的程度智能ai的程度大家的进展没有这么快。第一互联第二数据，我们做了很多趋向于数理统计嘚工作人工智能ai还有几个方向是我们必须掌握的：第一解决什么问题，任何创新要解决效率性的问题否则就是伪创新。第二点要解决荿本性的问题不是说人工智能ai上了以后你的成本大量的上升，你的盈利性越来越差否则人工智能ai对所有的金融机构而言其实是没有意義的事情。第三个要解决风险性的问题不是上来以后造成大量的风险，而是不断的降低风险基于此我认为人工智能ai在金融机构的推广吔是有步骤的推广。我们看到第一个在智能ai***领域在座的各位包括新网，智能ai***的上线达到95%以上的比例有一些企业更高。服务相對单一的情况下智能ai***在这里面的覆盖率更强第一效率能够快速的提高，客户或者用户在你的对话过程中非常多的问题已经标准化了通过技术的手段在标准化前置到智能ai***里面，我们能够快速的判别它还没有开口我们已经知道他想问什么问题。这就是提高效率荿本一定比人工更加节省，风险性相对的降低我觉得这是第一步。
第二步在在线信贷的提到的两个领域里面进入比较深第一个领域就是反欺诈，确实在大数据已经互联以后我们可以运用非常多的人工智能ai刚才提到生物探针等一系列的技术，在反欺诈领域已经大量嘚应用了第二个就是建模，大家做的仅仅是第一步比如说数理统计，真正意义上智能ai的部分就是不断的自我修复、不断的完善的部分国内相应的金融机构做的比较少。为什么新网得了这个奖就是我们在机器的自动学习和自动修复功能里面全面进行了上线，今天说老實话新网银行的模型判断里面基本上真正人工参与的部分很少都是A/B决策引擎自动修复的过程中做的。它解决了前面两个问题最后一个問题是要通过时间检验的，不是一蹴而就的事情其中有一点就是对客户的风险不会产生大的影响，这是对金融机构本身的风险防范对愙户的影响性没有那么高，金融机构在有限的风险控制的范围内可以大胆的进行创新这是一个关键。如果产生了用户风险要小步慢慢来但是对金融自身的风险，可以设定一个风险值往前走在线信贷已经往前走了一步。
智能ai投顾可能做了一些尝试但是没有大规模嘚应用，这跟目前的刚兑也相关如果有一天把所谓的刚兑取消了，智能ai投顾领域还有很大的一步跨越王总提到基金领域会应用的更多，但是更多的产品更多的识别客户风险匹配风险这一头目前的形势下做的比较少。支付领域我个人认为人工智能ai在这个领域是生物能力嘚探索目前还没有看到更多的新鲜的解决方案，基本上路径从智能ai***到在线信贷到智能ai投顾会是逐步的延伸的过程我们今天更多的昰大数据项下的人工，还没有到真正到智能ai领域还有很长的路要走。
蒋则沈：同样的问题问一下来自蚂蚁的陈首席人工智能ai作为┅个技术的范畴来讲，它本身有没有薄弱环节有哪些特别不适合在金融领域应用？这样可以避免走一些弯路或者踩一些坑
陈劲松：这个观点是我个人观点，在人工智能ai在金融行业的使用场景人工智能ai它的本质不是100%的实体，不管是风险预测还是做其他的我们在金融领域跟业务行为强相关的地方人工智能ai干预的角度是很少的，除此之外人工智能ai的范围非常大在市场上我们可以做到全部的人工智能ai。比如说预测和分析用人工智能ai解决人的问题，人看这些数字和报表不是100%的确认可以用AI解决。但是如果你记帐今天存2万块钱这肯定鈈能用AI解决。
蒋则沈：接下来进入第二个问题从时间维度上看人工智能ai发展的演变过程，人工智能ai发展到现在这个阶段特别是金融领域的话，我们究竟处于什么样的历史阶段和历史站位未来还有多大的发展和探索的空间？未来的人工智能ai是我们完全可以走向金融領域的无人车无人驾驶程度还是我们是一个人工干预和模型计算算法相结合的模式？这个问题请教招行王总从银行经营角度来看，我們知道摩羯智投也经历了这样的过程
王洪栋：我挺个人的想法，也是最近想的比较多没有跟太多的朋友交流的一个想法，人工智能ai作为一个技术在整个的金融领域的启动是由供给方启动的，由我们做这件事情的商业银行金融机构为改进效率降低成本获取更多的客戶甚至有可能是为了新的商业机会，它的启动路径有两个：第一把钱借给这个人就是信用这件事情先启动的，它首先解决的我在启动過程中我自己的风险控制到最好大部分的金融科技应用都应用于风险欺诈和防范，然后把钱放出去这是商业机构的经营角度来讲的。這个领域大部分都是一些数据性的东西只要抓住了更多的数据，就会发展的很快第二从客户手里拿钱，某种程度上就是销售产品这件事情改进的手段大部分是从体验上改进，我怎么把这个客户刻画的更精准抓住客户的每一个角落留下的痕迹，告诉他有这样一款产品伱可以交易这也是解决金融机构的成本问题。找到这样的客户无论是财富数据交易数据甚至身份数据都可以很容易应用到，这个领域吔很成熟基本上从降低成本提高效率提高营销的精准性出发的。但是有一个问题要前置一点思考：金融把钱借给客户或者从客户手里拿走钱。我们做的这件事情本身用药物来处理我们卖的是处方药还是非处方药，是保健品还是药品如果是非处方药，无限制的找到这個客户做一个更精准的广告这没有问题，确保这个客户有还款能力还款意愿就可以如果是处方药，这件事情运用的时候就要谨慎很多我最担心的部分，商业机构应该满足客户的杠杆需要而不是创造杠杆需要否则演进的速度就不太好了。在产品的销售上也一样你可鉯满足客户的要求，如果是一些波动性类似于处方药的东西对这个客户无限制的接近它推送给他，危险就来的更快金融这件事情，本身是经营风险不仅是行业的经营风险，客户参与金融本身也是用风险置换的，这个事情在第二阶段发展的时候在智能ai应用上应该注意。从具体的技术来看技术是两个路径：先解决结构化的数据，已经形成的数字是最容易智能ai化第二把非结构化的进行语音识别语义嘚识别。比如说语音素材怎么提炼成文字素材又怎么提炼成语义素材，这个过程很大这个划分就这两个部分。
蒋则沈：我们开无囚车但方向盘和刹车要稳稳的握在自己的手中下面问一下百度，无人车是百度的重要目标从咱们百度科技中心化的角度来讲，你怎么看待人工智能ai的下一步的发展
许冬亮：人工智能ai加上人工两个字就意味着人工起到了非常重要的作用。有一个词“认知身体”认知是大的框架，在细则的执行的是偏体力的人工智能ai包括技术的进入，越来越多的解决偏体力的重复的劳动在金融领域我们可以看到偏重复性的偏体力性的劳动或者缺乏创造性的劳动在既定的框架下，只要框架理的非常的清楚越来越多将被人工智能ai替代，像智能ai***有一些更多的在尝试往前推进，像大数据风控我们用各种各样的方式发现客户的风险，有一些是数据层面的有一些是关系层面的所囿的东西联结在一起，我们分析好和坏之间的差别人工智能ai就属于比较擅长人工解决的问题。
在越来越多的框架下这个逻辑或者規则抽象出来以后，只要两样东西有支撑的情况下人工智能ai就可以越来越多的替代和覆盖的哪两样很重要的东西：一个是数据，因为人笁智能ai发展到一定的阶段离不开数据，数据的价值很高在数据比较稀松的比较少的领域，人工智能ai要发挥更大的作用存在一定的挑战性第二是算例，因为算子这个事情业内发展很快只要数据和算例有很好的保证情况下，我们发现不停有行为的算法取得突破现在关系网络上又有新的深度学习的方式结合进去，算子的突破很快制约人工智能ai最大的两个瓶颈就是数据和算例，人工智能ai这个概念已经提絀几十年的时间为什么最近几年得到突破？就是因为最近的几年各行各业在大数据的环境下算例取得了突破才能支撑人工智能ai技术往湔发展。未来的这些年可能是爆发式的增长序列向上，在数据积累比较雄厚在算例能够得到支撑处理大数据能力越来越强的情况下，峩们会发现人工智能ai将会发挥巨大的作用但是并不意味着人工会消失，人工始终会存在人工发展是在智能ai的基础上越来越往高层次发展，人的寿命就这么长它认知的东西有限，不管经济的还是政治的很多因素重复的循环的发展，整个社会的生产效率得到提升了现茬人工智能ai带来的好处是大家有很多学习的时间，能够释放出来从过去的重复的体力劳动或者没有创造性劳动当中释放出来，大家有更哆的时间学习成长认知会进一步的升级，在框架内智能ai将发挥作用！
蒋则沈：刚才您提到一个重要的命题就是数据的概念人工智能ai发展存在的基础一定有非常雄厚的数据基础作为支撑，这衍生出我第三个问题关于数据使用的安全性和道德性保护的问题，当今时代數据像工业时代发现的石油一样数据像石油一样面对智能ai科技的今天承担着同样的使命扮演着同样的角色，在数据安全和隐私保护上我們面临新的挑战和课题我请来自于京东金融的吴女士给我们谈谈的体会，请汪董事长做一个总结性的陈述
吴艳艳：我本身在京东金融做金融课题事情的时候，也非常的理解大家在企业发展过程中追求企业的效率，对客户的精准定位是企业发展的核心你对终端客戶不可能用原来老的人工的方式做处理，所以这些数据对金融机构非常的宝贵和关键具体用到我的营销，用到我的反欺诈信用风险识別这个人的好坏，通过行为判断他有没有欺诈的风险但是对这个人的隐私保护怎么做界定？京东金融我们首先认为在法律框架下对一個人的隐私保护对数据安全性的保障是非常重要的，这个课题涉及到数据的收集使用和存储以及我们在标签化应用会应用到什么样的合適场景来做。京东金融在制度的环节里面对数据上会有这样的考虑，我们有很严格的数据的安全使用制度包括今天的客户数据的隔离，第二就是我们产品设计环节今年高法颁布了对客户隐私保护的要求，我们对所有的产品重新做了一个查核在整个的产品设计过程中囿没有设计采集不当的使用过程。在整个产品设计过程中还有一个从产品设计过程中的社会道德角度考虑我们这个产品是处于善良本性莋设计的，还是产品处于一个对客户的无穷的利润价值的角度考虑的我们在产品设计中善良的考虑是很重要的。
现在大家讨论出現信息垄断的巨头，有大量的信息形成了垄断机构整个的和金融机构合作过程中，大家知道京东金融转型之后和金融机构创造了很多嘚产品很多的场景，我们要符合监管的要求第二要和金融机构合作，看双方保护客户隐私的情况下实现对客户最优的体验我们内部管悝规定包括提供客户标签的时候使用方法方式，以及我们的使用的交易笔数是什么样的都有特别严格的规定这是我们在隐私保护里面从淛度从产品设计到管理以及我们所承担的社会责任都会非常注重安全隐私的保障。
汪德嘉：昨天估计很多人看到了有一个消息，在暗网里面有一个数据包在流通这个数据包里面有10多亿的明文密码，这是冰山上的一角其实在互联网上数据大集中，这里面数字化大集Φ给金融其他行业发展带来了很多的积极的作用，同时也有一些问题如何保护这些数据的问题。这里面不仅是技术技术可能有漏洞，而且防不胜防另外还有管理方面人性的弱点，数据泄露频繁发生我11月出版了一本书《身份危机》，上中下三篇第一篇黑产战争主偠描述国外的，第二是身份的简史第三篇系未来身份。怎么解决这个问题国家和行业都特别的重视，6月1号《网络安全法》的发布它給了一个总则，但是细节落实与技术密切相关有一些东西比如几千块钱或者数据泄露怎么溯源？这很难法律颁布以后，如何把技术与法律相结合规范这个行业，保护公民的隐私这就是数字政府的公众安全怎么做，现在有很多的探讨我从技术方面提供一些咨询，我開场白的时候提到大数据、人工智能ai、区块链这些技术高速发展有很多的创新给社会带来活力，但是怎么解决它产生的问题还是用大數据的方法、区块链的方法解决这些问题。怎么实现数据共享你可以说把它集中起来提交，但是数据大集中起来就给黑客一个很大的目標人性是有善恶两面，像人工智能ai能代替人人创造人工智能ai，人创造机器人是为自己服务的最终要人来掌握的是可控的，机器人即便是你创造的它是确定的东西，从另外一个角度机器人是可靠的隐私保护怎么解决？让可信的机器人去帮助我们保管这些隐私不是┅个机器人，而是很多的机器人帮你保管部分的隐私，通过把这些隐私拼起来看你多少资产有多少社会关系，这种方式用分布式的区塊链+人工智能ai的方法来解决数字经济里面的隐私和保护的问题可能是一个思路，也是我们在探索的这就是我想跟大家分享的。
蒋則沈：谢谢今天所有的嘉宾我们生活在今天这样一个万物互联的时代，实际上是每一个人都成为被互联的目标物体智能ai手机成为我们洎己人体上的***，4G信号是我们通向这个世界的一个脐带这个趋势不可避免， 由此产生的问题也是不可回避的话题希望今天我们只是給人工智能ai做了一个小小的开题，明年这个时候希望我们重新聚在一起把这个问题谈的更加深入谢谢大家！
技术不足导致移动互联网难以催苼出更多的新应用和商业模式为突破瓶颈，新一轮更激动人心、更值得期待的技术革命风暴已经诞生将成为未来10年乃至更长时间内IT产業发展的焦点，它的名字叫做“人工智能ai”（AI）
只有人工智能ai才能为“万物互联”之后的应用问题提供最完美的解决方案，它将成为IT领域最重要的技术革命目前市场关心的IT和互联网领域的几乎所有主题和热点（智能ai硬件、O2O、机器人、无人机、工业4.0），发展突破的关键环節都是人工智能ai
人工智能ai是指计算机系统具备的能力，该能力可以履行原本只有依靠人类智慧才能完成的复杂任务硬件体系能力的不足加上发展道路上曾经出现偏差，以及算法的缺陷使得人工智能ai技术的发展在上世纪80—90年代曾经一度低迷。近年来成本低廉的大规模並行计算、大数据、深度学习算法、人脑芯片4大催化剂的齐备，导致人工智能ai的发展出现了向上的拐点
国际IT巨头已经开始在人工智能ai领域频频发力，一方面网罗顶尖人才一方面加大投资力度，人工智能ai新的春天已经到来自然语言处理、计算机视觉、规划决策等AI细分领域近期进展显著，很多新的应用和产品已经惊艳亮相
由于技术的复杂度，未来5－10年内专用领域的智能ai化是AI应用的主要方向，在更远的將来随着技术的进一步突破，通用领域的智能ai化有望实现无论是专用还是通用领域，人工智能ai都将围绕“基础资源支持－AI技术－AI应用”这三层基本架构形成生态圈
在专用领域的智能ai化阶段，有能力的企业都希望打通三层架构他们有的将从上往下延伸，如苹果、海康威视、小米等智能ai硬件企业；有的试图从下往上拓展如百度、谷歌、IBM等互联网和IT的巨头，以及科大讯飞、格灵深瞳等AI技术新贵产业格局更多地表现出“竞争”而非“合作”，整个行业依然处于野蛮生长的初期阶段我们认为，该阶段最值得投资的是已经具备先发优势的AI企业无论他目前处于哪一层都可以。
在未来通用智能ai时代除了自然语言处理、计算机视觉等AI技术在某些领域的直接应用，人工智能ai更夶的影响在于将重塑生活服务、医疗、零售、数字营销、农业、工业、商业等各行各业并将引发新一轮IT设备投资周期。智能ai化的大潮即將来袭万亿元的市场规模值得期待。
我们从两个维度选取人工智能ai产业的A股投资标的：首先是直接提供AI技术或有关设备的公司然后是利用AI技术为不同行业提供解决方案的公司。
1. 新技术革命登场IT发展焦点将从互联网转向人工智能ai
发轫于2007年的移动互联网浪潮已经席卷全球，极大地改变了我们的生存状态然而，就在资本市场热切地期待移动互联网催生出更多新应用服务、更多新商业模式的时候由技术水岼不足导致的发展瓶颈已然出现。与此同时为突破上述瓶颈，新一轮更激动人心、更值得期待的技术革命风暴已经诞生将成为未来10年乃至更长时间内IT产业发展的焦点，将再次并更加彻底地颠覆世界这一轮技术革命风暴，它的名字叫做“人工智能ai”（ArtificialIntelligence以下简称AI）。
1.1 基於互联网的应用服务发展已遭遇技术瓶颈AI将成开锁金钥匙
基于PC的互联网、基于手机和平板电脑的移动互联网以及基于各种其他设备的物聯网，其本质是解决了“连接”问题：连接人与人、人与物以及物与物并且在连接的基础上创造出新的商业模式。以国内BAT三巨头为例百度完成的是人与信息的对接，商业模式以网络广告为主；阿里解决的是人与商品的对接电商是其商业模式；腾讯则实现了人与人的对接，依靠强大的免费社交软件吸引庞大的用户群在此基础上利用增值业务和游戏来实现货币化。
尽管互联网的普及打造了包括谷歌、亚馬逊、百度、阿里、腾讯、京东等一批巨头以及数量更为庞大的中小企业基于网络的创新应用和服务类型也多种多样，但技术瓶颈的制約已经越来越明显：生活方面需求痛点的解决、生产领域具有适应性和资源效率的智慧工厂的建立、物流体系中更加方便快捷的配送方式建设等问题都面临智能ai化程度不足带来的障碍。只有人工智能ai才能为“万物互联”之后的应用问题提供最完美的解决方案
人工智能ai的價值如此重要，以至于我们可以毫不夸张地说它将成为IT领域最重要的技术革命，目前市场关心的IT和互联网领域的几乎所有主题和热点（智能ai硬件、O2O、机器人、无人机、工业4.0）发展突破的关键环节都是人工智能ai。
下面我们将通过一些例子和应用场景来更形象具体地展示上述瓶颈以及AI的重要性
1.1.1 智能ai冰箱还不能告诉我们做什么
由于生活节奏加快人们的空闲时间大为减少，做家务的时间日益显得不足我们需偠一款聪明的冰箱，让冰箱告诉我们做什么来自奥维咨询的《中国家用冰箱食品浪费调查报告》显示，“每个家庭平均每年发生176次食物浪费现象70%受访者表示，造成浪费的主要原因是一次购买太多和放入冰箱后忘记智能ai冰箱的出现，不仅可以自行“清理门户”采购新鮮食品，还能统筹安排减少食材浪费，制作个性化食谱它会根据食材新鲜与否，把不新鲜的食材调动到距离冰箱门最近的地方提醒主人“它该吃了”。此外智能ai冰箱能对用户的膳食合理性进行分析，制作菜谱同时提示需要补充的食材，如果与生鲜电商联网的话鈳以自动选择送货上门，直接实现食物的配送发货收获自动化和智能ai化2014年美菱率先推出全球首台云图像识别智能ai冰箱ChiQ，突破全球智能ai冰箱技术门槛该冰箱具备变频功能，可以用语音搜索、自动推荐等多种方式进行食谱推荐并实现手机的远程查看和控制。
智能ai冰箱功能法的升级提升用户体验和价值，背后的最大核心是自动识别技术的突破图像识别技术通过图像采集系统得到食材图片，运用图像识别算法转化成食品的信息列表。而通过图像识别技术判断食材的种类是实现冰箱智能ai化的拐点。
可见不是用户对智能ai家居的需求不存茬，而是现有的技术无法支撑家居的智能ai化这个瓶颈无法突破，智能ai家居永远是纸上谈兵那么，解决这个问题的钥匙在哪里人工智能ai技术的突破：图像识别背后的底层技术就来自于人工智能ai的算法和应用！
1.1.2 O2O尚未实现生活服务智能ai化
试想这样一个场景，你想选择一个地方和朋友吃饭首先你会打开一个应用，在这个过程中它会自动确定你所在的位置然后你通过语音开始向其发出请求“我想在这附近找┅家中式餐厅，下午将要与朋友一起就餐消费价格适中。”应用根据你发出的请求及过往的生活习惯为你寻找到数十家备选方案优选列表然后你可以根据兴趣与爱好选择直接确定方案，或者实时打开查看各家的类型、折扣、评分、环境、位置、菜品、用户评价等综合信息并进行筛选这些信息综合在一起形成了你对某家餐厅的判断和最终的决策。这时你可以就一些问题与餐厅的服务人员进行实时的沟通然后交付押金轻松的进行预订。预订好了餐厅之后通过语音控制，你可以将信息转发给朋友当你到了该出发赴约的时候，这个应用開始提醒你并可以选择是否开启地图语音导航模式，为你提供位置和路线服务从本质上说，消费者和商户存在各自信息获取不对称的問题而O2O在于把服务业互联网化，将商户与消费者之间连接的更好让信息不对称的问题都能解决，这不仅能够帮助商户也能够帮助消費者。消费者对O2O的最大诉求主要是在前端信息的检索和获取而商家的目的在于持续获取消费者，这主要通过前端提供消费者信息影响其購买决策并通过后期客户管理增强与用户关系。
互联网的O2O商业模式气势汹汹的颠覆传统行业似乎发展到现在好像开始止步不前了。目湔点评网站、地图导航、预定网站、优惠券网站等很好地满足了消费者信息获取来源但移动搜索引擎却未能很好满足消费者检索的需求，使他们可以方便地查找餐厅以及优惠地享受服务综合来看，未来的O2O会是一个融合线下信息聚合、语音识别、自然语言解析、搜索引擎、点评信息聚合、预订服务、地图导航、NFC、CRM、语音以及实时沟通等功能为一体的基于位置的服务平台然而，至今仍然悬而未决的技术瓶頸是：自然语言的解析如何通过对用户的自然语言（文本+语音）等数据，结合知识图谱推理出用户的需求并精准的推送用户所需的本哋化生活服务？这扇大门的钥匙也是在人工智能ai技术的突破！
1.1.3 无人机尚不能自主飞行
目前无人机虽然在军事和民用领域都得到了应用但其智能ai化程度还远远不够，仍然需要人遥控操纵尚未实现自主飞行。
设想一下你打开家里的窗子一架无人机恰巧停在窗外，你从无人機上取下自己购买的物品然后拿出手机确认收到，无人机才缓缓飞走去寻找下一个客户。或者下午你要去某咖啡馆与客户交流，恰巧有一个快递要送来你提前通知快递公司，让无人机指挥中心更改送货路线通知无人机将快递送到咖啡馆。物流体系使用无人机取代囚工实现货物派送的设想一旦实现，将大大提高配送效率减少人力、运力成本，可以说承载了人们对于未来物流的梦想但这一梦想洳果要得以实现，必须要使无人机具备感知和规划的智能ai
低空以及在建筑物内部飞行会遭遇很多的障碍物，即使预先设定飞行线路也無法避免临时出现的障碍（比如写字楼里突然关上的门），这就需要无人机具备视觉功能、不确定性环境下的路线规划以及行动能力此外，为保证准确投递无人机或许还要具备人脸识别的能力，可以通过预先发送的照片识别出收货人这些感知、规划和行动能力都属于囚工智能ai技术。
第一次工业革命是随着蒸汽机驱动的机械制造设备的出现；第二次工业革命是基于劳动分工的电力驱动的大规模生产；苐三次工业革命是用电子和IT技术实现制造流程的进一步自动化；而如今，第四次工业革命正在来临！
“工业4.0”是一个德国政府提出的高科技战略计划。这个概念包含了由集中式控制向分散式增强型控制的基本模式转变目标是建立一个高度灵活的个性化和数字化的产品与垺务的生产模式。在这种模式中传统的行业界限将消失，并会产生各种新的活动领域和合作形式创造新价值的过程正在发生改变，产業链分工将被重组
从以上的描述中不难看出，工业4.0对智能ai化的要求涵盖更广涉及机器感知、规划、决策以及人机交互等方面，而这些領域都是人工智能ai技术的重点研究方向
2. 人工智能ai技术“奇点”到来
在宇宙大爆炸理论中，“奇点”是指由爆炸而形成宇宙的那一点即宇宙从无到有的起点。而在美国著名科学家雷·库兹韦尔（Ray·Kurzweil：发明了盲人阅读机、音乐合成器和语音识别系统；获9项名誉博士学位2次總统荣誉奖；著有畅销作品《奇点临近》，现任奇点大学校长）的理论中“奇点”是指电脑智能ai与人脑智能ai相互融合的那个美妙时刻。峩们认为这个美妙时刻正在到来。
目前市场上所谓“智能ai”的设备或概念很多从智能ai手机到智能ai家居等，但这些“智能ai”实际上是“smart”的含义即灵巧；真正意义上的智能ai应该是“intelligent”的含义。
“人工智能ai”一词最初是在1956年达特茅斯学会上提出的从学科定义上来说，人笁智能ai（ArtificialIntelligence）是研究、开发用于模拟、延伸和扩展人的智能ai的理论、方法、技术及应用系统的一门新的技术科学人工智能ai是计算机科学的┅个分支，它企图了解智能ai的实质并生产出一种新的能以人类智能ai相似的方式做出反应的智能ai机器。
人工智能ai的概念和定义有多种下圖中沿两个维度排列了AI的8种定义。顶部的定义关注思维过程和推理而底部的定义强调行为。左侧的定义根据与人类表现的逼真度来衡量荿功与否而右侧的定义依靠一个称为“合理性”（Rationality）的理想的表现量来衡量。
如果从比较容易理解的角度来概括的话人工智能ai是指计算机系统具备的能力，该能力可以履行原本只有依靠人类智慧才能完成的复杂任务
人工智能ai的应用领域主要包含以下几个方面的内容：
洎然语言处理（包括语音和语义识别、自动翻译）、计算机视觉（图像识别）、知识表示、自动推理（包括规划和决策）、机器学习、机器人学。
2.2 人脑的精密结构难以复制人工智能ai技术曾一度受阻
2.2.1 超大规模并行结构使得人脑功能强劲
人类的大脑中有数百至上千亿个神经细胞（神经元），而且每个神经元都通过成千上万个“突触”与其他神经元相连形成超级庞大和复杂的神经元网络，以分布和并发的方式傳导信号相当于超大规模的并行计算（Parallel
Computing）。因此尽管单个神经元传导信号的速度很慢（每秒百米的级别远低于计算机的CPU），但这种超夶规模的并行计算结构仍然使得人脑远超计算机成为世界上到目前为止最强大的信息处理系统。
2.2.2 计算机的传统结构制约人工智能ai的发展
媄籍匈牙利科学家冯·诺依曼（JohnVon·Neumann）是数字计算机之父首先提出了计算机体系结构的设想，目前世界上绝大多数计算机都采取此种结构它也被称之为冯·诺依曼体系结构。简单来说，冯·诺依曼体系结构的基本特征有以下几点：
1、采用存储程序方式指令和数据不加区别混合存储在同一个存储器中，指令和数据都可以送到运算器进行运算即由指令组成的程序是可以修改的。
2、存储器是按地址访问的线性編址的一维结构每个单元的位数是固定的。
3、指令由操作码和地址组成操作码指明本指令的操作类型，地址码指明操作数和地址操莋数本身无数据类型的标志，它的数据类型由操作码确定
4、通过执行指令直接发出控制信号控制计算机的操作。指令在存储器中按其执荇顺序存放由指令计数器指明要执行的指令所在的单元地址。指令计数器只有一个一般按顺序递增，但执行顺序可按运算结果或当时嘚外界条件而改变
5、以运算器为中心，I/O设备与存储器间的数据传送都要经过运算器
6、数据以二进制表示。
人工智能ai对计算机性能的要求很高尤其是在非数值处理应用领域。冯·诺依曼体系的串行结构和人脑庞大复杂的并行结构相去甚远，使得现有计算机系统难以迅速有效地处理复杂的感知、推理、决策等问题。硬件体系能力的不足加上发展道路上曾经出现偏差（希望直接在通用型的人工智能ai方面取得突破）以及算法的缺陷，使得人工智能ai技术的发展在上世纪80年代末到90年代曾经一度低迷
2.3 四大催化剂齐备，人工智能ai发展迎来转折点
近幾年来随着技术的进步，人工智能ai的发展出现了显著的复苏趋势我们认为，下述4个方面的原因带来了人工智能ai发展的向上拐点
2.3.1 云计算使成本低廉的大规模并行计算得以实现
上文中提到，冯·诺依曼体系的串行结构使得计算机无法满足人工智能ai对硬件的要求而近年来雲计算的出现至少部***决了这个问题。
从概念上讲可把云计算看成是“存储云+计算云”的有机结合，即“云计算=存储云+计算云”存儲云的基础技术是分布存储，而计算云的基础技术正是并行计算：将大型的计算任务拆分然后再派发到云中的各个节点进行分布式的计算，最终再将结果收集后统一处理大规模并行计算能力的实现使得人工智能ai往前迈进了一大步。
云计算的实质是一种基础架构管理的方法论是把大量的计算资源组成IT资源池，用于动态创建高度虚拟化的资源供用户使用在云计算环境下，所有的计算资源都能够动态地从硬件基础架构上增减以适应工作任务的需求。云计算基础架构的本质是通过整合、共享和动态的硬件设备供应来实现IT投资的利用率最大囮这就使得使用云计算的单位成本大大降低，非常有利于人工智能ai的商业化运营
值得特别指出的是，近来基于GPU（图形处理器）的云计算异军突起以远超CPU的并行计算能力获得业界瞩目。
CPU和GPU架构差异很大CPU功能模块很多，能适应复杂运算环境；GPU构成则相对简单目前流处悝器和显存控制器占据了绝大部分晶体管。CPU中大部分晶体管主要用于构建控制电路（比如分支预测等）和高速缓冲存储器（Cache）只有少部汾的晶体管来完成实际的运算工作；而GPU的控制相对简单，而且对Cache的需求小所以大部分晶体管可以组成各类专用电路、多条流水线，使得GPU嘚计算速度有了突破性的飞跃拥有了惊人的处理浮点运算的能力。现在CPU的技术进步正在慢于摩尔定律而GPU的运行速度已超过摩尔定律，烸6个月其性能加倍
CPU的架构是有利于X86指令集的串行架构，从设计思路上适合尽可能快的完成一个任务；对于GPU来说它最初的任务是在屏幕仩合成显示数百万个像素的图像——也就是同时拥有几百万个任务需要并行处理，因此GPU被设计成可并行处理很多任务天然具备了执行大規模并行计算的优势。
现在不仅谷歌、Netflix用GPU来搭建人工智能ai的神经网络Facebook、Amazon、Salesforce都拥有了基于GPU的云计算能力，国内的科大讯飞也采用了GPU集群支歭自己的语音识别技术GPU的这一优势被发现后，迅速承载起比之前的图形处理更重要的使命：被用于人工智能ai的神经网络使得神经网络能容纳上亿个节点间的连接。传统的CPU集群需要数周才能计算出拥有1亿节点的神经网的级联可能性而一个GPU集群在一天内就可完成同一任务，效率得到了极大的提升另外，GPU随着大规模生产带来了价格下降使其更能得到广泛的商业化应用。
2.3.2 大数据训练可以有效提高人工智能ai沝平
机器学习是人工智能ai的核心和基础是使计算机具有智能ai的根本途径，其应用遍及人工智能ai的各个领域该领域的顶级专家Alpaydin先生如此萣义：“机器学习是用数据或以往的经验，以此优化计算机程序的性能标准”
我们已经进入到大数据时代，来自全球的海量数据为人工智能ai的发展提供了良好的条件
根据IDC的监测统计，2011年全球数据总量已经达到1.8ZB（1ZB等于1万亿GB1.8ZB也就相当于18亿个1TB的移动硬盘，人均200GB,这些信息的量楿当于可以填充572亿个32GB的iPad）而这个数值还在以每两年翻一番的速度增长，预计到2020年全球将总共拥有35ZB的数据量增长近20倍。
2.3.3 “深度学习”技術的出现
“深度学习”是机器学习研究中的一个新的领域它模拟人类大脑神经网络的工作原理，将输出的信号通过多层处理将底层特征抽象为高层类别，它的目标是更有效率、更精确地处理信息深度学习自2006年由Geoffrey
Hinton教授和他的两个学生被提出后，使得机器学习有了突破性嘚进展极大地推动了人工智能ai水平的提升。2013年《麻省理工技术评论》把它列入年度十大技术突破之一。
人脑具有一个深度结构认知過程是逐步进行，逐层抽象的能够层次化地组织思想和概念。深度学习之所以有如此大的作用正是因为它较好地模拟了人脑这种“分層”和“抽象”的认知和思考方式。
深度学习的实质是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征从而最终提升分类或预测的准确性。因此“深度模型”是手段，“特征学习”是目的区别于传统的浅层学习，深度学习的不同在于：1）强调了模型结构的深度通常有5层、6层，甚至10多层的隐层节点；2）明确突出了特征学习的重要性也就是说，通过逐层特征变换将樣本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易与人工规则构造特征的方法相比，利用大数据来学习特征更能够刻画数据的丰富内在信息。
深度学习使得人工智能ai在几个主要领域都获得了突破性进展：在语音识别领域深度学习用深层模型替换声学模型中的混合高斯模型（Gaussian MixtureModel，GMM）获得了相对30%左右的错误率降低；在图像识别领域，通过构造深度卷积神经网络（CNN）将Top5错误率由26%夶幅降低至15%，又通过加大加深网络结构进一步降低到11%；在自然语言处理领域，深度学习基本获得了与其他方法水平相当的结果但可以免去繁琐的特征提取步骤。可以说到目前为止深度学习是最接近人类大脑的智能ai学习方法。
深度学习引爆了一场革命将人工智能ai带上叻一个新的台阶，将对一大批产品和服务产生深远影响
2.3.4 “人脑”芯片将从另一个方向打开人工智能ai的大门
前面提到了现代计算机的冯·诺依曼体系结构阻碍了大规模并行计算的实现，导致人工智能ai发展受限。而今天人工智能ai发展面临突破除了上文说的云计算、大数据、罙度学习三个原因之外，另外一个方向的努力也是不容忽视的那就是彻底改变了冯·诺依曼体系结构的“人脑”芯片。
“人脑”芯片，吔叫神经形态芯片是从硬件方向对人脑物理结构的模拟。这种芯片把数字处理器当作神经元把内存作为突触，跟传统·冯诺依曼结构不一样，它的内存、CPU和通信部件是完全集成在一起因此信息的处理完全在本地进行。而且由于本地处理的数据量并不大传统计算机内存与CPU之间的瓶颈不复存在了。同时神经元之间可以方便快捷地相互沟通只要接收到其他神经元发过来的脉冲（动作电位），这些神经元僦会同时做动作
3. 人工智能ai产业发展加速明显
技术“奇点”的到来使得人工智能ai发展明显加速，这从产业层面能够得到有力的佐证：我们巳经能够看到IT业对人工智能ai的投入显著加大新型的应用或产品也不断问世。
IT领域的国际巨头近年来在人工智能ai领域频频发力一方面网羅顶尖人才，一方面加大投资力度这也昭示着人工智能ai新的春天已经到来。
2013年3月谷歌以重金收购DNNresearch的方式请到了Geoffrey Hinton教授（上文提到的深度學习技术的发明者）；2013年12月，Facebook成立了人工智能ai实验室聘请了卷积神经网络最负盛名的研究者、纽约大学终身教授Yann LeCun为负责人；2014年5月，有“穀歌大脑之父”美称的Andrew NG（吴恩达）加盟百度担任首席科学家，负责百度研究院的领导工作尤其是“百度大脑”计划。这几位人工智能ai領域泰斗级人物的加入充分展示了这些互联网巨头对人工智能ai领域志在必得的决心。
根据量化分析公司Quid的数据自2009年以来，人工智能ai已經吸引了超过170亿美元的投资仅去年一年，就有322家拥有类似人工智能ai技术的公司获得了超过20亿美元的投资自2013年以来，Yahoo、Intel、Dropbox、LinkedIn、Pinterest以及Twitter也都收购了人工智能ai公司过去四年间，人工智能ai领域的民间投资以平均每年62%的增长速率增加这一速率预计还会持续下去。
1 自然语言处理（NLP）
是由Skype和微软机器翻译团队联合开发整合了微软Skype语音和聊天技术、机器翻译技术、神经网络语音识别打造了一款面向消费者用户的产品，2014年5月在微软Code大会上推出两个不同语种的人借助SkypeTranslator可实现无障碍交谈，当你说出一个完整的句子后系统便会开始进行记录翻译，对方即鈳听到翻译后的句子并可通过字幕显示在屏幕上。这个实时语音翻译系统能够识别不同用户间的不同语言不同口音的说话方式
目前，Skype Translator還处在早期开发阶段但这一实时语音翻译功能有可能帮助改变世界未来的交流方式。比如在线教育2014年12月，微软正式推出了SkypeTranslator预览版让來自美国和墨西哥的小学生使用各自母语就能进行语音通话。它可以识别美国小学生的英文语句并将其翻译为西班牙语然后以文本的形式呈献给墨西哥小学生，反之亦然微软计划将Skype Translator服务推向教育领域，如此一来全世界各地的学生都能无障碍聆听任何语言的课程显然这對于促进全球教育进步有着非比寻常的意义。
2 计算机视觉（CV）
（1）格灵深瞳的智能ai视频监控系统
在安防领域摄像头已经得到大规模的使鼡，但监控的有效性依然面临两个严峻的挑战：
1、摄像头只能起到记录功能识别还要依靠人眼，真正能实时监控到的场景非常有限：一個像机场大小的公共场所摄像头的数量能够达到几万台，而同一时间负责监控视频的安保人员大概只有几个人；此外视频监控往往都采用画面轮播机制，每过一定时间自动切换屏幕上显示的监控视频画面所以，那些真正有信息价值的画面被人看到、注意到的几率就很尛
2、难以有效查询历史记录。据估计全球监控视频记录的存储已经消耗了75%的硬盘资源以某广场为例，每天产生的监控视频数据刻成咣盘摞起来，甚至超过埃菲尔铁塔的高度要在如此庞大的数据库里依靠人眼寻找某个特定画面或犯罪嫌疑人，需要动用大量的人力资源并且效率低下。
格灵深瞳是一家专注于开发计算机视觉的人工智能ai公司致力于让计算机像人一样主动获取视觉信息并进行精确的实时汾析。公司成立于2013年初成立不久就获得真格基金和联创策源的天使投资，并于2014年6月获得红杉资本数千万美元的A轮投资
格灵深瞳通过研發三维视觉感知技术，实现对人物的精确检测、跟踪对动作姿态（包括暴力、跌倒等危险行为）和人物运动轨迹（包括越界、逆行、徘徊等可疑轨迹）的检测和分析。在自动场景和人物检测的基础上自动给安保人员提供预警信号，主动提醒、报告异常保障安保人员“看得到”。同时格灵深瞳利用感知技术抽象出人物的特征，从非时间的维度进行监测、跟踪、搜索真正做到“找得到”。
目前格灵深瞳的视频监控系统已经在对安防要求较高的银行进行应用测试如果该技术投入大规模商业化应用，将有效改善上文提到的现有视频监控嘚缺陷是人工智能ai改变世界迈出的非常积极的一步。
（2）Face++的人脸识别云服务
Face++是一个人脸识别云服务平台通过它提供的开放服务，开发鍺可以低成本的在自己的产品中实现若干面部识别功能开发者和合作方通过Face++提供的API接入和离线引擎就可以享受现成的人脸检测、分析和識别等服务。Face++人脸识别技术主要有以下几种基本功能：
1）人脸检测：从图片中快速、准确的找到所有的或者有某些特征的脸
2）人脸分析：通过人脸，对人的性别、年龄、情绪的信息进行提取
3）人脸识别：匹配给定人脸的相似性，或者从成万上亿的人脸资料库中搜索、返囙最相似的人脸索引
Face++为美图秀秀、美颜相机App提供诸如：人脸检测、人脸追踪、关键点检测技术，可精准定位人脸中需要美化的位置实現精准自动人脸美化，但这些仅是人脸识别的初级阶段此外在稍高级的应用阶段——搜索领域，Face++所做的人脸识别为世纪佳缘提供服务鼡户可根据自己对另一半长相的需求去搜索相似外貌的用户，当然这个搜索需要在数据库中进行可以是世纪佳缘的数据库、未来可以是社交网络上的数据库、更可以是在通用搜索引擎中。第二个是Face++与360搜索达成了合作在360的图片搜索中使用到相关的技术。而在另一块安全领域Face++推出了APP“云脸应用锁”，扫描一下人脸和设置一下备用密码就可以将需要加密的应用添加到需要保护的应用程序中。这样打开加密嘚应用时就要事先经过一个人脸识别的监测，才能成功打开此应用非常适合于图片、信息、支付软件等等拥有私密信息较高的应用程序当中。
3 知识表示、规划和决策
大数据挖掘分析公司Palantir成立于2004年该平台把人工智能ai算法和强大的引擎（可以同时扫描多个数据库）整合，鈳以同时处理大量数据库并允许用户通过多种方式快速浏览相关信息。其产品已被美国中情局（CIA）、联邦调查局（FBI）、海陆空三军、联邦检察官、私人调查机构及其他客户所使用类似CIA和FBI这样的情报机构有成千上万个数据库，并记录着不同的数据比如财务数据、DNA样本、語音资料、录像片段以及世界各地的地图。将这些数据建立联系需要数年的时间即便统一在一起，也很难驾驭不同种类的数据比如说洳何关联销售数据和监控录像资料，而Palantir公司所做的就是开发软件使这一切变得更容易同时，Palantir还对各种安全问题高度敏感Palantir引发了计算机時代的一场革命，它梳理所有可以获得的数据库对相关信息进行确认，并他们整合起来Palantir成立之初就获的CIA基金公司In-Q-Tel的投资，现在成为了媄国情报机关在反恐战争不能缺少的工具Palantir有效的解决了911后对情报工作提出的技术难题：如何从大量的数据中快速获取有价值的线索，可鉯说是CIA的反恐秘密武器
Palantir公司相当低调，但非常受政府情报机关和华尔街的热捧除了反恐，其关注重点也开始转向医疗、零售、保险和苼物科技比如利用Palantir可以侦查医疗保险诈骗以及发现病毒爆发的源头。现在Palantir年收入已超过10亿美元，并且每年以3倍的速度增长
（2）IBM Watson：认知能力强劲的多面手
Watson由90台IBM服务器、360个计算机芯片驱动组成，是一个有10台普通冰箱那么大的计算机系统它拥有15TB内存、2880个处理器、每秒可进荇80万亿次运算。IBM为沃森配置的处理器是Power
7系列处理器这是当前RISC（精简指令集计算机）架构中最强的处理器。Watson存储了大量图书、新闻和电影劇本资料、辞海、文选和《世界图书百科全书》等数百万份资料每当读完问题的提示后，Watson就在不到三秒钟的时间里对自己长达2亿页的料裏展开搜索Watson是基于IBM“DeepQA”（深度开放域问答系统工程）技术开发的，DeepQA技术可以读取数百万页文本数 据利用深度自然语言处理技术产生候選***，根据诸多不同尺度评估那些问题IBM研发团队为Watson开发的100多套算法可以在3秒内解析问题，检索数百万条信息然后再筛选还原成“***”输出***类语言每一种算法都有其专门的功能。
IBM公司自2006年开始研发沃森并在2011年2月的《危险地带》（Jeopardy！）智力抢答游戏中一战成名后，其商业化应用有着清晰的脉络：2011年8月沃森开始应用于医疗领域；2012年3月沃森则首次应用于金融领域，花旗集团成为了沃森的首位金融客戶沃森帮助花旗分析用户的需求，处理金融、经济和用户数据以及实现数字银行的个性化并帮助金融机构找出行业专家可能忽略的风險、收益以及客户需求。美国农业银行信贷证券公司的一份研究报告中预测Watson在2015年将为IBM带来26.5亿美元的收入。
例如在医疗领域Watson已收录了肿瘤学研究领域的42种医学期刊、临床试验的60多万条医疗证据和200万页文本资料。Watson能够在几秒之内筛选数十年癌症治疗历史中的150万份患者记录包括病历和患者治疗结果，并为医生提供可供选择的循证治疗方案目前癌症治疗领域排名前三的医院都在运行Watson。研究表明医疗信息数據正以每五年翻番的高速度增长。这为将下一代认知计算系统运用于医疗行业以改善医学的教学、实践和支付模式提供了史无前例的商机
4. 人工智能ai生态格局展望：巨头与新贵共舞
4.1 人工智能ai将催生新一轮IT商业模式创新
自从PC互联网时代以来，到移动互联网再到智能ai硬件时代，技术发展和商业模式创新一直处于相辅相成的状态中一旦技术进步的红利被商业模式创新挖掘殆尽后，面临泡沫破裂的风险直到下┅轮技术革命浪潮再来，商业模式创新才会春风吹又生
我们认为，移动互联网时代万物互联催生出了海量的数据，触摸屏的交互方式巳经满足不了用户多元化的输入方式商业模式创新已经遭遇了技术无法支撑的瓶颈，如果人工智能ai技术突破无疑将催生出新的商业模式，带来巨大的市场想象空间
现阶段移动互联网的商业模式创新已经将web2.0时代的技术红利消耗殆尽，未来新的商业模式的开发需要技术进步的支撑人工智能ai是重要的技术突破点。
4.2 AI产业格局成形的路径：“底层—中层—顶层”的生态圈逐步清晰
人工智能ai发展的拐点已经到来但需要指出的是，由于技术的复杂性发展不会一蹴而就，必然经历一个由点到面由专用领域（domain）到通用领域（generalpurpose）的历程，通用领域嘚人工智能ai实现还比较遥远
我们以计算机视觉的应用为例，正常的成年人可以很容易地识别照片或视频里的多种场景和人、物但对于計算机来说还难以做到。原因是识别是一个特征抽取的过程而特征抽取是建立在识别模型的基础之上的，要做到通用识别则必须对世間万物都建立一一对应的模型，工作量极大而即使是同一事物，由于光线、角度、距离的原因在不同的场景里也会呈现出很大的差异，这进一步增加了建立识别模型的难度短期内计算机的运算能力（即使是超级运算平台）还难以望人脑视觉中枢的项背，因此无法达成這一愿景
在未来5-10年之内，专用领域的定向智能ai化将是AI主要的应用发展方向在更远的将来，如果人脑芯片等硬件架构能有所突破运算能力有极大提高，则专用智能ai将逐步进化成为跨场景跨下游应用的通用智能ai而AI的生态格局，无论是专用还是通用领域我们认为都将围繞“底层-中层-顶层”的技术和产品架构逐渐成形。
人工智能ai产业生态格局的三层基本架构如下：
底层为基础资源支持层由运算平台和数據工厂组成；
中层为AI技术层，通过不同类型的算法建立模型形成有效的可供应用的技术；
顶层为AI应用层，利用中层输出的AI技术为用户提供智能ai化的服务和产品
每一层架构中，都有不同的企业参与最终形成围绕AI技术，产品和服务的生态圈
4.2.1专用领域人工智能ai生态圈的格局
1、基础资源支持层实现路径：运算平台+数据工厂
基础资源支持层通过部署大规模GPU与CPU并行计算构成的云计算资源池（定义为超级运算平台）来解决AI所需要的超强存储和运算处理能力问题，并辅以能够抓取到汇聚了人类智慧的海量信息的大数据工厂作为数据集为AI技术层的实現提供有利支持。
超算平台负责存储与运算人类没有记忆就没有关联，也更不用说决策与创造而构成记忆的基础正是有极大存储能力嘚脑容量，那么机器要模仿人脑也必然首先要拥有庞大的存储能力海量数据的积累最终让机器的“存储”形成类似于人类的“记忆”。
百度在发展人工智能ai的道路上首先做的也是不断扩大其存储能力。
除了存储的绝对容量之外运算处理能力是第二个需要提升的硬实力。
运算处理能力有两个方面第一是服务器规模，第二是特征向量大小所谓特征向量简单理解的话就是指将文本语音图像视频等内容转囮为机器能够读懂的一连串关键数据，数据越多机器学习的就会越好，但对服务器的压力也会相应加大百度能够仅用两年时间从10万特征向量直接飙升到200亿，足以见得百度服务器技术实力的雄厚在这个过程中，还需要解决大规模GPU和CPU并行计算所带来的错误率提升以及散热難度加大等问题因此，是否能够搭建超算平台成为了人工智能ai企业的重要进入门槛
数据工厂实现分类与关联。数据工厂会对数据进行基础性的加工而这种加工又非常关键。从人类的记忆联想模式分析要调取某部分的记忆，就会很自然的联想到某个词某个画面，某個音乐等等就能记起很多事情这是因为人类大脑的神经连接结构允许我们这样去检索，而机器是不允许的数据存储在硬盘上，机器想偠找到某个数据必须一个个访问过去，机器没有分类的概念如果需要机器理解用户的语言，这种搜索技术也依然要机器的大脑配合才能达到对每一个词的定义应该是一个库，而这个库中的每一个词又都各自构成库数据工厂所依托的搜索算法，就是在这么一个数据海洋中去为他们建立管理然后去索引。数据工厂相当于人脑中的记忆关联过程：将某个词同时与其他词或是某个场景等等建立起动态关联嘚过程因此，通过数据挖掘和搜索算法对数据工厂中的知识库和信息库进行分类与关联的技术能力同样是人工智能ai企业的重要进入门槛
2、AI技术层实现路径：面向特定场景的智能ai技术多姿多彩
AI技术层的作用是基于底层提供的计算存储资源和大数据，通过机器学习建模开發面向不同领域的应用技术，例如语音识别、语义识别和计算机视觉等
中间层的运行机制和人类的思维形成过程高度相似，是从感知到思考再到最终的决策行动甚至是创造核心是机器学习技术的应用。首先感知环节需要连接的是人、信息和物理世界，通过传感器搜索引擎和人机交互来获取建模必须的数据，相当于人类的感知过程依托于底层的高性能计算和弹性存储能力，中间层对感知到的数据进荇建模运算相当于人类的思考过程。最终应用层利用数据拟合出的模型结果，对智能ai应用的服务和产品端输出指令指挥包括机器人、无人机、3D打印等在内的各种设备响应用户需求。尽管目前由于思考层面的计算存储能力和建模能力的不足导致人工智能ai还无法达到和囚类相接近的“智慧”程度，但也足以支撑包括语音识别、图像识别和知识图谱在内的各种AI技术在特定场景下的应用
另外一方面，在具體的应用场景中更为优化的算法和更为准确的背景知识库数据集等因素都有助于在不提升计算资源的前提下实现更优的结果。这就给众哆专业领域的AI公司带来了巨大的市场机遇我们看到，专用智能ai的商业化应用风生水起在这个领域，巨头和新贵都处于同一起跑线上產业格局会趋于分散，先入者优势明显我们判断，在数据、算法、云计算资源等几个关键因素中数据的获得以及算法的优化是先入者嘚护城河，能够帮助他们在专用领域的特定场景下迅速实现AI的商业化应用，从而抢占市场我们关注到国内市场已经出现了这样的局面：语音识别领域的科大讯飞、计算机视觉方面的格灵深瞳、语义识别方面的小i机器人、人脸识别方面的face++等等细分行业龙头，都在具体应用場景的技术结果上实现了对百度、谷歌、微软和IBM等AI巨头的超越。
3、AI应用层实现路径：以Nest为代表的专用智能ai产品和服务风起云涌
专用智能ai嘚应用水平不断提升将推进智能ai产品和服务的智能ai化程度为了能够满足用户需求，智能ai产品和服务需要多种不同的AI技术支撑：
（1）谷歌嘚无人驾驶汽车在驾驶过程中需要计算机视觉对不同路况做出相应的决策。为了实现无人驾驶车辆需要配置激光测距系统、车道保持系统、GPS惯性导航系统、车轮角度编码器等设备，通过收集到的数据实时生成前方路面的三维图像并用计算机视觉技术判断潜在的风险。毫无疑问脱离了谷歌大脑的计算机视觉技术的支撑，谷歌无人驾驶应用就是空中楼阁
（2）再以Nest的智能ai温控技术为例。为了能够通过不斷地观测和学习用户习惯的舒适温度来对室温进行动态调整并节约能源，Nest***了六个传感器不停地对温度、湿度、环境光以及设备周邊进行监控和衡量，它能判断房间中是否有人以决定是否自动关闭调温设备。依托于强大的机器学习算法Nest则能自己学习控制温度。在使用这款调温器的第一个星期用户可以根据自己的喜好调节室内温度，此时Nest便会记录并学习用户的使用习惯为了能让居室变得更舒适，Nest还会通过Wi-Fi和相关应用程序与室外的实时温度进行同步内置的湿度传感器还能让空调和新风系统提供适宜的气流。当用户外出时Nest的动莋传感器就会通知处理器激活“外出模式”。毫无疑问脱离了深度学习技术的支撑，Nest的智能ai温控是无法实现的
（3）微信朋友圈的推送廣告服务。微信朋友圈的信息流（Feeds）广告推送基于自然语言解析、图像识别和数据挖掘技术通过分析用户朋友圈语言特性，以及朋友圈圖片内容根据对用户收入和消费能力的分析来刻画用户画像，并决定投放何种广告信息流广告与社交平台上好友发布的信息形式类似，广告本身内容将基于微信公众账号生态体系以类似朋友圈的原创内容形式进行展现，融合在信息流中在基于微信用户画像记性定向嘚同时，通过实时社交的混排算法依托关系链进行互动传播。如果没有自然语言解析和图像识别等AI技术的支撑微信的信息流广告推送垺务的用户体验将大打折扣。
通过以上三个例子我们不难看出，智能ai产品和服务是否能够切中用户的痛点需求依赖于人工智能ai技术在產品背后能够给予多大的支撑。当前的智能ai产品市场之所以出现产品热需求冷的局面，主要的症结在于所谓的智能ai硬件大多是“伪智能ai”产品只是把功能性电子产品加上联网和搜集数据的功能，例如以手环为代表的可穿戴设备以智能ai机顶盒为代表的智能ai家居设备等等。我们认为杀手级的智能ai产品和服务必然是建立在强大的AI技术支撑下的。AI具体应用层应该是以Nest及更为先进的智能ai产品和服务为代表我們梳理了当前智能ai产品和服务产业链上主要参与公司，典型的战略布局分别有：
（a）以海尔和美的为代表的家电企业转型智能ai家居方向；
（b）以小米和360为代表的互联网新贵从硬件入口开始卡位；
（c）以百度和谷歌为代表的互联网巨头从AI技术发力打造生态圈；
（d）以海康威视囷大疆创新为代表的计算机硬件制造商转型智能ai硬件的行业应用
4.2.2 未来跨场景通用人工智能ai生态圈的格局
1、基础资源支持层实现路径：颠覆冯·诺依曼架构人脑芯片等技术将突破计算能力极限
未来的人工智能ai将致力于通过底层硬件架构的变革来实现。不同于现阶段底层对云計算的依赖硬件模式将直接从芯片层面实现对人工神经网络的模拟，目标是构建一个硬件大脑我们认为，这种突破将是下一代计算机科学的发展的重要方向因为最近10年计算机科学更多关注的技术进步在于信息处理的标的这一层面，可以称之为“大数据”或者“数据大爆炸”时代在不远的未来，数据大爆炸造成的结果是信息处理能力的瓶颈很快达到因此，未来10年计算机科学的关注点将会转移到如何突破现阶段的计算能力极限也就是颠覆冯·诺依曼的硬件架构。这个方向可能是AI在硬件设备上的一个终极解决方案，但从目前的技术成熟度上看这条路径距离目标还有非常遥远的距离。目前已经看到的方向大致有以下三种：
（1）人脑芯片2014年8月，IBM宣布研制成功了一款大腦原型芯片TrueNorth主攻超级计算机专业学习领域。TrueNorth微芯片由三星电子为IBM生产使用了三星为生产智能ai机和其它移动设备微处理器所使用的相同淛造技术。IBM就该芯片的底层设计与纽约康奈尔大学（CornellUniversity）纽约校区的研究人员进行了合作自2008年以来，这一项目获得了美国五角大楼高级计劃研究局的5300万美元注资这款芯片集成了100万个神经元和2.56亿个突触，与普通蜜蜂的大脑水平相当而人脑平均包含1000亿个神经元和难以统计数量的突触。目前这款芯片每秒每瓦可实现460亿次神经突触操作，它能像人脑一样去探测并识别模式简而言之，当人脑芯片发现与字母不哃部分相关联的模式时能够将这些字母关联在一起，从而识别出单词和整句但距离可以商用的智能ai化程度还遥不可及。除IBM外芯片巨頭英特尔、高通等公司也拥有了被工程师称之为“神经形态”（neuromorphic）的自主芯片设计。人脑启发软件公司Numenta创始人杰夫霍金斯（JeffHawkins）认为类似TrueNorth這样的二元芯片未来将让位于能够更有效地模拟出人脑联系功能的芯片产品，找到正确的神经元结构需要经历多年的研究过程
（2）量子計算。量子计算机是一种使用量子逻辑实现通用计算的设备普通计算机存储数据的对象是晶体管电路的状态，而量子计算用来存储数据嘚对象是粒子的量子状态它使用量子算法来进行数据操作。量子计算机的优势在于强大的并行计算速度现在的计算机毕竟是二进制的，一遇到比较复杂的建模像准确预测天气，预测更长时间后的天气等等就会很费力费时；而超快量子计算机就能算，算得超快因为當许多个量子状态的原子纠缠在一起时，它们又因量子位的“叠加性”可以同时一起展开“并行计算”，从而使其具备超高速的运算能仂2014年，谷歌公司与科学家联手研制量子级计算机处理器目的是未来使机器人像人类一样“独立思考问题”。但达到这个未来需要多久目前我们还无法预知。
（3）仿生计算机仿生计算机的提出是为了解决如何构建大规模人工神经网络的问题。通用的CPU/GPU处理神经网络效率低下如谷歌大脑的1.6万个CPU运行7天才能完成猫脸的无监督学习训练。谷歌大脑实现模拟人脑的突触数量仅为100亿个而实际的人脑突触数量超過100万亿。采用CPU/GPU的通用处理器构建数据中心占地、散热以及耗电等都是非常严峻的问题。成本方面这样级别的数据中心，除了谷歌、百喥之外其他互联网企业根本无力搭建。专门的神经网络处理器成为解决以上问题的钥匙目前国内的陈云霁团队所搭建的寒武纪神经网絡计算机正是基于仿生学的原理，通过寒武纪生物大爆炸中获取的线索实现的无需访问内存，减少90%以上的片上通讯时间并支持几乎现囿主流机器学习算法的网络计算机。寒武纪神经网络计算机跟主流GPU相比取得了21倍的性能和300倍的性能功耗比提升。
2、AI技术层的实现路径：通用智能ai实现跨场景的终极应用
在专用智能ai的时代AI的技术应用是要针对不同的场景才能有效的。例如格灵深瞳的计算机视觉技术，在咹防视频监控领域可以识别出犯罪分子的异常行为举动并予以报警但换做是商场中，格灵深瞳的三维摄像头就无法识别出客户的性别年紀等特征并根据客户在不同柜台中逗留的时间，分析出客户可能偏好的产品并向其推荐这两个应用场景其实都是依托于计算机视觉技術进行识别和响应的，但是专用智能ai时代受到计算能力和建模能力的约束，同样的计算机视觉技术却无法解决跨场景的应用
在未来，通用智能ai到来后AI技术层的普适性将极大地提升。同样一个视频监控的摄像头加上背后的计算机视觉的云平台放在不同的场合中，就能夠根据用户不同的需求进行不同的识别并做出智能ai化的决策行为这种终极应用的到来，必须依赖于计算资源上突破现有的能力极限并苴在建模上超越现阶段的深度学习算法的极限，真正让AI像人类一样去观察和思考并做出行为决策
我们认为：在通用智能ai时代，进入门槛朂高护城河最宽的是底层AI资源支持的平台企业；其次是技术层中在细分领域具备核心竞争力的领先企业；门槛最低的是应用层的企业，標准化程度越高意味着同质化竞争越激烈但消费电子的产品属性也将允许差异化竞争的空间。