核 心 要 点
近几年人工智能风口再起，实际上是技术发展、数据沉淀以及场景延展等多个因素，厚积薄发的结果。
人工智能商业化变现困难的根本原因，仍是底层研究的制约下难以规模化落地的现实。
新基建的加持，对于人工智能底层研究的投入、应用场景的拓展等将大有裨益。
能让马云、马化腾、李彦宏等业界大佬共同看好的方向，除了人工智能，可能很难找到第二个。
在 7 月 9 日举行的 2020 世界人工智能大会云端峰会上，“三马”(马云、马化腾、马斯克)、“二宏”(李彦宏、张文宏)少见地隔空同台。此外，还有包括七位图灵奖得主、一位诺贝尔奖得主在内的 550 多位业界、学术界嘉宾汇聚一堂。
大会上，以联合国数字合作高级别小组联合主席的身份出席的马云，就疫情期间社会经历的大动荡发表了自己的感悟，他认为，世界已经巨变，技术变革提前并且加速，与其担忧，不如担当，“为活下去而做的创新才是真正最强大和不可阻挡的动力”。
马云有此感叹，一定程度上是因为在疫情危机中，依赖人力、线下运转的传统行业遭受极大冲击，以人工智能为代表的新兴科技彰显出其重要性与必须性。例如，复旦大学附属华山医院感染科主任张文宏提到，“从人工智能参与到抗疫物资调配的时候，我们就意识到将来人工智能具有非常强大的物资调配能力”。
人工智能的意义已不止于经济层面，它也是抵御大自然不可抗力、维持社会健康稳定发展的依仗，基于这一逻辑，政策已率先做出反应。
在今年 2 月，工业和信息化部科技司发布了《充分发挥人工智能赋能效用 协力抗击新型冠状病毒感染的肺炎疫情倡议书》，倡议通过科技力量支撑疫情防控。随后，“新基建”政策落实，人工智能被列为七大领域之一。
随着底层技术的进步，与计算能力、大数据、场景等人工智能成长土壤的逐渐成熟，人工智能正处于平台化、产业化之前的关键节点。
疫情催化及政策推动下，人工智能的发展被按下加速键：仅在大会上，就诞生了 8 个人工智能产业投资基金项目， 36 个人工智能产业项目，签约投资总额超过 300 亿元。
而在新基建的东风下，人工智能又会带来哪些机遇?
一局围棋
在未来关于人类历史的讲述中，一定会有这样一个篇章。
2016 年 3 月，谷歌旗下DeepMind公司开发的人工智能机器人AlphaGo与围棋职业九段棋手李世石进行围棋人机大战，此时，大众对谁赢谁输的预测还有很大分歧，最终AlphaGo以 4 比 1 的总比分获胜。
这样一场比赛，将人工智能这样一个更多存在于科幻电影、小说中的概念实体化，也将人类一直以来的自信与骄傲击破，证明了人工智能可以达到比肩，甚至超越人类的高度——这甚至引发了一些恐慌。但在当时，中国选手柯洁仍认为“AlphaGo能赢李世石，但是赢不了我”。
仅一年之后，AlphaGo再次突飞猛进，大众已经一边倒地做出了人类必败的判断，最终AlphaGo以3： 0 的战绩击败了几乎代表着人类围棋最高水准的柯洁。
第三局比赛中，柯洁甚至中途离场 20 分钟痛哭，连坐在十几米之外的观众都能听见他隐忍但清晰的哭声。“我感到浑身都在颤抖，真的，寒冷地颤抖。”后来柯洁这样描述自己的状态。
柯洁承认，他的失态是因为觉得机器下得太完美。
值得指出的是，人工智能从诞生到打败世界围棋冠军，只经过了六十余年的发展。
1950 年，一位名叫马文·明斯基的大四学生，与同学一起建造了世界上第一台神经网络计算机，这也被看做是人工智能的一个起点。而马文·明斯基在后来也被誉为“人工智能之父”。
同年，“计算机之父”阿兰·图灵提出设想：如果一台机器能够与人类开展对话而不能被辨别出机器身份，那么这台机器就具有智能。直到 1956 年，计算机专家约翰·麦卡锡才提出“人工智能”一词，被人们看做是人工智能正式诞生的标志。
随后，由于技术难度高、进展慢，人工智能的发展反复经历着高潮与低谷。在1987 年，由于通用计算机 Lisp Machine在商业上的失败，人工智能再次滑入了低迷期，行业人士开始意识到人工智能的问题不在于硬件，而是在软件以及算法层面的挑战没有突破。
长久以来，对人工智能的探讨一直局限在研发圈层中，一直到AlphaGo出世，横扫人类围棋界，才一举将人工智能推向了社会话题中心，自此之后，人工智能概念始终炙手可热。
人工智能之所以会在 2017 年的时点上爆发，本质上是得益于发展土壤的逐渐成熟，马化腾曾在演讲中提到，发展人工智能，场景、大数据、计算能力和人才缺一不可。
在计算能力方面，深度学习技术是人工智能发展历史上的一个重要突破。 2006 年，现任职于Google Brain的技术专家 Geoffrey Hinton带领团队发现了训练高层神经网络的有效算法， 2012 年，Geoffrey Hinton团队在ImageNet上首次使用深度学习技术完胜其它团队。
Geoffrey Hinton在ImageNet2012 上的成功让科学家开始更多的关注模型与算法的创新突破，以弥补训练中数据的不足，从而带来算法上的快速迭代：以图形计算为代表的GPU在计算机视觉训练中替代原来的CPU，大大提升了计算性能，让原来需要几个月才能完成的训练缩短到几天或几个小时，加快了计算机视觉前期训练和推理的迭代周期，带来效率上的成倍提升。
大数据则是人工智能的燃料，随着互联网浪潮从PC时代过渡到移动时代，人类生活逐渐被智能终端所绑定，每日可产生的数据量出现指数级的增长，且数据维度更加丰富，大数据技术逐渐精进。而大数据技术能够通过数据采集、预处理、存储及管理、分析及挖掘等方式，从各种各样类型的海量数据中，快速获得有价值信息，为深度学习等人工智能算法提供坚实的素材基础。
另一方面，随着社会经济形态与产业形态发展，人工智能有了更多的落地场景，如医疗、安防、交通等，这是承载人工智能发展的介质。
因此，近几年人工智能风口再起，实际上是技术发展、数据沉淀以及场景延展等多个因素，厚积薄发，引发了一场席卷全球的AI创投热潮。
迷雾尚未消散
在探讨人工智能的前景之前，有必要先厘清人工智能的基本架构。对人工智能的探讨可以分为两条主线：一是学术视角的底层研究，二是产业视角。
高校是培养人工智能人才、执行人工智能技术研究的主阵地，在美国，人工智能方面科研实力最强的高校有麻省理工学院、卡内基梅隆大学、斯坦福大学等。其中，卡内基梅隆大学在 2018 年开设了美国首个人工智能本科学位，加大对人工智能领域人才培养的投入。
中国高校也在近两年间不断推进人工智能教育，数据显示，截至 2018 年底，有 94 所拥有人工智能二级学院的中国大学，相比 2017 年增加了 21 所，其中，清华大学、浙江大学、上海交通大学、哈尔滨工业大学、华中科技大学、中国科学技术大学、中科院各研究所等是人工智能底层研究的主力军。
高校开展的人工智能研究更多是由国家拨款支持的，此外，也有不少大型科技公司出资成立研究院，从事人工智能底层技术研究。
谷歌一直以来都将人工智能作为主要战略方向之一，它在 2011 年时就推出了聚焦深度学习的Google Brain项目，并在 2014 年 1 月斥资 4 亿美元收购一家名为Deep Mind的人工智能公司，正是这家公司在三年后推出AlphaGo，掀起人工智能风潮。
据咨询公司麦肯锡报告显示，包括谷歌在内的科技巨头， 2016 年在人工智能上的投入在 200 亿至 300 亿美元之间，其中10%用于人工智能收购，90%用于研发和部署。
2017 年，AlphaGo引爆人工智能概念之后，美国科技巨头对人工智能的投入进一步加大。该年的Google I/O 开发者大会上，谷歌确立了从mobile-first到AI-first的根本战略转变，同年，微软宣布计划建立百人规模的微软AI研究院。一年后，谷歌又将谷歌研究院(Google Research)改名为谷歌人工智能(Google AI)，将人工智能放在最高战略地位上。
国内科技公司对人工智能底层技术的研究稍晚一步，但在近几年也发展迅速。
较早在AI研究上进行投入的是百度， 2014 年，百度成立硅谷人工智能实验室，由斯坦福大学计算机科学系和电子工程系副教授吴恩达领航。吴恩达同时也是Google Brain的主创成员之一，是人工智能领域公认的领军人物。同年，百度还启动了“少帅计划”，提供百万年薪，针对 30 岁以下的人工智能领域优秀人才进行甄选和培养。
2016 年 4 月，腾讯成立AI Lab(腾讯人工智能实验室)，致力于人工智能基础科学的开放研究，以及应用领域的深入探索，做到“学术有影响，工业有产出”。随后，张潼、贾佳亚、俞栋等学界大牛陆续加入。
在 2017 年杭州阿里云栖大会上，阿里巴巴在面向未来技术创新方面投入千亿资金，成立了探索人类未来科技研究院“达摩院”。
达摩院研究方向
此外，华为等国内科技巨头，也在人工智能底层研究上有所投入，包括建立研究院，与各大高校共同开设相关课程等。
无论是成立研究院、实验室还是达摩院，虽然各家研究方向存在细微差别，但BAT都试图表现投入人工智能底层研究的态度。只是相关设想在实践中遇到挑战，如今，百度人工智能实验室遭遇大换血，吴恩达早已离职创业，少帅计划也无疾而终;腾讯Lab经历调整，张潼、贾佳亚相继离开;达摩院的投入重点在往产业层面靠拢。
在产业界探索研究人工智能底层技术遭遇挫折的同时，在产业层面，人工智能在波折中前进。
目前，全球人工智能产业的生态系统正逐步成型。依据产业链上下游关系，可以将人工智能划分为基础支持层、中间技术层和下游应用层。
基础层是人工智能产业的基础，主要包括了芯片、传感器、大数据和云计算等基础能力。
我国人工智能行业发展追求速度，资金投向追捧易于变现的终端应用。研发周期长、资金投入大、 见效慢的基础层创新被市场忽略，但是人工智能的发展根源于基础层(算法、芯片等)，长期来看看，人工智能的行业研究有所突破还是要依赖基础层研究。
技术层是人工智能产业的核心， 主要以模拟人的智能相关特征为出发点，将基础能力转化成人工智能技术。如计算机视觉、智能语音、自然语言处理(NLP)、人机交互等应用算法研发。其中，技术层能力可以广泛应用到多个不同的应用领域。
计算机视觉是实现工业自动化和智能化的关键核心技术，其对于人工智能的意义，正如眼睛之于人类的意义，帮助机器“看懂”这个世界。本质上，机器视觉通过使用光学系统、工业数字相机和图像处理工具，来模拟人的视觉能力，并做出相应的决策。
而NLP则是帮助人工智能“理解”人类语言，这是人工智能、计算机科学、信息工程的交叉领域，涉及统计学、语言学等的知识。人类语言充满了负责性和模糊性，NLP也是人工智能领域最为困难的问题之一，但一旦攻破，就达到了机器智能化的最高境界，因此NLP也被誉为是“人工智能皇冠上的明珠”。
语音识别的技术难度相对更低，它只要求人工智能“听懂”语言，而不要求其“理解”语义。语音识别技术现在已相对成熟，国内的科大讯飞就是这一细分赛道中的代表企业。
自动驾驶是人工智能技术的另一个大方向，它涉及视觉计算、雷达、监控装置和全球定位系统的协同合作，技术体系更为复杂。
现阶段，对自动驾驶的研究主要还停留在L3 级别，但在日前的人工智能大会上，马斯克透露：“目前最新的特斯拉纯电动车已经十分接近L5 级自动驾驶，今年将完成其基本功能。”
近年来，我国技术层围绕垂直领域重点研发，在计算机视觉、语音识别等领域技术成熟，国内的头部企业竞争优势明显。但是具体来看，在算法理论和开发平台领域，尚且缺乏积累和经验，百度的PaddlePaddle、 腾讯的Angle 等国内企业打造的开放平台尚无法与国际主流产品竞争。
应用层作为人工智能产业的延伸，将技术应用到具体行业，涵盖制造、交通、金融、医疗等 18 个领域，其中医疗、交通、制造等领域的人工智能应用开发受到广泛关注。
当前，应用层以底层技术能力为主导，切入不同场景和应用，提供产品和解决方案。受益于计算机视觉、图像识别、自然语言处理等技术的快速发展，人工智能已广泛地渗透和应用于诸多垂直领域，产品形式也趋向多样化。
目前，应用层是人工智能产业链中市场规模最大的层级。据中国电子学会统计，2019 年，全球应用层产业规模将达到 360.5 亿元，是基础层的 2.53 倍。在全球范围内，人工智能仍处在产业化和市场化的探索阶段，落地场景的丰富度、用户需求等有待提高，国际上尚未出现拥有绝对主导权的垄断企业，在很多细分领域的市场竞争格局尚未定型。
尽管人工智能近年来发展迅速，但从整体来看，虽然有AlphaGo大败人类围棋手的里程碑事件在前，人工智能的发展其实还并不成熟。
李彦宏将人工智能的发展分为了三个阶段——技术智能化阶段、经济智能化阶段以及社会智能化阶段三个阶段。其中第二阶段又分为上下两个阶段，在前半段，人工智能的发展主要围绕通用能力的开发和作为一种资源的AI能力的平台化。在后半段，人工智能开始全面的产业化，行业应用与商业化全面普及。
当下，我们正处于从经济智能化的前半段向后半段过渡的时期，人工智能已经证明或者初步证明了其对所在行业的颠覆和重构潜能。
“目前人工智能所处的阶段是一个容易产生迷茫甚至悲观的阶段，这是大多数颠覆性技术在加速普及之前必经的阶段。当迷雾消散时，一个经济和社会全面互联网化的时代就开始了。”李彦宏说。
漫漫长路
针对人工智能的几个主要应用方向，国内科技巨头们都有不同布局，在细分赛道，也有优秀的独角兽冒头。
如在计算机视觉方向，就诞生了有“AI四小龙”之称的商汤、旷视、依图、云从四家代表企业。
人工智能的主要落地场景，如安防、交通、医疗等，都需要建立在视觉智能化的基础上，这也是AI四小龙的主要业务方向。因为涵盖范围广，商业潜力大，AI四小龙诞生之后一度受到资本热捧，根据胡润研究院发布的《 2019 胡润全球独角兽榜》，四家企业估值都已超百亿人民币，其中商汤估值达到了 400 亿元人民币。
商汤因融资规模巨大，甚至有“融资机器”之称，其投资方中，还包括了阿里巴巴等科技巨头。
得益于技术红利的推动，除计算机视觉方向外，各技术细分领域也都诞生了大小不一的独角兽，如NLP方向的追一科技、蓦然认知、竹间科技;智能驾驶方向的图森未来等。
与创业公司相比，巨头在人工智能层面的布局野心更大，涵盖的方向更广，且多与主业相结合。
如阿里巴巴在 2017 年成立的达摩院，计划在 3 年里投入超过 1000 亿元用于涵盖基础科学和颠覆式技术创新的研究。
达摩院旗下最大的机器智能实验室分支iDST负责人金榕曾在采访中介绍，达摩院的设立主要有两个目标，一是把达摩院的AI基础能力放到平台上支撑所有业务，二是上云，在产品得到内部核心业务验证后，将产品上云商业化，进一步放大价值，服务整个社会。
在达摩院“大脑”的支撑下，阿里巴巴也逐渐实现了技术成果转化，如在计算机视觉领域，在被誉为人工智能世界杯的 CVPR 2019 WebVision 竞赛中图像分类竞赛中，阿里巴巴以 82.54% 的识别准确率获得冠军。
腾讯同样也在进行腾讯云的建设，截至 5 月份，腾讯云AI公有云日处理图片超 30 亿张，日处理语音 250 万小时，自然语言处理超千亿句，客户数超过 200 万，服务全球超过 12 亿用户。
而在产品层面，腾讯云也已经拥有了多项能力，如包括腾讯云神图、慧眼、图像分析、智能识图以及OCR在内的视觉服务，包括腾讯云语音识别、语音合成、机器翻译等在内的智能语音产品，包括情感分析、智能分词、文本纠错等在内的自然语言处理产品。
在本届人工智能大会上，腾讯发布了进一步拓展视觉人工智能能力的 4 个平台产品，继续深入计算机视觉领域研究。
科技巨头之中，百度在人工智能领域的布局较早，目前，旗下人工智能助手小度，让用户以自然语言对话的交互方式，实现影音娱乐、信息查询、生活服务、出行路况等多项功能的操作，是百度除搜索等产品外，与普通用户交集最大的人工智能产品。
巨头们似乎都已将未来的比拼重点放在了人工智能上，从成果上来看也取得了一定的成效。但实质上，在推进人工智能发展的过程中，始终存在着诸多阻碍。
首先是底层研究需要突破。在这一层面，资金投入、教育深化是基础，但并不存在绝对的因果关系，技术的突破存在许多偶然性，在人工智能发展历史中，就多次因为陷入技术瓶颈而停滞不前。
其次，在企业推动人工智能技术研发的过程中，基础研究与产业团队如何融合、协同一直是困扰各大公司的问题——谷歌也未能幸免。如何将底层研究与实际业务所需这样的长期投入与短期收益相结合，非常考验各大公司的投入耐心和内部协同能力。
再次，商业化变现困难是现阶段仍制约人工智能企业发展的难题。如风头正盛的AI四小龙，虽然从估值上看，它们的技术价值前景得到了认可，但因为技术落地难、商业模式盈利难，四小龙的IPO进程都一再受阻，旷视在 2019 年 8 月向港交所递交招股书，在今年 2 月其申请上市状态已变为“失效”， 3 月，有外媒报道称商汤也推迟了赴港IPO计划。
而商业化变现困难的根本原因，仍是底层研究的制约下，人工智能难以落地。
事实上，从 2017 年开始，人工智能行业就开启了“存量阶段”，投资人更看重人工智能的实际落地场景，对处于早期阶段的人工智能公司，开始了保守的投资模式，对处于中后期的人工智能公司，其投资意愿有所提升。
具体的表现为， 2016 年开始，私募对人工智能公司的天使轮投资频率开始减少、对战略投资轮投资频率开始上升：拿到天使轮的人工智能公司从 2016 年的 301 家，减少到 2019 年的 113 家;拿到战略投资轮的人工人工智能公司从 2016 年的 11 家，增加到 2019 年的 39 家。
不过，在今年踏进“新基建”的节点后，市场对人工智能的保守态度或许将有所转变。
在 2020 世界人工智能大会投融资主题论坛上，中金公司研究部董事总经理黄乐平发布了相关AI研究报告，中金认为，“AI+5G”是数字经济时代的通用技术平台，人工智能、区块链、云计算、5G等信息技术与机器人、医疗、航天等场景相融合，催生的AR/VR、无人驾驶、商业航天等新产品和新业态是科技行业未来十年的发展主线。
中金公司测算，新基建、新需求、新技术在未来十年将为我国数字经济新增近4. 3 万亿元的产业空间。
政策推动下，社会资源向人工智能产业聚集，将进一步推动底层数据建设、应用场景拓展等，今年上半年，有多地政府加大了对智慧城市、城市大脑等的建设;疫情之下，人工智能提高医疗效率的价值也得到凸显。
新基建的加持，对于人工智能底层研究的投入、应用场景的拓展等将大有裨益。不过，在欢呼机遇到来的同时，也需要充分认识到，人工智能不是一场短跑。
正如马化腾在人工智能大会上所说，人工智能是一个跨国跨学科的科学探索工程，正在将人类的认知推向更快更高更强，但目前人类对人工智能等新科技的未知仍然大于已知。
这仍是一条漫漫长路。
