2016年人工智能行业发展概况分析
作者:管理员    发布于:2015-11-30 15:44:03    文字:【】【】【
摘要: 巨头通过持续收购储备人才和技术来增加人工智能的本钱。谷歌 2014 年收购 DeepMind,其与 Google X 和谷歌人工智能实验室(Tensor Flow)共铸谷歌人工智能传奇,DeepMind 亦因 AlphaGo 大战而李世石而闻名于世。微软全球七大研究院,研究覆盖人工智能、深度学习等。IBM 建立 12 大研究院,1997 年战胜国际象棋冠军的“深蓝”亦出自 IBM 之手。此外,国外巨头如 Facebook,国内巨头如 BAT 等,亦成立研究院布局人工智能。兼并收购方面,近年来,苹果、谷歌、因特尔、微软、Facebook 等科技巨头在人工智能领域累计进行了数十次兼并收购。苹果在 AI 领域的并购更是多达每年 20-30 起。

一、科技巨头纷纷布局人工智能领域

    巨头通过持续收购储备人才和技术来增加人工智能的本钱。谷歌 2014 年收购 DeepMind,其与 Google X 和谷歌人工智能实验室(Tensor Flow)共铸谷歌人工智能传奇,DeepMind 亦因 AlphaGo 大战而李世石而闻名于世。微软全球七大研究院,研究覆盖人工智能、深度学习等。IBM 建立 12 大研究院,1997 年战胜国际象棋冠军的“深蓝”亦出自 IBM 之手。此外,国外巨头如 Facebook,国内巨头如 BAT 等,亦成立研究院布局人工智能。兼并收购方面,近年来,苹果、谷歌、因特尔、微软、Facebook 等科技巨头在人工智能领域累计进行了数十次兼并收购。苹果在 AI 领域的并购更是多达每年 20-30 起。

五大科技巨头(亚马逊、IBM、微软、Alphabet、Facebook)将联合制定人工智能道德标准

    二、海外科技巨头主导基础层和技术层,国内企业将在应用层充分变现

    人工智能产业链三层结构:基础层,技术层,应用层。基础层以硬件为核心,专业化、加速化的运算速度是关键。技术层专注通用平台,算法、模型为关键,开源化是趋势。应用层与产业场景的深度融合是发展方向,主流场景包括棋盘游戏、私人助理、无人驾驶、语音理解、图片识别、实时翻译等。判断海外科技巨头将主导 基础层和技术层的发展,而国内企业在应用层将获得更佳的变现机会。

人工智能产业链:基础层,技术层,应用层

    三、基础层:重金投入硬件,提升运算速度

    类比比特币挖矿芯片的发展规律(CPU 、GPU 、FPGA 、ASIC ),认为 AI 专用芯片最终也会由GPU走向 ASIC 时代。2009 年比特币的创始人中本聪用他的电脑 CPU 挖出第一个创世区块,挖矿速度约为 20-40MH/s。2010 年 GPU 挖矿系统发布,挖掘速度可达300-400MH/s,但其问题在于功耗过大,在普通家庭不适合大规模部署。2011 年末,基于FPGA 芯片的挖矿设备出现,一个 FPGA 芯片的挖矿速度约为 200MH/s,功耗降低为 GPU的 1/40,但 FPGA 昂贵的价格使得它只能成为少数人的玩物。2013 年,全球首台基于 ASIC芯片的 Avalon 矿机量产,由于其专用性,可实现低功耗高速度,并且大规模生产的成本也低于 FPGA,ASIC 挖矿时代从此开始。

比特币挖矿经历了 CPU、GPU、FPGA、ASIC 四个阶段

CPU、GPU、FPGA、ASIC 用于比特币挖矿的速度和功耗

    GPU(图形处理器)众核同步并行运算,适于智能汽车深度学习。决定计算速度的一个重要因素是 ALU的数量。CPU 架构中的大部分被 Cache 和控制电路占据,仅有几个 ALU 单元,因而 CPU 更擅长复杂的逻辑控制,计算能力只是 CPU 很小的一部分。而 GPU 则包括数以千计的更小、更高效的核心,因此常被称为“众核”;GPU 只有非常简单的控制逻辑并省去了 Cache,适合把同样的指令GPU (图形处理器)众核同步并行运算,适于智能汽车深度学习。决定计算速度的一个重要因素是 ALU的数量。CPU 架构中的大部分被 Cache 和控制电路占据,仅有几个 ALU 单元,因而 CPU 更擅长复杂的逻辑控制,计算能力只是 CPU 很小的一部分。而 GPU 则包括数以千计的更小、更高效的核心,因此常被称为“众核”;GPU 只有非常简单的控制逻辑并省去了 Cache,适合把同样的指令流并行发送到众核上,进行海量数据的快速处理。事实证明,在浮点运算、并行计算等部分计算方面,GPU 可以提供数十倍乃至于上百倍于 CPU 的性能。随着智能汽车的深度学习方案受到关注,GPU 或将迎来爆发式高增长。

CPU 与 GPU 的架构对比

    硬件加速:FPGA利用硬件运算,具有显著速度优势。FPGA 内部包含大量重复的 IOB、CLB和布线信道等基本单元。FPGA 在出厂时是“万能芯片”,用户可根据自身需求,用硬件描述语言(HDL)对 FPGA 的硬件电路进行设计;每完成一次烧录,FPGA 内部的硬件电路就有了确定的连接方式,具有了一定的功能;输入的数据只需要依次经过各个门电路,就可以得到输出结果。换言之,FPGA 的输入到输出之间并没有计算过程,只是通过烧录好的硬件电路完成信号的传输,因此运行速度非常高,可达 CPU 的 40 倍。而正是因为FPGA 的这种工作模式,决定了需要预先布置大量门阵列以满足用户的设计需求,因此有“以面积换速度”的说法:使用大量的门电路阵列,消耗更多的 FPGA 内核资源,用来提升整个系统的运行速度。

FPGA 架构

    专用加速:ASIC (专用集成电路)是针对专门应用而设计的集成电路,是针对特定工。作负载时速度最快且执行效率最高的处理方案。与通用集成电路相比,ASIC 具有体积更小、功耗更低、性能提高、保密性增强、成本低等优点。ASIC 可分为三类:1)全定制 ASIC,各层掩膜都是按特定电路功能专门制造的;2)半定制 ASIC,单元电路是用预制的门阵做成的,芯片的金属连线是按电路功能专门设计制造的,即掩膜可编程门阵;3)可编程 ASIC,单元电路、金属连线和 I/O 引脚都是可编程的,FPGA 即可用于设计可编程 ASIC。从本上来看,全定制设计周期最长,设计费用最高,适合于批量很大或者对产品成本不计较的场合;半定制的设计成本低于全定制,但高于可编程 ASIC,适合于有较大批量的 ASIC 设计;专用加速:ASIC (专用集成电路)是针对专门应用而设计的集成电路,是针对特定工。 作负载时速度最快且执行效率最高的处理方案。与通用集成电路相比,ASIC 具有体积更小、功耗更低、性能提高、保密性增强、成本低等优点。ASIC 可分为三类:1)全定制 ASIC,各层掩膜都是按特定电路功能专门制造的;2)半定制 ASIC,单元电路是用预制的门阵做成的,芯片的金属连线是按电路功能专门设计制造的,即掩膜可编程门阵;3)可编程 ASIC,单元电路、金属连线和 I/O 引脚都是可编程的,FPGA 即可用于设计可编程 ASIC。从成本上来看,全定制设计周期最长,设计费用最高,适合于批量很大或者对产品成本不计较的场合;半定制的设计成本低于全定制,但高于可编程 ASIC,适合于有较大批量的 ASIC 设计;用 FPGA 设计 ASIC 的设计成本最低,但芯片价格最高,适合于小批量 ASIC 产品。现在的大部分 ASIC 设计都是以半定制和 FPGA 形式完成的。

Xilinx 在 UltraScale 架构中加入 ASIC 技术

    四、技术层:“开放”谋求大生态

    类比 Android系统 , 开源平台或将成为人工智能重要入口。数据显示,在截至 2016 年 2 月末的三个月内,Android 中国城市的销售份额从去年同期的 73%增至 76.4%。在美国和欧洲五大市场(包括英国、德国、法国、意大利和西班牙),Android 的市场占比同样遥遥领先于 iOS,这很大程度上要归功于其开源特性。Android 系统虽然并不能直接带来收入,却成为谷歌把控移动互联网的入口,谷歌借此保证了谷歌搜索、谷歌地图等应用的龙头地位,进而保证其广告业务的盈利。在人工智能平台上,谷歌或许有同样的野心,通过将 TensorFlow 开源达到 Android系统所占有的优势。

    五、应用层:试水与场景融合

    人工智能最终需要通过合适的应用场景获得变现能力。AI 源于技术,终于场景,有变现能力的场景包括:无人驾驶汽车、智能家居、Fintech 等。AI 与产业场景的深度融合是应用层变现的关键,科技巨头在该领域以试水布局为主。苹果 AI 利用自身的手机和手表产品场景。谷歌人工智能业务繁杂,多领域遍地开花,包括 AlphaGo、无人驾驶汽车、智能手术机器人等。微软在语言语义识别、计算机视觉等领域保持领先。IBM 最早布局人工智能,“万能”Watson 推动多行业变革。百度推出“百度大脑”计划,重点布局无人驾驶汽车。

苹果 Siri 语音助手可准确理解用户指令

Apple Watch 可智能检测运动状态



    上一篇文章:2015年公司员工组织旅游活动           下一篇文章:中国医疗IT行业发展情况分析        
版权所有 Copyright(C)2012-2018 上海商诺信息科技有限公司 技术支持:上海商诺信息科技有限公司