2016年人工智能產業梳理：一朝引爆，穩步前進（上篇）

一場人機大戰引起了人工智能熱，在其普及的背后，是整個產業的穩健布局。

在已經過去的2016年，谷歌旗下DeepMind團隊打造的AlphaGo引爆了新一輪的人工智能熱，開啟了2016年的人工智能時代。由此，在蝴蝶效應下，更多的人工智能產品融入了人們的生活，也讓人們意識到了智能化時代的到來。

人工智能之所以能夠大面積普及并獲得如今的成功，其背后的產業布局功不可沒。在下面的這篇文章中，各位看官不如跟著鎂客網的腳步，一起探索下人工智能的背后，其中主要分為四大模塊，分別為：基礎層、應用層、軟件和媒體，在這四大模塊中，有的則進一步分化成多個部分。本篇將先從基礎層開始講起。

顧名思義，基礎層包括了人工智能技術研發所需的一切準備，主要為芯片&傳感器、算法框架和云服務&大數據。具備了這些條件，科研人員們才可以更好地研發、訓練自己的人工智能技術，提高準確度。

芯片&傳感器

在人工智能領域，算法的實現依賴于計算機強大的運行速度，因此芯片就顯得尤為重要。而在運行之上，人工智能產品需要大量的數據來提供服務，這方面就得依靠那些相當于人類“眼耳鼻”的傳感器來搜集。

英偉達

憑借具備識別、標記功能的圖像處理器，在人工智能還未全面興起之前，英偉達就先一步掌控了這一時機。在2016年，英偉達更是一連發布了多款針對深度學習的芯片，像4月份發布的一款可執行深度學習神經網絡任務的Tesla P100 GPU，又比如9月份發布的基于Pascal架構的深度學習芯片Tesla P4和Tesla P40，其中，Pascal架構能助推深度學習加速65倍。

除了研發芯片，英偉達進一步擴大了自己的人工智能布局，發布了多個用于不同領域的硬件和平臺，比如世界上首個人工智能超級計算機以及在CES 2017發布的自動駕駛芯片XAVIER AICAR SUPERCOMPUTER、智能家居硬件Spot、搭載了人工智能系統ProAI（由ZF、英偉達聯合研發）的車載電腦等。

ARM

迄今為止，全球85%的智能移動設備中都采取了ARM架構，其中，超過95%的智能手機運用了ARM的處理器，在智能硬件和物聯網高速發展的如今，ARM有著絕對的地位。

此外，根據其2015年Q4財報，ARM所授權的芯片主要都用在了移動計算、智能汽車、安全系統和物聯網。在智能汽車領域，包括NVIDIA、高通在內都是基于ARM設計開發了面向駕駛輔助系統的超級計算機。早前，對于收購ARM一事，軟銀CEO孫正義就曾明確表示ARM芯片將推動人工智能走向奇點。而在收購之后，軟銀也對ARM早已開始的人工智能項目“Blue Sky Program”表示了極大的支持。

中星微

在極度依賴國外進口的我國芯片產業中，中星微可謂一匹突出重圍的“黑馬”。在今年6月份，中星微率先推出了中國首款嵌入式神經網絡處理器（NPU）芯片“星光智能一號”，這也是全球首枚具備深度學習人工智能的嵌入式視頻采集壓縮編碼系統級芯片，并已于3月6日實現了量產。

該芯片采用了“數據驅動”并行計算的架構，單顆NPU（28nm）能耗僅為400mW，極大地提升了計算能力與功耗的比例，可以廣泛應用于智能駕駛輔助、無人機、機器人等嵌入式機器視覺領域。

Nervana

Nervana一直在努力將機器學習功能全力引入到芯片之中，是人工智能ASIC芯片供應商。得到Intel的支持后，Nervana正計劃推出其針對深度學習算法的定制芯片Nervana Engine。據Nervana相關人員表示，相比GPU，Nervana Engine在訓練方面可以提升10倍性能。

此前，Intel在收購Nervana一事在業內引起了震動，而到目前為止，借助Nervana Engine芯片在深度學習訓練方面優于傳統 GPU 的能耗和性能優勢，Intel也相繼推出了一系列適應深度神經網絡的特殊處理器。

Velodyne

在自動駕駛領域，激光雷達是一個不可或缺的硬件，而Velodyne一直是自動駕駛試驗汽車使用的光探測和測距傳感器領域的領導者。為了成本，福特和百度對Velodyne進行了投資。

在傳感器的研制上，Velodyne一直致力于研發固態激光雷達，而為了更好地進入市場，其也表示將降低雷達成本。就在去年12月份，Velodyne表示，他們已經成功設計出了可應用于自動駕駛汽車上的全新固態技術激光雷達，更令人高興的是，當實現量產的那一天，該傳感器的單價將降至 50 美元以下，較之如今的一出口就是幾萬美元真的是天差地別。

除了以上介紹的芯片商和傳感器生產商之外，還有許多在各自市場有著極大話語權的公司，比如正在發力人工智能芯片領域的Intel、推出全球首款固態激光雷達的Quanergy等等。

算法框架

Tensor Flow

TensorFlow是Google于2015年末開源的深度學習框架，目前已被Google用于支持語音識別、搜索等多款商業化應用。TensorFlow一大特色就是其靈活的架構可以部署在一個或多個CPU、GPU的臺式以及服務器中，或者使用單一的API應用在移動設備中。并且，在上手上，TensorFlow也很容易使用，有python和C++兩種接口，其他語言可以使用相關工具使用接口，比如SWIG。

不過，在使用TensorFlow的時候有一個缺陷，那就是使用者需要編寫大量的代碼，必須一遍又一遍地重新發明輪子。

Torch

Torch是一個誕生已有10年之久、擁有大量機器學習算法支持的科學計算框架，在因Facebook人工智能研究所用而出名之前，Torch一直是深藏功與名，其使用者中甚至包括被Google收購之前的DeepMind。

在使用中，Torch框架擁有構建模型簡單、高度模塊化、快速高效的GPU支持、可嵌入到iOS、Android和FPGA后端的接口等優勢。論其劣勢就主要在于語言，如果想使用該框架，使用者需要先學會Lua語言，而不是市面上運用較普遍的Python、Matlab 或C++等。

Caffe

Caffe由加州大學伯克利的PHD賈揚清開發，全稱Convolutional Architecture for Fast Feature Embedding，是一個清晰而高效的開源深度學習框架。

在算法框架中，Caffe應該算是一個貴族了。最初，Caffe并不是一個通用框架，而僅僅關注計算機視覺，Google最著名的DeepDream項目（識別貓）就是以此為基礎進行的。

Caffe框架有幾大優勢，比如模型與相應優化都是以文本形式而非代碼形式給出，上手較快；能夠很快運行最棒的模型與海量的數據；方便擴展到新的任務和設置上；可以通過BSD-2參與開發與討論等等。當然，Caffe框架也有著自己的短處，像不夠靈活、文檔極度貧乏、安裝過程易使人抓狂之類。

DSSTNE

DSSTNE是Amazon用來開發深度學習模型的一套框架，全稱為Deep Scalable Sparse Tensor Network Engine。

在一開始的設計初衷上，DSSTNE就明確了自己的目標，并將“推薦系統”做到了極致。DSSTNE采用 GPU 運行，因而在得到好結果的同時，其也能夠保持快速的運行速度，不過在另一方面，這個因素也導致使用者不能隨意在CPU和GPU中切換。雖然對編程能力沒有要求，但是因為在線教程、開發者進行操作嘗試的指導太少等多種因素，DSSTNE框架目前還并不是很成熟，或許幾個月之后的新版本能夠帶給使用者更多的驚喜。

PaddlePaddle

由百度于去年8月底開源，是一個基于Spark的異構分布式深度學習系統，是中國第一個機器學習開源平臺。

在使用中，PaddlePaddle框架讓開發者拋開底層編碼，專注于構建深度學習模型的高層部分，降低了開發機器學習模型的門檻，簡單易上手。而充分利用GPU集群性能的做法，使得PaddlePaddle框架能夠快速的進行大量數據的運行。此外，Paddle框架還支持多種深度學習模型，包括DNN（深度神經網絡）、CNN（卷積神經網絡）、RNN（遞歸神經網絡），以及NTM這樣的復雜記憶模型。在開源的最初，賈楊清等業內人士都發表了自己對于PaddlePaddle框架的看法，基本上也都給予了正面的價。

基于算法框架，各團隊可以更好、更快的搭建和訓練自己的算法，大大的加速了人工智能技術的研發進程和產品平臺的搭建。在算法框架領域，除了以上那些提到的老前輩或是新貴，還有許多知名的存在，已經開源的有微軟的DMTK（分布式機器學習工具包）、OpenAI的AI訓練平臺Universe、亞馬遜的“御用”的深度學習平臺“多語言機器學習資料庫”MXNet等，未開源的像Facebook的基于深度學習的文本解析引擎Deeptext等。

云服務&大數據

亞馬遜AWS

說起云服務，亞馬遜的AWS絕對是行業老大。據Synergy Research Group的最新數據，在公有云市場，AWS已經占據了45%的市場份額，遠超微軟、谷歌等企業。

占據著“先發者”的優勢，AWS在云服務市場是無往不利，并從最初的數據計算和存儲服務，擴展到了如今的70多種服務，成為了全球產品線最完整的云計算服務廠商。此外，隨著人工智能熱的泛起，AWS中也逐漸加入了人工智能服務，就在去年11月底在開發者大會上公布的三項AI服務，其中包括了圖像識別工具Rekognition、語音識別工具Polly、以及聊天交互工具Lex。目前，這些服務已經在亞馬遜內部得到了使用，像虛擬助手Alexa就是以Lex為內核，對自然語言進行處理。

微軟Azure

微軟Azure是僅次于亞馬遜AWS的第二大云服務提供商，也是微軟當前的主要盈利業務之一。在人工智能時代，微軟CEO納德拉曾表示，要將Azure打造成世界上首臺AI超級計算機。

在Azure的布局上，微軟已經做出了多個動作，比如去年11月份與人工智能非盈利性研究公司OpenAI達成合作，意欲借助其背后的深度機器人技術和專家支持，將Azure打造成一個打造人工智能支持軟件的最佳場所。此外，在云服務上，微軟宣布將推出Azure Bot服務，允許企業和開發者在Azure上存儲和運行機器人，與此同時，其還將推出下一代以Azure為載體的、基于Pascal的硬件創新 GPU。在這些動作之下，微軟Azure的道路正在不斷地進行拓寬。

阿里云

雖然AWS強勢進入了中國，但是“地頭蛇”阿里云卻沒打算放棄自己在國內市場“第一把交椅”的名頭，更是將目光放在了全球市場。

2016年8月，阿里云宣布正式換了logo，并同時發布了基于阿里云打造的人工智能ET，其擁有智能語音識別、圖像或視頻識別、情感分析等技術，展現了阿里云在人工智能云服務的布局。目前，作為占據了國內云服務市場50%以上的頭頭，阿里云已經被運用在了多個領域，主要以B端市場和政府為主。其中，阿里云“城市大腦”在杭州上線測試，城市全局實時分析、公共資源調配等手到擒來，體現了阿里云服務的強大。

Cloudera

作為一家大數據公司，Cloudera以Apache Hadoop和其他開源技術為基礎，向企業提供數據管理和分析平臺，此外，其還提供了支持、培訓以及其他的專業服務。

基于這些服務，Cloudera能夠幫助客戶高效獲取、存儲、處理和分析海量數據，使客戶能夠利用最先進的數據分析技術，以更低的成本，快速、靈活地做出各項決策。當下，Cloudera的數據平臺Cloudera Enterprise正被很多全球領先的組織所使用。

Tableau

Tableau致力于數據可視化，將數據運算與美觀的圖表完美地嫁接在一起?；跀祿饺菀撞倏?，公司越能清楚自己所作所為的理念，其開發了一個叫做Tableau的軟件，為數字媒體提供了一個全新且免費的數據展示工具，任何人在沒有編程知識背景的情況下也能生成漂亮的數據圖表和地圖。

目前，在云服務&大數據領域，一些初創公司也在奮力崛起，緊追人工智能時代的腳步，比如國內的小視科技（相關閱讀：「鎂客·請講」小視科技：拓展大數據反欺詐在各行業應用，保護個人隱私）、ONEAPM和聽云等企業，以及國外的Confluent、Maana和StreamSets等。在人工智能的研發中，大數據和云服務承擔著不小的責任，基于云服務，一些能力不夠的團隊可以借助平臺上的工具來更好的創建和訓練自己的算法，公司則可以借助這些工具進行數據分析和處理、打造自己的一個平臺。而在大數據上，可以說，沒有大數據，就沒有如今的人工智能產品，通過大數據的訓練，人工智能技術可以提高自身的準確性，公司也可以擺脫數據工作的繁瑣，讓公司的數據運作變得更為簡潔化。不過，不管是云服務還是大數據，兩者之間都有著共同性，而在另一方面，“如何維護網絡安全”也是兩者所需要面對的難題，同時也是未來大數據的發展趨勢之一。

最后，記得關注微信公眾號：鎂客網（im2maker），更多干貨在等你！