人工智能万亿市场待挖掘(中)
编辑:admin
字号:A-A+
摘要:4.人工智能生态格局展望:巨头与新贵共舞 4.1人工智能将催生新一轮IT商业模式创新 自从PC互联网时代以来,到移动互联网,再到智能硬件时代,技术发展和商业模式创新一直处于相辅

  4.人工智能生态格局展望:巨头与新贵共舞

  4.1人工智能将催生新一轮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,直到下一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,触摸屏的交互方式已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,人工智能是重要的技术突破点。

  4.2AI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,通用领域的人工智能实现还比较遥远。

  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,但对于计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,则必须对世间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,因此无法达成这一愿景。

  以百度大脑为例来说明运算能力的不足:百度几乎动用了全部的云计算能力来为其构建高性能计算资源池,投资47亿元建造云计算中心,将搭载超过300万服务器内核、存储4000PB数据,但目前百度大脑的智力水平也仅仅相当于2岁的婴儿。

  在未来5-10年之内,专用领域的定向智能化将是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,则专用智能将逐步进化成为跨场景跨下游应用的通用智能。而AI的生态格局,无论是专用还是通用领域,我们认为都将围绕底层-中层-顶层的技术和产品架构逐渐成形。

  人工智能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,由运算平台和数据工厂组成;

  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技术层的实现提供有利支持。

  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的脑容量,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化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难度加大等问题,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,某个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,机器想要找到某个数据,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的过程。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,开发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行建模运算,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,导致人工智能还无法达到和人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,在具体的应用场景中,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。这就给众多专业领域的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,产业格局会趋于分散,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的护城河,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林深瞳、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,都在具体应用场景的技术结果上,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为代表的专用智能产品和服务风起云涌

  专用智能的应用水平不断提升将推进智能产品和服务的智能化程度。为了能够满足用户需求,智能产品和服务需要多种不同的AI技术支撑:

  (1)谷歌的无人驾驶汽车,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的智能温控技术为例。为了能够通过不断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安装了六个传感器,不停地对温度、湿度、环境光以及设备周边进行监控和衡量,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的动作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的智能温控是无法实现的。

  (3)微信朋友圈的推送广告服务。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,以及朋友圈图片内容,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的同时,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服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,依赖于人工智能技术在产品背后能够给予多大的支撑。当前的智能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硬件大多是伪智能产品,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,以智能机顶盒为代表的智能家居设备等等。我们认为,杀手级的智能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及更为先进的智能产品和服务为代表。我们梳理了当前智能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)以海康威视和大疆创新为代表的计算机硬件制造商转型智能硬件的行业应用。

  4.2.2未来跨场景通用人工智能生态圈的格局

  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计算的依赖,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脑原型芯片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机和其它移动设备微处理器所使用的相同制造技术。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划研究局的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同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化程度还遥不可及。除IBM外,芯片巨头英特尔、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这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)量子计算。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的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。因为当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力。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过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、百度之外,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络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,并支持几乎现有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:通用智能实现跨场景的终极应用

  在专用智能的时代,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,在安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纪等特征,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术进行识别和响应的,但是专用智能时代,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,就能够根据用户不同的需求进行不同的识别并做出智能化的决策行为。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,并且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。

  3、AI应用层实现路径:AI定义一切智能硬件

  未来的智能硬件应该多数是拥有一定终端计算存储和处理能力的标准化硬件配置,通过网络连接中层的AI技术,接受不同的AI应用,为用户提供各种智能化的服务。

  在软件时代的说法是软件定义一切,表达的是硬件本身是标准化的,软件赋予了硬件具体的功能和身份,从而可以灵活地利用同样的硬件来满足用户不同的需求。在人工智能时代,应该AI定义一切,所谓的智能硬件产品本身是标准化的硬件,通过不同的AI应用来响应用户的各种需求。同样的机器人助手,当用户逛商场的时候他会是AI导购,当用户逛公园的时候他会是AI导游,当用户办公的时候他会是AI秘书,当用户宅在家的时候他会是AI管家。

  那么,如果这样标准化和高性能的智能终端大范围普及,目前还需要突破的瓶颈主要在几个方面:

  (1)传感器技术面临的挑战。在通往通用智能的路上,强大的信息采集功能是未来的智能硬件的必备条件。移动互联时代的主要采集类型局限于文字、图像、语音、视频和LBS等,感知技术的发展是信息采集能力的瓶颈。现有传感器已经开始可以采集重力感应、压力感应等听和看以外的信息,未来感知能力的提升让智能硬件能够采集多元化的用户信息,包括一些还很不完善的用户感觉提取,如味觉、嗅觉等。以医疗应用为例,未来可穿戴设备可以和医院体检中心的设备一样,实时的采集人体的各种体征体感数据,将这些数据传送到云端,被分析后反馈给用户,如需要在饮食健康和体育锻炼上注意什么,身体有异常情况需要及时就诊和治疗。要实现这个完整的O2O闭环,在最初的信息搜集环节,必须有赖于感知技术的颠覆性创新出现。

  (2)高端装备与精密制造的加工能力短板。目前中国企业在构成智能制造装备或实现制造过程智能化的重要基础技术和关键零部件方面主要依赖进口,如新型传感器等感知和在线分析技术、典型控制系统与工业网络技术、高性能液压件与气动元件、高速精密轴承、大功率变频技术、特种执行机构等。机械基础件、基础制造工艺及基础材料是装备制造业赖以生存和发展的基础,其水平直接决定着重大装备和主机产品的性能、质量和可靠性。机械基础件是组成机器不可分拆的基本单元,包括:轴承、齿轮、液压件、液力元件、气动元件、密封件、链与链轮、传动联结件、紧固件、弹簧、粉末冶金零件、模具等;基础制造工艺是指机械工业生产过程中量大面广、通用性强的铸造、锻压、热处理、焊接、表面工程和切削加工及特种加工工艺;基础材料特指机械制造业所需的小批量、特种优质专用材料。这些机械基础件的加工能力不足也将成为AI所标配的智能终端的瓶颈之一。

  (3)成本压缩。这里的成本包括了电子元器件成本和制造加工成本两部分。在智能手机制造业,传感器等元器件的大规模应用的瓶颈在于成本和尺寸。根据智能手机行业的规律,某新型传感器如果想要做进手机中,造价不能高于1美元,而尺寸不能大于1英寸。在未来的智能硬件领域,这样的挑战仍然存在。

  4.3AI产业格局的发展趋势:目前以竞争为主,未来将有更多合作

  4.3.1专用智能阶段:具备先发优势的AI企业跑马圈地

  AI时代的产业三层架构中,理想的格局是:每一层由不同的企业完成,相互之间无缝对接地合作。但是现阶段的竞争格局是:有能力的企业都希望打通三层,实现在专用领域中的一家通吃。他们有的从上往下延伸,如苹果、海康威视、小米等智能硬件企业;有的从下往上拓展,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。

  当前的产业格局中,大部分的企业都是跨2层甚至是3层的AI产品和服务提供者,但我们可以按照他最有优势的领域进行层级归类,如此就得到了以下的现阶段AI产业格局图。

  目前,国内最具代表性的具有完整定向智能三层架构的企业是百度与科大讯飞。百度大脑底层的开放云与数据工厂是基础资源支持层;基于深度学习算法对客观世界进行建模,产生计算机视觉和语音识别等定向智能应用的是AI技术层;baiduinside模式则构成了应用层,输出AI应用,笼络产品与服务的开发者加入,反过来再通过开发者接入产品与服务所获取的用户数据,来训练百度大脑提升智能化程度。

  科大讯飞也在2014年8月提出了讯飞超脑的项目,整个系统的架构与百度大脑高度相似,也是基于底层的超算平台和大数据分析能力,在中层通过认知计算和机器学习的处理,实现包括语音语义的识别,图像的识别以及知识表示的AI技术,通过顶层的iflyinside输出给各种智能终端,提供包括交互在内的各种AI应用服务。

  除了大企业,很多中小AI企业也努力打通上下层以整体解决方案的形式来提供产品和服务。所以在现阶段,我们看到格灵深瞳自己做了计算机视觉的云平台,对接自己贴牌的可实现三维视频采集的智能摄像头,形成了针对安防行业的完整三层解决方案。我们还关注到,face++通过在阿里云平台上租用计算和存储资源,结合自身的深度学习建模算法,为包括美图秀秀,世纪佳缘和360图片搜索在内的应用服务客户提供人脸识别的技术。

  在定向的专用智能的阶段,各家比拼的是人才储备、专用领域的数据资源、专项算法和一定的高性能计算以及弹性存储资源,这些条件都是处于各层的龙头企业力所能及的资源,所以,目前的AI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,巨头和新贵们都在忙着跑马圈地。

  我们认为:在专用智能阶段,最值得投资的是已经具备先发优势的AI企业,无论他处于哪一层都可以。

  4.3.2通用智能阶段:竞争性合作为主,门槛决定竞争优势

  在未来,AI产业链的格局会从注重竞争慢慢转向为竞争性合作,跑马圈地之后必然进入精耕细作的阶段。

  随着定向智能逐步向通用智能进化,AI技术对于计算资源和大数据的需求将呈几何级数的增长。这个阶段,如何突破计算能力的极限将是最关键的环节,在人脑芯片,量子计算等尖端领域拥有研发优势的企业将有能力率先向通用智能发起挑战,他们拥有的计算资源和技术优势构成基础资源支持层的护城河。另外一方面,承载社会级应用的通用智能的AI行业将成为重资产行业,实现这些功能所需要消耗的计算和数据资源将不是任何企业都可以负担的起的。那么,竞争性合作的局面会自然到来。

  根据我们的判断,在通用智能的时代,底层的AI基础资源支持将会是由以谷歌、百度和IBM为代表的巨头所把持;中层的技术开发产生多元化发展的局面,专注于语音、语义和图像等模式识别的公司,以及通过知识图谱和专家系统等路径开发商业智能和刻画用户数据画像等应用的公司,都会借助底层的资源发力自己的优势领域;顶层的应用则将是以生产加工标准化的硬件终端的制造企业为主,开发出不同的产品接口来对接中层的技术实现AI定义一切的智能硬件。

  我们认为:在通用智能时代,进入门槛最高,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,标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。

作者:admin 来源:未知 发布于2019-10-18 10:00
本文版权归原作者所有 转载请注明出处 收藏:
您可能喜欢的文章
热门阅读