2016年人工智能产业梳理：一朝引爆，稳步前进（上篇）

一场人机大战引起了人工智能热，在其普及的背后，是整个产业的稳健布局。

在已经过去的2016年，谷歌旗下DeepMind团队打造的AlphaGo引爆了新一轮的人工智能热，开启了2016年的人工智能时代。由此，在蝴蝶效应下，更多的人工智能产品融入了人们的生活，也让人们意识到了智能化时代的到来。

人工智能之所以能够大面积普及并获得如今的成功，其背后的产业布局功不可没。在下面的这篇文章中，各位看官不如跟着镁客网的脚步，一起探索下人工智能的背后，其中主要分为四大模块，分别为：基础层、应用层、软件和媒体，在这四大模块中，有的则进一步分化成多个部分。本篇将先从基础层开始讲起。

顾名思义，基础层包括了人工智能技术研发所需的一切准备，主要为芯片&传感器、算法框架和云服务&大数据。具备了这些条件，科研人员们才可以更好地研发、训练自己的人工智能技术，提高准确度。

芯片&传感器

在人工智能领域，算法的实现依赖于计算机强大的运行速度，因此芯片就显得尤为重要。而在运行之上，人工智能产品需要大量的数据来提供服务，这方面就得依靠那些相当于人类“眼耳鼻”的传感器来搜集。

英伟达

凭借具备识别、标记功能的图像处理器，在人工智能还未全面兴起之前，英伟达就先一步掌控了这一时机。在2016年，英伟达更是一连发布了多款针对深度学习的芯片，像4月份发布的一款可执行深度学习神经网络任务的Tesla P100 GPU，又比如9月份发布的基于Pascal架构的深度学习芯片Tesla P4和Tesla P40，其中，Pascal架构能助推深度学习加速65倍。

除了研发芯片，英伟达进一步扩大了自己的人工智能布局，发布了多个用于不同领域的硬件和平台，比如世界上首个人工智能超级计算机以及在CES 2017发布的自动驾驶芯片XAVIER AICAR SUPERCOMPUTER、智能家居硬件Spot、搭载了人工智能系统ProAI（由ZF、英伟达联合研发）的车载电脑等。

ARM

迄今为止，全球85%的智能移动设备中都采取了ARM架构，其中，超过95%的智能手机运用了ARM的处理器，在智能硬件和物联网高速发展的如今，ARM有着绝对的地位。

此外，根据其2015年Q4财报，ARM所授权的芯片主要都用在了移动计算、智能汽车、安全系统和物联网。在智能汽车领域，包括NVIDIA、高通在内都是基于ARM设计开发了面向驾驶辅助系统的超级计算机。早前，对于收购ARM一事，软银CEO孙正义就曾明确表示ARM芯片将推动人工智能走向奇点。而在收购之后，软银也对ARM早已开始的人工智能项目“Blue Sky Program”表示了极大的支持。

中星微

在极度依赖国外进口的我国芯片产业中，中星微可谓一匹突出重围的“黑马”。在今年6月份，中星微率先推出了中国首款嵌入式神经网络处理器（NPU）芯片“星光智能一号”，这也是全球首枚具备深度学习人工智能的嵌入式视频采集压缩编码系统级芯片，并已于3月6日实现了量产。

该芯片采用了“数据驱动”并行计算的架构，单颗NPU（28nm）能耗仅为400mW，极大地提升了计算能力与功耗的比例，可以广泛应用于智能驾驶辅助、无人机、机器人等嵌入式机器视觉领域。

Nervana

Nervana一直在努力将机器学习功能全力引入到芯片之中，是人工智能ASIC芯片供应商。得到Intel的支持后，Nervana正计划推出其针对深度学习算法的定制芯片Nervana Engine。据Nervana相关人员表示，相比GPU，Nervana Engine在训练方面可以提升10倍性能。

此前，Intel在收购Nervana一事在业内引起了震动，而到目前为止，借助Nervana Engine芯片在深度学习训练方面优于传统 GPU 的能耗和性能优势，Intel也相继推出了一系列适应深度神经网络的特殊处理器。

Velodyne

在自动驾驶领域，激光雷达是一个不可或缺的硬件，而Velodyne一直是自动驾驶试验汽车使用的光探测和测距传感器领域的领导者。为了成本，福特和百度对Velodyne进行了投资。

在传感器的研制上，Velodyne一直致力于研发固态激光雷达，而为了更好地进入市场，其也表示将降低雷达成本。就在去年12月份，Velodyne表示，他们已经成功设计出了可应用于自动驾驶汽车上的全新固态技术激光雷达，更令人高兴的是，当实现量产的那一天，该传感器的单价将降至 50 美元以下，较之如今的一出口就是几万美元真的是天差地别。

除了以上介绍的芯片商和传感器生产商之外，还有许多在各自市场有着极大话语权的公司，比如正在发力人工智能芯片领域的Intel、推出全球首款固态激光雷达的Quanergy等等。

算法框架

Tensor Flow

TensorFlow是Google于2015年末开源的深度学习框架，目前已被Google用于支持语音识别、搜索等多款商业化应用。TensorFlow一大特色就是其灵活的架构可以部署在一个或多个CPU、GPU的台式以及服务器中，或者使用单一的API应用在移动设备中。并且，在上手上，TensorFlow也很容易使用，有python和C++两种接口，其他语言可以使用相关工具使用接口，比如SWIG。

不过，在使用TensorFlow的时候有一个缺陷，那就是使用者需要编写大量的代码，必须一遍又一遍地重新发明轮子。

Torch

Torch是一个诞生已有10年之久、拥有大量机器学习算法支持的科学计算框架，在因Facebook人工智能研究所用而出名之前，Torch一直是深藏功与名，其使用者中甚至包括被Google收购之前的DeepMind。

在使用中，Torch框架拥有构建模型简单、高度模块化、快速高效的GPU支持、可嵌入到iOS、Android和FPGA后端的接口等优势。论其劣势就主要在于语言，如果想使用该框架，使用者需要先学会Lua语言，而不是市面上运用较普遍的Python、Matlab 或C++等。

Caffe

Caffe由加州大学伯克利的PHD贾扬清开发，全称Convolutional Architecture for Fast Feature Embedding，是一个清晰而高效的开源深度学习框架。

在算法框架中，Caffe应该算是一个贵族了。最初，Caffe并不是一个通用框架，而仅仅关注计算机视觉，Google最著名的DeepDream项目（识别猫）就是以此为基础进行的。

Caffe框架有几大优势，比如模型与相应优化都是以文本形式而非代码形式给出，上手较快；能够很快运行最棒的模型与海量的数据；方便扩展到新的任务和设置上；可以通过BSD-2参与开发与讨论等等。当然，Caffe框架也有着自己的短处，像不够灵活、文档极度贫乏、安装过程易使人抓狂之类。

DSSTNE

DSSTNE是Amazon用来开发深度学习模型的一套框架，全称为Deep Scalable Sparse Tensor Network Engine。

在一开始的设计初衷上，DSSTNE就明确了自己的目标，并将“推荐系统”做到了极致。DSSTNE采用 GPU 运行，因而在得到好结果的同时，其也能够保持快速的运行速度，不过在另一方面，这个因素也导致使用者不能随意在CPU和GPU中切换。虽然对编程能力没有要求，但是因为在线教程、开发者进行操作尝试的指导太少等多种因素，DSSTNE框架目前还并不是很成熟，或许几个月之后的新版本能够带给使用者更多的惊喜。

PaddlePaddle

由百度于去年8月底开源，是一个基于Spark的异构分布式深度学习系统，是中国第一个机器学习开源平台。

在使用中，PaddlePaddle框架让开发者抛开底层编码，专注于构建深度学习模型的高层部分，降低了开发机器学习模型的门槛，简单易上手。而充分利用GPU集群性能的做法，使得PaddlePaddle框架能够快速的进行大量数据的运行。此外，Paddle框架还支持多种深度学习模型，包括DNN（深度神经网络）、CNN（卷积神经网络）、RNN（递归神经网络），以及NTM这样的复杂记忆模型。在开源的最初，贾杨清等业内人士都发表了自己对于PaddlePaddle框架的看法，基本上也都给予了正面的价。

基于算法框架，各团队可以更好、更快的搭建和训练自己的算法，大大的加速了人工智能技术的研发进程和产品平台的搭建。在算法框架领域，除了以上那些提到的老前辈或是新贵，还有许多知名的存在，已经开源的有微软的DMTK（分布式机器学习工具包）、OpenAI的AI训练平台Universe、亚马逊的“御用”的深度学习平台“多语言机器学习资料库”MXNet等，未开源的像Facebook的基于深度学习的文本解析引擎Deeptext等。

云服务&大数据

亚马逊AWS

说起云服务，亚马逊的AWS绝对是行业老大。据Synergy Research Group的最新数据，在公有云市场，AWS已经占据了45%的市场份额，远超微软、谷歌等企业。

占据着“先发者”的优势，AWS在云服务市场是无往不利，并从最初的数据计算和存储服务，扩展到了如今的70多种服务，成为了全球产品线最完整的云计算服务厂商。此外，随着人工智能热的泛起，AWS中也逐渐加入了人工智能服务，就在去年11月底在开发者大会上公布的三项AI服务，其中包括了图像识别工具Rekognition、语音识别工具Polly、以及聊天交互工具Lex。目前，这些服务已经在亚马逊内部得到了使用，像虚拟助手Alexa就是以Lex为内核，对自然语言进行处理。

微软Azure

微软Azure是仅次于亚马逊AWS的第二大云服务提供商，也是微软当前的主要盈利业务之一。在人工智能时代，微软CEO纳德拉曾表示，要将Azure打造成世界上首台AI超级计算机。

在Azure的布局上，微软已经做出了多个动作，比如去年11月份与人工智能非盈利性研究公司OpenAI达成合作，意欲借助其背后的深度机器人技术和专家支持，将Azure打造成一个打造人工智能支持软件的最佳场所。此外，在云服务上，微软宣布将推出Azure Bot服务，允许企业和开发者在Azure上存储和运行机器人，与此同时，其还将推出下一代以Azure为载体的、基于Pascal的硬件创新 GPU。在这些动作之下，微软Azure的道路正在不断地进行拓宽。

阿里云

虽然AWS强势进入了中国，但是“地头蛇”阿里云却没打算放弃自己在国内市场“第一把交椅”的名头，更是将目光放在了全球市场。

2016年8月，阿里云宣布正式换了logo，并同时发布了基于阿里云打造的人工智能ET，其拥有智能语音识别、图像或视频识别、情感分析等技术，展现了阿里云在人工智能云服务的布局。目前，作为占据了国内云服务市场50%以上的头头，阿里云已经被运用在了多个领域，主要以B端市场和政府为主。其中，阿里云“城市大脑”在杭州上线测试，城市全局实时分析、公共资源调配等手到擒来，体现了阿里云服务的强大。

Cloudera

作为一家大数据公司，Cloudera以Apache Hadoop和其他开源技术为基础，向企业提供数据管理和分析平台，此外，其还提供了支持、培训以及其他的专业服务。

基于这些服务，Cloudera能够帮助客户高效获取、存储、处理和分析海量数据，使客户能够利用最先进的数据分析技术，以更低的成本，快速、灵活地做出各项决策。当下，Cloudera的数据平台Cloudera Enterprise正被很多全球领先的组织所使用。

Tableau

Tableau致力于数据可视化，将数据运算与美观的图表完美地嫁接在一起。基于数据越容易操控，公司越能清楚自己所作所为的理念，其开发了一个叫做Tableau的软件，为数字媒体提供了一个全新且免费的数据展示工具，任何人在没有编程知识背景的情况下也能生成漂亮的数据图表和地图。

目前，在云服务&大数据领域，一些初创公司也在奋力崛起，紧追人工智能时代的脚步，比如国内的小视科技（相关阅读：「镁客·请讲」小视科技：拓展大数据反欺诈在各行业应用，保护个人隐私）、ONEAPM和听云等企业，以及国外的Confluent、Maana和StreamSets等。在人工智能的研发中，大数据和云服务承担着不小的责任，基于云服务，一些能力不够的团队可以借助平台上的工具来更好的创建和训练自己的算法，公司则可以借助这些工具进行数据分析和处理、打造自己的一个平台。而在大数据上，可以说，没有大数据，就没有如今的人工智能产品，通过大数据的训练，人工智能技术可以提高自身的准确性，公司也可以摆脱数据工作的繁琐，让公司的数据运作变得更为简洁化。不过，不管是云服务还是大数据，两者之间都有着共同性，而在另一方面，“如何维护网络安全”也是两者所需要面对的难题，同时也是未来大数据的发展趋势之一。

最后，记得关注微信公众号：镁客网（im2maker），更多干货在等你！