人工智能的突破为各个产业带来翻天覆地的变化
人工智能的爆发是近两年才开始的，主要原因是使用效果上取得了突破。人工智能是一门计算机技术，主要让计算机去去替代人来完成部分工作。现如今主流的技术主要是指使用深度学习等算法，来实现替代人工，完成大量简单重复性劳动。
虽然人工智能的概 念提出已有将近 60 年了。但之前的发展速度一直偏慢。主要原因是无论方法如何进步， 实际使用效果依旧强差人意。从 2015 年起，人工智能迎来了真正的大爆发，这很大 程度上与 GPU 的广泛应用有关。
基于 GPU，很多人工智能的算法，尤其是深度学习 算法，实现了更快的处理速度，计算时间实现了数量级上的缩减。这也各类大数据的蓬 勃发展密切相关，数据的快速积累为人工智能这台马达提供了充足的燃料。
乐晴智库，行业深度研究（微信公众号：乐晴智库）
人工智能的高速发展为各个产业带来翻天覆地的变化。目前很多商业领域已经采用人工 智能，尤其是在 Google、百度这样的公司，在他们的搜索、推荐、广告等领域都已使 用了类似机器学习的技术，社交媒体营销，互联网广告，这都是几十亿几百亿的规模。
在股票领域中，很多新的创业公司重点在智能投顾，或者辅助交易，股票本身就是个数 字，股票如何组合能够降低风险带来利润。
目前应用最为广泛的是在人脸识别领域。人脸识别引入人工智能技术后，识别率大幅提升，其中核心的突破是在算法层面。人脸识 别中，人工智能能做到 97%的识别正确率，超过了人类 95%的识别率，这意味着大规 模商业应用具备了价值的基础，尤其是安防领域、金融领域等，机器做的比人更好，就 可以大规模使用机器来提高效果。
我们认为，人工智能最先涉及的领域包括但不限于: 安防、金融、教育、医疗、汽车等。
完整报告下载：乐晴智库网站 www.767stock.com
三驾马车:人工智能高速发展的基础是算法、数据和硬件算力
算法、数据和硬件算力组成了人工智能高速发展的三要素。人工智能实现所需要具备的 基础，第一个是优秀的人工智能算法，比如现在最流行的深度学习算法，就是近期人工 智能领域中最大的突破之一，为人工智能的商业化带来了希望;第二个是被收集的大量 数据，数据是驱动人工智能取得更好的识别率和精准度的核心因素;第三个是大量高性 能硬件组成的计算能力，以前的硬件算力并不能满足人工智能的需求，当 GPU 和人工 智能结合后，人工智能才迎来了真正的高速发展。
三要素缺一不可。为什么人工智能到近两年才开始呈现爆发?主要是因为直到今日，人工智能的算法、数据和硬件才满足了人工智能的基本需求。
算法方面，以人脸识别为例， 在 2013 年深度学习应用到人脸识别之前，各种方法的识别成功率只有不到 93%，低于 人眼的识别率 95%，因此不具备商业价值。而随着算法的更新，深度学习使得人脸识 别的成功率提升到了 97%。这才为人脸识别的应用奠定了商业化基础。
第二，在数据 方面，进入互联网时代后，才出现了大数据的高速发展与积累，这为人工智能的训练学 习过程奠定了良好的基础。比如，在 AlphaGo 的学习过程中，核心数据是来自互联网 的 3000 万例棋谱，而这些数据的积累是历经了十多年互联网行业的发展。所以直到今 年，基于深度学习算法的 AlphaGo 才取得突破性进展。离开了这些棋谱数据的积累， 机器战胜人是无法实现的。
第三点是硬件的算力。在二十年前，一个机器人，当时是用32 个 CPU, 达到 120MHz 的速度。现在的人工智能系统使用的是成百上千个 GPU 来 提升的计算能力。这使得处理学习或者智能的能力得到比较大的增强。之前用 CPU 一 个月才能出结果，然后再去调整参数，一年只能调整 12 次，也就是有 12 次迭代。GPU产生后大幅提升了计算量，现在用 GPU 可以一天就出结果，这样可以迭代的更快，这是技术大幅发展的条件。
木桶效应:现有瓶颈集中于大数据的爆发与硬件算力的有限
大数据迎来爆发式增长，现有算力无法匹配
互联网时代下的大数据高速积累，现有计算能力无法匹配。全球的数据总量正以飞快的 速度增长。根据 IDC 的数字宇宙报告，全球所有信息数据中 90%产生于近几年，数据 总量正在以指数形式增长。从 2003 年的 5 EB，到 2013 年 4.4ZB，并将于 2020 年达 到 44 ZB。也就是说 2020 年每个人可以均摊到 5200GB 以上的数据量。
并且，到 2020年，将近 40%的信息都可能会被云提供商“触摸到”，约三分之一的数据，即超过13000EB 的数据将具有大数据价值。基于现有的计算能力，在如此庞大的数据面前， 人工智能的训练学习过程将变得无比漫长，甚至完全无法实现最基本的人工智能，因为 数据量以及超出了内存和处理器的承载上限，这将极大限制人工智能的发展和应用。
摩尔定律趋于极限，经典计算瓶颈需要被打破
摩尔定律到达瓶颈后，提升算力的方式只能靠增加芯片数量。目前，面对单个芯片的算 力瓶颈，人们普遍的做法是做加法，即增加计算集群中芯片的总数量，来提升运算处理 能力。比如:要计算 1+1 和 2+2 两个任务，对于单个芯片而言，就需要消耗两单位的 计算时间，逐个完成这两个任务。而同时使用两个芯片的话，经过一定程序上的优化， 可以实现一个单位的计算时间内，完成这两项计算任务。
完整报告下载：乐晴智库网站 www.767stock.com
乐晴智库，行业深度研究
微信公众号：乐晴智库
个人微信号：lqzk777
新浪微博：乐晴智库
