2016年人工智慧產業深度調研及投資機會分析
OFweek機器人網訊：人工智慧（AI），可以說是科技資訊時代的大飛躍，既具備一定的類人邏輯性，又具備強大的計算能力和資料存儲能力。雖然，目前業界並不處在一個良好的投資狀態，但AI 技術依舊被認為是下一個帶來巨大經濟效益，提高社會生產力的巨大突破點。
事實上，在過去的這兩年時間裡，AI、機器人、自動駕駛等概念已經成為最前沿的文化、政治名詞。很多研究認為，我們目前正處於這樣一個技術拐點：計算能力更強更快，資料來源更豐富，深度學習演算法趨於成熟，專業的硬體（晶片）和開原始程式碼逐漸崛起，越來越多的實用性AI應運而生。
AI背後的三大推手：資料、晶片、演算法
1、移動網路大量普及 資料結構化或爆發
資料可以說是機器學習的關鍵。分佈全球的無所不在的互聯設備，包括移動設備、物聯網等，使得非結構化的資料大量增長，也就是說，機器學習演算法能夠用來類比、訓練和測試的資料來源更加充足。
僅以特斯拉互聯汽車為例，截至目前，特斯拉總行程78000萬英里，公司平臺額外驅動的互聯汽車也行駛了 100萬英里。無線運營方面，Verizon8月公佈了新的傳輸標準，使得遠端感測器聯通雲端軟體的速度更快。同時，新的5G網路也將促進傳輸資料，IDC預計截至2020年，年均資料量將達44澤位元組（也就是44萬億位元組），未來五年複合年增長率將達141％，大資料技術將逐漸滲透實用領域。
與此同時，移動網路建立大規模資料庫和雲端處理技術的成本也在不斷降低。智東西也曾在111期智慧內參援引世界經濟論壇指出：預計不用三年，將有90％的人擁有被廣告商支援的無限的免費資料存儲。這是因為，硬碟驅動器的成本持續下降，激勵著資料的創造。事實上，近90％的資料是過去兩年中創建的。
2、GPU應用大勢 新硬體更適配並行結構
GPU被認為是低成本、高計算能力的處理單元，特別是針對雲端服務和新的神經網路結構，它能提高準確性和計算速率。基於GPU的並行結構允許更快的機器學習培訓體系，遠遠優於目前廣泛使用的基於CPU的資料架構。此外，通過額外的顯卡網路，GPU體系可以加快反覆運算，實現更為精確的快速培訓。
事實上，在過去的這兩年時間裡，AI、機器人、自動駕駛等概念已經成為最前沿的文化、政治名詞。很多研究認為，我們目前正處於這樣一個技術拐點：計算能力更強更快，資料來源更豐富，深度學習演算法趨於成熟，專業的硬體（晶片）和開原始程式碼逐漸崛起，越來越多的實用性AI應運而生。
AI背後的三大推手：資料、晶片、演算法
1、移動網路大量普及 資料結構化或爆發
資料可以說是機器學習的關鍵。分佈全球的無所不在的互聯設備，包括移動設備、物聯網等，使得非結構化的資料大量增長，也就是說，機器學習演算法能夠用來類比、訓練和測試的資料來源更加充足。
僅以特斯拉互聯汽車為例，截至目前，特斯拉總行程78000萬英里，公司平臺額外驅動的互聯汽車也行駛了 100萬英里。無線運營方面，Verizon8月公佈了新的傳輸標準，使得遠端感測器聯通雲端軟體的速度更快。同時，新的5G網路也將促進傳輸資料，IDC預計截至2020年，年均資料量將達44澤位元組（也就是44萬億位元組），未來五年複合年增長率將達141％，大資料技術將逐漸滲透實用領域。
與此同時，移動網路建立大規模資料庫和雲端處理技術的成本也在不斷降低。智東西也曾在111期智慧內參援引世界經濟論壇指出：預計不用三年，將有90％的人擁有被廣告商支援的無限的免費資料存儲。這是因為，硬碟驅動器的成本持續下降，激勵著資料的創造。事實上，近90％的資料是過去兩年中創建的。
2、GPU應用大勢 新硬體更適配並行結構
GPU被認為是低成本、高計算能力的處理單元，特別是針對雲端服務和新的神經網路結構，它能提高準確性和計算速率。基於GPU的並行結構允許更快的機器學習培訓體系，遠遠優於目前廣泛使用的基於CPU的資料架構。此外，通過額外的顯卡網路，GPU體系可以加快反覆運算，實現更為精確的快速培訓。