人工智能發(fā)展歷程1. 概念介紹（1）人工智能(Artificial Intelligence)能夠和人一樣進(jìn)行感知、認(rèn)知、決策、執(zhí)行的人工程序或系統(tǒng)。

機(jī)器學(xué)習(xí)是人工智能的一個(gè)分支，是通過算法使得機(jī)器能從大量歷史數(shù)據(jù)中學(xué)習(xí)規(guī)律，從而對(duì)新的樣本做智能識(shí)別或?qū)ξ磥碜鲱A(yù)測(cè)。

（2）深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支，它試圖在多個(gè)層次中進(jìn)行學(xué)習(xí)，每層對(duì)應(yīng)不同級(jí)別的抽象。

一般使用人工神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)到的統(tǒng)計(jì)模型中的不同層對(duì)應(yīng)于不同的概念。

高層概念取決于低層概念，而且同一低層的概念有助于確定多個(gè)高層概念。

2. 發(fā)展歷程自1956年達(dá)特茅斯會(huì)議提出人工智能這一概念以后，歷經(jīng)沉浮，中間遭遇過多次冷遇，進(jìn)入21世紀(jì)后，隨著數(shù)據(jù)量和硬件上的進(jìn)步，在深度神經(jīng)網(wǎng)絡(luò)算法出現(xiàn)以后，克服了一直以來的算法和硬件的瓶頸，進(jìn)入快速發(fā)展時(shí)期，很多領(lǐng)域進(jìn)入實(shí)用階段。

3. 技術(shù)支撐（1）深度學(xué)習(xí)算法--核心算法的突破計(jì)算機(jī)科學(xué)家集合 Yann LeCun 的卷積神經(jīng)網(wǎng)絡(luò)、Geoff Hinton 的反向傳播法，以及 Stochastic 的梯度下降（Gradient Descent）訓(xùn)練法，加上吳恩達(dá)（Andrew Ng）大規(guī)模應(yīng)用 GPU 來加快深度神經(jīng)網(wǎng)絡(luò)（DNNs）的運(yùn)算速度，促進(jìn)“深度學(xué)習(xí)”這項(xiàng)現(xiàn)代人工智慧技術(shù)出現(xiàn)大爆炸般的發(fā)展。

（2）GPU芯片—計(jì)算能力的突破GPU（Graphic Process Units，圖形處理器）的眾核體系結(jié)構(gòu)包含幾千個(gè)流處理器，可將矢量運(yùn)算并行化執(zhí)行，大幅縮短計(jì)算時(shí)間。

隨著NVIDIA、AMD等公司不斷推進(jìn)其GPU的大規(guī)模并行架構(gòu)支持，面向通用計(jì)算的GPU（General-Purposed GPU、GPGPU）已成為加速可并行應(yīng)用程序的重要手段。

（3）大數(shù)據(jù)—海量數(shù)據(jù)與人工規(guī)則構(gòu)造特征相比，利用大數(shù)據(jù)來學(xué)習(xí)特征，更能刻畫數(shù)據(jù)豐富的內(nèi)在信息。

在大數(shù)據(jù)情況下，只有比較復(fù)雜的模型，或者表達(dá)能力強(qiáng)的模型，才能充分發(fā)掘海量數(shù)據(jù)中蘊(yùn)藏的豐富信息。

運(yùn)用更強(qiáng)大的深度模型能從大數(shù)據(jù)中發(fā)掘出更多有價(jià)值的信息和知識(shí)。

人工智能的三個(gè)發(fā)展階段第一階段：運(yùn)算智能，能存會(huì)算；第二階段：感知智能，能聽會(huì)說、能看會(huì)認(rèn)；第三階段：認(rèn)知智能，能理解會(huì)思考。

目前在運(yùn)算智能和感知智能方面已經(jīng)有重大突破，在認(rèn)知智能方面還在進(jìn)一步摸索中。

認(rèn)知智能是目前機(jī)器與人差距最大的領(lǐng)域，也是目前各大科技巨頭都在力圖尋求突破的領(lǐng)域。

認(rèn)知智能目前還沒有太大突破，未來需要花更多時(shí)間進(jìn)行研究。

人工智能現(xiàn)狀介紹1. 語音和自然語言角度語音和自然語音是人類最自然的語言交互方式，具有快、簡(jiǎn)單、自然等優(yōu)點(diǎn)。

（1）目前進(jìn)展：①語音識(shí)別率已經(jīng)接近99%，抗噪震識(shí)別技術(shù)、語音合成技術(shù)、多人對(duì)話技術(shù)已成為新的研究熱點(diǎn)；②對(duì)于自然語音的處理和理解仍沒有得到一個(gè)很好的突破，原因在于：語音識(shí)別基于視覺或音頻的“底層認(rèn)知特征”，但語言理解是基于詞法、句法和語義學(xué)等“高層認(rèn)知特征”的，發(fā)音的音頻圖像可能是比較確定的，但由于不同的拆解可能有不同的含義。

（2）自然語言處理的發(fā)展方向和趨勢(shì)：①海量數(shù)據(jù)時(shí)代的信息抽取；②深度學(xué)習(xí)在自然語言處理中的應(yīng)用；③超大規(guī)模知識(shí)圖譜的建設(shè)和應(yīng)用。

上述三個(gè)步驟是同時(shí)進(jìn)行的，通過知識(shí)圖譜將不同的語義、詞匯分類并根據(jù)相關(guān)性進(jìn)行聚合和連接，類似于人思考過程中的聯(lián)想功能。

目前語音已經(jīng)到了爆發(fā)的階段，下圖統(tǒng)計(jì)了從2013到2015年智能手機(jī)使用智能語音功能的比例。

到2020年，至少50%在百度瀏覽器上的搜索都將通過圖像或語音。

2. 圖像角度目前的應(yīng)用主要在人臉識(shí)別、照片自動(dòng)歸類、圖片搜索、自動(dòng)駕駛/ADAS等方面。

但應(yīng)用有前后之分，比如：醫(yī)療領(lǐng)域的人工影像的算法研究比較滯后，識(shí)別率達(dá)到70%左右，這種識(shí)別不夠精確，不能很好地對(duì)醫(yī)生加以輔助。

促使計(jì)算機(jī)在圖像感知、圖像識(shí)別上發(fā)生飛躍的技術(shù)主要有以下三個(gè)方面：算法、深度學(xué)習(xí)網(wǎng)絡(luò)和模型；海量深度數(shù)據(jù)的訓(xùn)練模型；從CPU到GPU的使用。

3. 產(chǎn)品角度（1）人工智能的應(yīng)用給生活帶來的影響及場(chǎng)景描述：①?gòu)男畔⒌椒?wù)：舉例：從原來人工找咖啡館喝咖啡到之后享受被送到指定地點(diǎn)咖啡的服務(wù)；從原來人工訂票到使用人工智能技術(shù)享受訂好票訂的過程。

②從軟件到軟硬結(jié)合：無人車等都具備軟件和硬件結(jié)合交互的特征，將具備可移動(dòng)性、可隨身攜帶性，從但一到綜合，會(huì)有更多傳感器、更豐富交互性（視覺、語音、語言、手勢(shì)、移動(dòng)等）。

（2）常見的AI產(chǎn)業(yè)化路線：①在已有的產(chǎn)品中實(shí)現(xiàn)AI first戰(zhàn)略 例如：Google；②AI作為技術(shù)API提供給第三方；③創(chuàng)業(yè)公司從技術(shù)或者應(yīng)用入手。

（3）toB還是toC？目前大部分公司定位為toB，需求明確、市場(chǎng)接受度高，將率先落地，同時(shí)較容易普及。

而toC除了掃地機(jī)、無人機(jī)等品類外，其它領(lǐng)域的需求還不夠強(qiáng)勁、市場(chǎng)接受度較差、技術(shù)和市場(chǎng)成熟還需時(shí)日，但是目前有越來越多定位toC的產(chǎn)品出來,例如Amazon Echo、出門問問的ticwatch等。

4. 人才角度深度學(xué)習(xí)的再一次興起起源于學(xué)術(shù)界，但目前學(xué)術(shù)界的大牛大部分被挖到巨頭公司。

之前是學(xué)術(shù)界的研究領(lǐng)先于工業(yè)界，但現(xiàn)在人才、計(jì)算資源等條件，巨頭已領(lǐng)先于學(xué)術(shù)界，研究的中心已轉(zhuǎn)移到工業(yè)界。

現(xiàn)在來看美國(guó)比中國(guó)還是領(lǐng)先不少，美國(guó)有4大名校：MIT、斯坦福、卡內(nèi)基梅隆、紐約大學(xué)，還有Google、Facebook、MS這些大牛公司，培養(yǎng)了很多人才。

在語音識(shí)別，圖像處理等領(lǐng)域國(guó)際很多頂級(jí)專家都是華人。

國(guó)內(nèi)也有很多專家，行業(yè)薪資待遇越來越好，會(huì)吸引更多的優(yōu)秀人才進(jìn)來。

這批人目前可能在百度、騰訊和阿里，將來可能加入創(chuàng)業(yè)大軍（已經(jīng)出現(xiàn)）。

中國(guó)的優(yōu)勢(shì)在于有大量互聯(lián)網(wǎng)用戶，很多的數(shù)據(jù)，有和各行各業(yè)結(jié)合緊密的應(yīng)用，未來美國(guó)技術(shù)+中國(guó)商業(yè)模式會(huì)引領(lǐng)人工智能的發(fā)展。

相較于O2O、直播等領(lǐng)域，人工智能創(chuàng)業(yè)門檻較高，創(chuàng)始人以及核心團(tuán)隊(duì)一般均有極強(qiáng)的科研背景，行業(yè)人才較為稀缺，導(dǎo)致了行業(yè)創(chuàng)業(yè)公司總體數(shù)量較少。

巨頭參與加劇競(jìng)爭(zhēng)，創(chuàng)業(yè)者要思考“你與BAT競(jìng)爭(zhēng)有什么優(yōu)勢(shì)”，選好產(chǎn)品定位和切入點(diǎn)。

人工智能不僅對(duì)于創(chuàng)業(yè)者來說門檻較高，對(duì)于投資人同樣如此，要結(jié)合技術(shù)和應(yīng)用前景作出準(zhǔn)確判斷挑戰(zhàn)較大。

全球融資歷史1. 融資額AI領(lǐng)域的融資額從2011年的$282M增長(zhǎng)到2015年的$2.4B,增長(zhǎng)了約7倍，未來仍將繼續(xù)保持快速增長(zhǎng)。

2. 融資階段從投資階段來看，大部分項(xiàng)目是早期項(xiàng)目（天使+A輪），早期項(xiàng)目雖從2011年的70%下降到2015年65%，但仍占有最大比例，說明AI創(chuàng)業(yè)活動(dòng)仍然活躍。

同時(shí)B/C/D輪項(xiàng)目增多，說明前期公司成長(zhǎng)性不錯(cuò)。

未來在這些領(lǐng)域創(chuàng)業(yè)活動(dòng)將仍然活躍，繼續(xù)提供較多投資標(biāo)的。

3. 退出案例退出案例越來越多，主要有并購(gòu)和IPO兩種方式，并購(gòu)占絕大部分，并購(gòu)方主要是像Google這樣的科技巨頭公司，Google目前已經(jīng)并購(gòu)了20多家AI創(chuàng)業(yè)公司，其它活躍的并購(gòu)方還有Twitter、Apple、Intel、Salesforce、AOL、IBM、Yahoo等。

創(chuàng)業(yè)公司以一個(gè)比較好的價(jià)格被并購(gòu)也是一個(gè)不錯(cuò)的退出方式，可能也是大部分創(chuàng)業(yè)公司變現(xiàn)的機(jī)會(huì)，除了具有獨(dú)立IPO機(jī)會(huì)的公司，我們也可以關(guān)注國(guó)內(nèi)對(duì)BAT等巨頭有業(yè)務(wù)互補(bǔ)有可能被他們并購(gòu)或者投資的創(chuàng)業(yè)公司。

人工智能現(xiàn)狀總結(jié)目前人工智能尚處于技術(shù)成熟的早期階段，在計(jì)算能力提升、深度學(xué)習(xí)算法進(jìn)步及大數(shù)據(jù)的積累情況下，某些特定的認(rèn)知計(jì)算領(lǐng)域，如計(jì)算機(jī)視覺、自然語言處理領(lǐng)域取得了階段性突破，從而引來了大量此領(lǐng)域的技術(shù)專家人才加入創(chuàng)業(yè)。

但是，我們也看到現(xiàn)有技術(shù)更多是在輔助和增強(qiáng)人類的認(rèn)知能力，而且技術(shù)依然處于快速迭代升級(jí)的階段，所以技術(shù)與商業(yè)結(jié)合的路線選擇就顯得更為重要。

藍(lán)馳更看好與產(chǎn)業(yè)結(jié)合，有好的商業(yè)變現(xiàn)場(chǎng)景的技術(shù)產(chǎn)業(yè)型公司，而非單純強(qiáng)調(diào)AI技術(shù)的公司。