人工智能技术引发的产业变革

转自：InfoQ研究院

2020 年，人工智能走到了新的“分水岭”，第三次浪潮似乎陷入低谷，自动驾驶、医疗、金融等高级别应用场景落地缓慢，AI 独角兽面对“AI 去泡沫化”趋势不断传出负面消息，学术界对深度学习算法的“批判”也正在将其拉下神坛。

但不可否认的是，站在新的时代关卡，人工智能技术作为新的技术手段已深入赋能生产、分配、交换、消费等经济活动环节，其战略、前瞻意义持续显现，伴随关键技术、商业模式的不断成熟，人工智能技术将进一步释放历次科技革命和产业变革积蓄的巨大能量，成为促进新一轮产业变革的核心驱动力。

回顾人工智能 60 余年发展进程，作为在计算机科学、脑科学、语言学等多学科交叉融合基础上发展而来的新兴产业，在经历了概念起步阶段、产品化探索阶段后，逐步进入产业化应用阶段。

图：人工智能产业发展阶段

图：人工智能各发展阶段技术特征对比

深入分析驱动产业发展的关键因素，首先，深度学习算法的突破和算力的提升是人工智能产业腾飞的起源和开端；其次，大数据的“喂养”使得人工智能系统在应用层面具备了快速颠覆传统技术的可能；最后，社会协作模式的转变以及需求驱动的跨界融合创新共同形成了促进产业爆发式增长的多边网络效应，各因素的相互叠加共同推动人工智能产业不断演化进入新阶段。

当前，我们仍处于“弱人工智能”阶段，即使用现有智能化技术改善我们经济社会发展所需要的一些技术条件和应用功能，IBM、Facebook、百度等巨头纷纷大力布局人工智能、积极探索商业化应用，在商业巨头的推动下，相关技术开始逐步占据医疗、金融、教育等产业的核心地位，并开始扮演基础性、关键性和前沿性的核心角色，不断渗入人们的日常生活。

据相关数据预测显示，我国人工智能发展正处于爆发式增长期，并将在未来数年内维持升温态势，产业规模预计在 2020 年达到千亿元，到 2022 年突破五千亿元，全球人工智能市场则预计将在 2024 年将突破 5 万亿美元，2017-2025 年复合增长率达 30% 以上。

图：中国人工智能市场增长迅猛

（资料来源：中国人工智能学会、Analysys 易观、InfoQ 研究院）

在此背景下，全球主要经济体高度重视发展人工智能，2013 年以来，全球已有 20 余个国家和地区相继发布了人工智能相关战略、规划或重大计划；欧盟 28 国 2018 年签署《人工智能合作宣言》共推人工智能发展；东盟积极制定《东盟数字融合框架行动计划》，促进人工智能合作发展。

美国和中国分列全球主要国家 AI 发展水平的第一、二位，相较而言，美国人工智能产业保持整体领先，但中国在部分领域的尖端成果已与美国逐渐靠近，且在政策支持、部分领域商业化进程等方面获得优势。

具体来说，在产业资源上，美国在企业数量、人才积累等方面具有较大领先优势，中国拥有更庞大的数据规模以及更丰富的应用场景；在创新能力上，我国在论文、专利等成果产出方面增长迅速，但产业链核心环节控制能力不足；在政策环境上，中美政策支持侧重点各有不同，中国产业政策支持力度更强，中央、地方形成良好的政策协同。

图：中美两国人工智能产业概况对比

人工智能产业链可分为基础层、支撑层、应用层三个层面，基础层主要包括算法及芯片，是人工智能产业链的核心驱动因素和关键环节，支撑层包括开源编程框架、云服务等服务设施，是构建产业生态、吸收数据形成闭环反馈的关键，应用层涉及安防、金融、零售、交通、教育、医疗、智能制造等众多实现商业价值的应用场景。

图：人工智能产业链结构图

作为典型的学术驱动型产业，人工智能算法的演进始终是推动产业发展的核心驱动力。过去十年，神经网络的发展彻底改变了机器学习，几乎可以应用于任何从输入到输出空间复杂映射的机器学习问题。

总体来说，神经网络的数次革新延续一条主线：即从简单的单样本分析开始，逐步复杂化，获取知识的覆盖面变得更广、抽象的层次变得更高；学习知识、运用知识解决实际问题的能力、效率大幅提升，从发现隐蔽的相关性、到实现因果关系和推理能力，从无任何先验知识假设，到适应线性、序列性先验，再到适应更加复杂的结构性先验。

全连接神经网络、CNN、DNN 作为几类最基本的神经网络结构，由于应用领域需求的不同，逐渐衍生了很多其他结构的神经网络。如在序列信号分析中实现预知未来，衍生了 BRNN、双向 LSTM，同时利用历史和未来的信息。

不难想象随着深度学习热度的延续，更灵活的组合方式、更多的网络结构将进一步发展丰富。

深度学习算法的演进将 CV、NLP 等关键技术推向了高潮，从对数据进行初步加工的“感知型”技术，到更注重认知、理解的“认知型”技术，再到具有自主推理、决策能力的深度人工智能技术，其纵深发展为各个领域的商业应用提供了可落地的技术支撑。

图：人工智能算法技术发展路线图

半导体芯片是一切信息技术的基础，进入人工智能时代，AI 芯片的发展主要分为两类路径：

一是延续传统计算架构，优化硬件计算能力，主要以 3 种类型的芯片为代表，即 GPU、FPGA、ASIC。GPU 并行计算能力突出，在深度学习训练环节具备优势。FPGA 高性能低功耗的特性适合于推理环节取代传统的 CPU。ASIC 芯片专门针对人工智能设计，有望在未来成为主流。

二是颠覆经典的冯诺依曼计算架构，采用类脑神经结构来提升计算能力，以 IBM TrueNorth 芯片为代表，类脑芯片作为突破性技术路线，未来如实现突破也将推动人工智能产业长远发展。

技术的革新带来全新的产业竞争格局，传统龙头芯片厂商积极扩大自身优势，普遍基于已有成熟架构对人工智能进行延伸；互联网生态的建立者更有优势灵活设计专用芯片以达到更高的效率，为其开源框架、应用软件、乃至云计算服务提供更强大、更高效的基础支撑；新的市场玩家则更聚焦细分领域的终端设备，为其提供高效的算力支持和系统方案，在细分领域存在后发先至的可能。

同时，AI 芯片应用于云端、终端大量场景，使得 AI 芯片市场空间将不再成为零和博弈，云和边缘设备以及连接他们的网络将构成巨大的 AI 处理网络，各类 AI 芯片将成为连接这个网络的关键节点，并形成明显的价值传导扩张。

图：人工智能芯片演进路线图

深度学习开源编程框架及程序库是最难以撼动的产业链环节，围绕开源编程框架不仅衍生了完善的商业生态系统，云计算的兴起也为开源框架带来了可行的商业模式。

技术角度上，深度学习开源编程框架可理解为对底层语言和重要算法模型的封装，一种通俗易懂的说法是：它是数据、算力（芯片）、算法三者间的连接器，可以帮助快速部署 AI 算法。软硬件的结合、开源模式的创新、以及云计算的兴起，都代表着开源框架带来的网络效应将发挥更直接的商业价值。

长期来看，开源编程框架并不只是解决技术问题的一种方式，更是人类技术发展的大趋势，不止在软件和互联网产业，而会更多的结合软件、硬件衍生全新的生态系统，商业模式也会越来越清晰。

人工智能技术的基础设施属性带来了赋能众多场景的可能性，在安防、金融、零售、交通、教育、医疗、智能制造、文娱等领域带来了巨大的市场成长空间，但由于各个产业的特殊性，产业竞争格局、商业模式存在巨大差异，可将应用场景分为新兴领域、技术赋能型领域、以及颠覆型领域。

人脸识别、语音识别等是大多数初创企业首先关注的新兴领域，新需求的出现将带动头部企业实现跨越式增长，但行业天花板的局限、以及相对较低的技术门槛将导致行业迅速成为红海，竞争格局将最终呈现百花齐放的局面，很难出现具备绝对优势的垄断者。

在智能制造、智慧城市、无人驾驶等技术赋能型领域，原有的产业空间极为庞大，人工智能技术的赋能将为现有产业提高效率、降低成本。互联网龙头企业的长期布局带来先发优势，将与积极拥抱新技术的传统企业形成全新竞合关系，而新玩家很难跨越技术、资本、数据等竞争壁垒，进入龙头企业生态圈将为新玩家提供一定生存空间。

在医疗、金融等领域，人工智能技术将极有可能带来颠覆性变革，如医疗影像识别、智能投顾等新技术的应用将极有可能对现有产业格局带来颠覆性影响。在移动互联网时代，支付宝、微信、滴滴等杀手级应用均对相关产业带来了颠覆性变革，而在人工智能时代，带来颠覆性变革的杀手级应用可能还并未出现在我们的视野中。