人工智慧——風起於青萍之末
1.1.人工智慧——下一個千億級市場
人工智慧會成為未來的趨勢嗎？答案是會。人工智慧，簡單地說，就是用機器去實現目前必須借助人類智慧才能實現的任務。人工智慧包括三個要素：演算法，計算和資料。
對人工智慧的實現來說，演算法是核心，計算、資料是基礎。在演算法上來說，主要分為工程學法和模擬法。工程學方法是採用傳統的程式設計技術，利用大量資料處理經驗改進提升演算法性能；模擬法則是模仿人類或其他生物所用的方法或者技能，提升演算法性能，例如遺傳演算法和神經網路。而在計算能力來說，目前主要是使用GPU平行計算神經網路，同時，FPGA和ASIC也將是未來異軍突起的力量。
隨著百度，Google，Facebook，Microsoft等企業開始切入人工智慧，人工智慧可應用的領域非常廣泛。2013年100多家組織開始研發深度學習與人工智慧，到2015年，短短2年間，研發機構已經迅速激增到3409家。可以看到，未來人工智慧的應用將呈幾何級數的倍增。應用領域包括互聯網，金融，娛樂，政府機關，製造業，汽車，遊戲等。從產業結構來講，人工智慧生態分為基礎、技術、應用三層。應用層包括人工智慧+各行業（領域），技術層包括演算法、模型及應用開發，基礎層包括資料資源和計算能力。
人工智慧將在很多領域得到廣泛的應用。目前重點部署的應用有：語音辨識，人臉識別，無人機，機器人，無人駕駛等。
人工智慧市場將保持高速增長，根據艾瑞諮詢的資料，2020年全球人工智慧市場規模約1190億人民幣。而未來10年，人工智慧將會是一個2000億美元的市場。空間非常巨大。其中在硬體市場方面，將會有30%的市場份額。
1.2.深度學習
人工智慧的核心是演算法，深度學習是目前最主流的人工智慧演算法。深度學習在1958年就被提出，但直到最近，才真正火起來，主要原因在於：資料量的激增和電腦能力/成本。
深度學習是機器學習領域中對模式（聲音、圖像等等）進行建模的一種方法，它也是一種基於統計的概率模型。在對各種模式進行建模之後，便可以對各種模式進行識別了，例如待建模的模式是聲音的話，那麼這種識別便可以理解為語音辨識。而類比來理解，如果說將機器學習演算法類比為排序演算法，那麼深度學習演算法便是眾多排序演算法當中的一種，這種演算法在某些應用場景中，會具有一定的優勢。
深度學習的學名又叫深層神經網路（Deep Neural Networks），是從很久以前的人工神經網路（Artificial Neural Networks）模型發展而來。這種模型一般採用電腦科學中的圖模型來直觀的表達，而深度學習的“深度”便指的是圖模型的層數以及每一層的節點數量，相對於之前的神經網路而言，有了很大程度的提升。
從單一的神經元，再到簡單的神經網路，到一個用於語音辨識的深層神經網路。層次間的複雜度呈幾何倍數的遞增。
以圖像識別為例，圖像的原始輸入是圖元，相鄰圖元組成線條，多個線條組成紋理，進一步形成圖案，圖案構成了物體的局部，直至整個物體的樣子。不難發現，可以找到原始輸入和淺層特徵之間的聯繫，再通過中層特徵，一步一步獲得和高層特徵的聯繫。想要從原始輸入直接跨越到高層特徵，無疑是困難的。而整個識別過程，所需要的資料量和運算量是十分巨大的。2012年，由人工智慧和機器學習頂級學者AndrewNg和分散式系統頂級專家JeffDean，用包含16000個CPU核的平行計算平臺訓練超過10億個神經元的深度神經網路，在語音辨識和圖像識別等領域取得了突破性的進展。該系統通過分析YouTube上選取的視頻，採用無監督的方式訓練深度神經網路，可將圖像自動聚類。在系統中輸入“cat”後，結果在沒有外界干涉的條件下，識別出了貓臉。可以看到，深度學習之所以能夠在今天得到重要的突破，原因在於：1海量的資料訓練2高性能的計算能力（CPU，GPU，FPGA，ASIC））。兩者缺一不可。