文/李婷婷
来源：资本侦探（ID：deep_insights）
核心要点
近几年人工智能风口再起，实际上是技术发展、数据沉淀以及场景延展等多个因素，厚积薄发的结果。
人工智能商业化变现困难的根本原因，仍是底层研究的制约下难以规模化落地的现实。
新基建的加持，对于人工智能底层研究的投入、应用场景的拓展等将大有裨益。
能让马云、马化腾、李彦宏等业界大佬共同看好的方向，除了人工智能，可能很难找到第二个。
在 7 月 9 日举行的 2020 世界人工智能大会云端峰会上，“三马”（马云、马化腾、马斯克）、“二宏”（李彦宏、张文宏）少见地隔空同台。此外，还有包括七位图灵奖得主、一位诺贝尔奖得主在内的 550 多位业界、学术界嘉宾汇聚一堂。
大会上，以联合国数字合作高级别小组联合主席的身份出席的马云，就疫情期间社会经历的大动荡发表了自己的感悟，他认为，世界已经巨变，技术变革提前并且加速，与其担忧，不如担当，“为活下去而做的创新才是真正最强大和不可阻挡的动力”。
马云有此感叹，一定程度上是因为在疫情危机中，依赖人力、线下运转的传统行业遭受极大冲击，以人工智能为代表的新兴科技彰显出其重要性与必须性。例如，复旦大学附属华山医院感染科主任张文宏提到，“从人工智能参与到抗疫物资调配的时候，我们就意识到将来人工智能具有非常强大的物资调配能力”。
马云在世界人工智能大会上发表演讲
人工智能的意义已不止于经济层面，它也是抵御大自然不可抗力、维持社会健康稳定发展的依仗，基于这一逻辑，政策已率先做出反应。
在今年 2 月，工业和信息化部科技司发布了《充分发挥人工智能赋能效用协力抗击新型冠状病毒感染的肺炎疫情倡议书》，倡议通过科技力量支撑疫情防控。随后，“新基建”政策落实，人工智能被列为七大领域之一。
随着底层技术的进步，与计算能力、大数据、场景等人工智能成长土壤的逐渐成熟，人工智能正处于平台化、产业化之前的关键节点。
疫情催化及政策推动下，人工智能的发展被按下加速键：仅在大会上，就诞生了 8 个人工智能产业投资基金项目，36 个人工智能产业项目，签约投资总额超过 300 亿元。
而在新基建的东风下，人工智能又会带来哪些机遇？
一局围棋
在未来关于人类历史的讲述中，一定会有这样一个篇章。
2016 年 3 月，谷歌旗下 DeepMind 公司开发的人工智能机器人 AlphaGo 与围棋职业九段棋手李世石进行围棋人机大战，此时，大众对谁赢谁输的预测还有很大分歧，最终 AlphaGo 以 4 比 1 的总比分获胜。
这样一场比赛，将人工智能这样一个更多存在于科幻电影、小说中的概念实体化，也将人类一直以来的自信与骄傲击破，证明了人工智能可以达到比肩，甚至超越人类的高度——这甚至引发了一些恐慌。但在当时，中国选手柯洁仍认为“AlphaGo 能赢李世石，但是赢不了我”。
仅一年之后，AlphaGo 再次突飞猛进，大众已经一边倒地做出了人类必败的判断，最终 AlphaGo 以3:0 的战绩击败了几乎代表着人类围棋最高水准的柯洁。
第三局比赛中，柯洁甚至中途离场 20 分钟痛哭，连坐在十几米之外的观众都能听见他隐忍但清晰的哭声。“我感到浑身都在颤抖，真的，寒冷地颤抖。”后来柯洁这样描述自己的状态。
柯洁承认，他的失态是因为觉得机器下得太完美。
柯洁在与阿尔法狗的对弈中痛哭
值得指出的是，人工智能从诞生到打败世界围棋冠军，只经过了六十余年的发展。
1950 年，一位名叫马文·明斯基的大四学生，与同学一起建造了世界上第一台神经网络计算机，这也被看做是人工智能的一个起点。而马文·明斯基在后来也被誉为“人工智能之父”。
人工智能之父：马文·明斯基
同年，“计算机之父”阿兰·图灵提出设想：如果一台机器能够与人类开展对话而不能被辨别出机器身份，那么这台机器就具有智能。直到 1956 年，计算机专家约翰·麦卡锡才提出“人工智能”一词，被人们看做是人工智能正式诞生的标志。
随后，由于技术难度高、进展慢，人工智能的发展反复经历着高潮与低谷。在 1987 年，由于通用计算机 Lisp Machine 在商业上的失败，人工智能再次滑入了低迷期，行业人士开始意识到人工智能的问题不在于硬件，而是在软件以及算法层面的挑战没有突破。
长久以来，对人工智能的探讨一直局限在研发圈层中，一直到 AlphaGo 出世，横扫人类围棋界，才一举将人工智能推向了社会话题中心，自此之后，人工智能概念始终炙手可热。
人工智能之所以会在 2017 年的时点上爆发，本质上是得益于发展土壤的逐渐成熟，马化腾曾在演讲中提到，发展人工智能，场景、大数据、计算能力和人才缺一不可。
在计算能力方面，深度学习技术是人工智能发展历史上的一个重要突破。2006 年，现任职于 Google Brain 的技术专家 Geoffrey Hinton 带领团队发现了训练高层神经网络的有效算法，2012 年，Geoffrey Hinton 团队在 ImageNet 上首次使用深度学习技术完胜其它团队。
Geoffrey Hinton 在 ImageNet 2012 上的成功让科学家开始更多的关注模型与算法的创新突破，以弥补训练中数据的不足，从而带来算法上的快速迭代：以图形计算为代表的 GPU 在计算机视觉训练中替代原来的 CPU，大大提升了计算性能，让原来需要几个月才能完成的训练缩短到几天或几个小时，加快了计算机视觉前期训练和推理的迭代周期，带来效率上的成倍提升。
Geoffrey Hinton
大数据则是人工智能的燃料，随着互联网浪潮从 PC 时代过渡到移动时代，人类生活逐渐被智能终端所绑定，每日可产生的数据量出现指数级的增长，且数据维度更加丰富，大数据技术逐渐精进。而大数据技术能够通过数据采集、预处理、存储及管理、分析及挖掘等方式，从各种各样类型的海量数据中，快速获得有价值信息，为深度学习等人工智能算法提供坚实的素材基础。
另一方面，随着社会经济形态与产业形态发展，人工智能有了更多的落地场景，如医疗、安防、交通等，这是承载人工智能发展的介质。
因此，近几年人工智能风口再起，实际上是技术发展、数据沉淀以及场景延展等多个因素，厚积薄发，引发了一场席卷全球的 AI 创投热潮。
迷雾尚未消散
在探讨人工智能的前景之前，有必要先厘清人工智能的基本架构。对人工智能的探讨可以分为两条主线：一是学术视角的底层研究，二是产业视角。
高校是培养人工智能人才、执行人工智能技术研究的主阵地，在美国，人工智能方面科研实力最强的高校有麻省理工学院、卡内基梅隆大学、斯坦福大学等。其中，卡内基梅隆大学在 2018 年开设了美国首个人工智能本科学位，加大对人工智能领域人才培养的投入。
中国高校也在近两年间不断推进人工智能教育，数据显示，截至 2018 年底，有 94 所拥有人工智能二级学院的中国大学，相比 2017 年增加了 21 所，其中，清华大学、浙江大学、上海交通大学、哈尔滨工业大学、华中科技大学、中国科学技术大学、中科院各研究所等是人工智能底层研究的主力军。
高校开展的人工智能研究更多是由国家拨款支持的，此外，也有不少大型科技公司出资成立研究院，从事人工智能底层技术研究。
谷歌一直以来都将人工智能作为主要战略方向之一，它在 2011 年时就推出了聚焦深度学习的 Google Brain 项目，并在 2014 年 1 月斥资 4 亿美元收购一家名为 DeepMind 的人工智能公司，正是这家公司在三年后推出 AlphaGo，掀起人工智能风潮。
据咨询公司麦肯锡报告显示，包括谷歌在内的科技巨头，2016 年在人工智能上的投入在 200 亿至 300 亿美元之间，其中 10% 用于人工智能收购，90% 用于研发和部署。
2017 年，AlphaGo 引爆人工智能概念之后，美国科技巨头对人工智能的投入进一步加大。该年的 Google I/O 开发者大会上，谷歌确立了从 mobile-first 到 AI-first 的根本战略转变，同年，微软宣布计划建立百人规模的微软 AI 研究院。一年后，谷歌又将谷歌研究院（Google Research）改名为谷歌人工智能（Google AI），将人工智能放在最高战略地位上。
国内科技公司对人工智能底层技术的研究稍晚一步，但在近几年也发展迅速。
较早在 AI 研究上进行投入的是百度，2014 年，百度成立硅谷人工智能实验室，由斯坦福大学计算机科学系和电子工程系副教授吴恩达领航。吴恩达同时也是 Google Brain 的主创成员之一，是人工智能领域公认的领军人物。同年，百度还启动了“少帅计划”，提供百万年薪，针对 30 岁以下的人工智能领域优秀人才进行甄选和培养。
吴恩达
2016 年 4 月，腾讯成立 AI Lab（腾讯人工智能实验室），致力于人工智能基础科学的开放研究，以及应用领域的深入探索，做到“学术有影响，工业有产出”。随后，张潼、贾佳亚、俞栋等学界大牛陆续加入。
在 2017 年杭州阿里云栖大会上，阿里巴巴在面向未来技术创新方面投入千亿资金，成立了探索人类未来科技研究院“达摩院”。
达摩院研究方向
此外，华为等国内科技巨头，也在人工智能底层研究上有所投入，包括建立研究院，与各大高校共同开设相关课程等。
无论是成立研究院、实验室还是达摩院，虽然各家研究方向存在细微差别，但 BAT 都试图表现投入人工智能底层研究的态度。只是相关设想在实践中遇到挑战，如今，百度人工智能实验室遭遇大换血，吴恩达早已离职创业，少帅计划也无疾而终；腾讯 Lab 经历调整，张潼、贾佳亚相继离开；达摩院的投入重点在往产业层面靠拢。
在产业界探索研究人工智能底层技术遭遇挫折的同时，在产业层面，人工智能在波折中前进。
目前，全球人工智能产业的生态系统正逐步成型。依据产业链上下游关系，可以将人工智能划分为基础支持层、中间技术层和下游应用层。
基础层是人工智能产业的基础，主要包括了芯片、传感器、大数据和云计算等基础能力。
我国人工智能行业发展追求速度，资金投向追捧易于变现的终端应用。研发周期长、资金投入大、 见效慢的基础层创新被市场忽略，但是人工智能的发展根源于基础层（算法、芯片等），长期来看看，人工智能的行业研究有所突破还是要依赖基础层研究。
技术层是人工智能产业的核心， 主要以模拟人的智能相关特征为出发点，将基础能力转化成人工智能技术。如计算机视觉、智能语音、自然语言处理（NLP）、人机交互等应用算法研发。其中，技术层能力可以广泛应用到多个不同的应用领域。
计算机视觉是实现工业自动化和智能化的关键核心技术，其对于人工智能的意义，正如眼睛之于人类的意义，帮助机器“看懂”这个世界。本质上，机器视觉通过使用光学系统、工业数字相机和图像处理工具，来模拟人的视觉能力，并做出相应的决策。
而 NLP 则是帮助人工智能“理解”人类语言，这是人工智能、计算机科学、信息工程的交叉领域，涉及统计学、语言学等的知识。人类语言充满了负责性和模糊性，NLP 也是人工智能领域最为困难的问题之一，但一旦攻破，就达到了机器智能化的最高境界，因此 NLP 也被誉为是“人工智能皇冠上的明珠”。
语音识别的技术难度相对更低，它只要求人工智能“听懂”语言，而不要求其“理解”语义。语音识别技术现在已相对成熟，国内的科大讯飞就是这一细分赛道中的代表企业。
自动驾驶是人工智能技术的另一个大方向，它涉及视觉计算、雷达、监控装置和全球定位系统的协同合作，技术体系更为复杂。
现阶段，对自动驾驶的研究主要还停留在 L3 级别，但在日前的人工智能大会上，马斯克透露：“目前最新的特斯拉纯电动车已经十分接近 L5 级自动驾驶，今年将完成其基本功能。”
近年来，我国技术层围绕垂直领域重点研发，在计算机视觉、语音识别等领域技术成熟，国内的头部企业竞争优势明显。但是具体来看，在算法理论和开发平台领域，尚且缺乏积累和经验，百度的 PaddlePaddle、 腾讯的 Angle 等国内企业打造的开放平台尚无法与国际主流产品竞争。
应用层作为人工智能产业的延伸，将技术应用到具体行业，涵盖制造、交通、金融、医疗等 18 个领域，其中医疗、交通、制造等领域的人工智能应用开发受到广泛关注。
当前，应用层以底层技术能力为主导，切入不同场景和应用，提供产品和解决方案。受益于计算机视觉、图像识别、自然语言处理等技术的快速发展，人工智能已广泛地渗透和应用于诸多垂直领域，产品形式也趋向多样化。
目前，应用层是人工智能产业链中市场规模最大的层级。据中国电子学会统计，2019 年，全球应用层产业规模将达到 360.5 亿元，是基础层的 2.53 倍。在全球范围内，人工智能仍处在产业化和市场化的探索阶段，落地场景的丰富度、用户需求等有待提高，国际上尚未出现拥有绝对主导权的垄断企业，在很多细分领域的市场竞争格局尚未定型。
尽管人工智能近年来发展迅速，但从整体来看，虽然有 AlphaGo 大败人类围棋手的里程碑事件在前，人工智能的发展其实还并不成熟。
李彦宏将人工智能的发展分为了三个阶段——技术智能化阶段、经济智能化阶段以及社会智能化阶段三个阶段。其中第二阶段又分为上下两个阶段，在前半段，人工智能的发展主要围绕通用能力的开发和作为一种资源的 AI 能力的平台化。在后半段，人工智能开始全面的产业化，行业应用与商业化全面普及。
当下，我们正处于从经济智能化的前半段向后半段过渡的时期，人工智能已经证明或者初步证明了其对所在行业的颠覆和重构潜能。
“目前人工智能所处的阶段是一个容易产生迷茫甚至悲观的阶段，这是大多数颠覆性技术在加速普及之前必经的阶段。当迷雾消散时，一个经济和社会全面互联网化的时代就开始了。”李彦宏说。
漫漫长路
针对人工智能的几个主要应用方向，国内科技巨头们都有不同布局，在细分赛道，也有优秀的独角兽冒头。
如在计算机视觉方向，就诞生了有“AI 四小龙”之称的商汤、旷视、依图、云从四家代表企业。
人工智能的主要落地场景，如安防、交通、医疗等，都需要建立在视觉智能化的基础上，这也是 AI 四小龙的主要业务方向。因为涵盖范围广，商业潜力大，AI 四小龙诞生之后一度受到资本热捧，根据胡润研究院发布的《2019 胡润全球独角兽榜》，四家企业估值都已超百亿人民币，其中商汤估值达到了 400 亿元人民币。
商汤因融资规模巨大，甚至有“融资机器”之称，其投资方中，还包括了阿里巴巴等科技巨头。
得益于技术红利的推动，除计算机视觉方向外，各技术细分领域也都诞生了大小不一的独角兽，如 NLP 方向的追一科技、蓦然认知、竹间科技；智能驾驶方向的图森未来等。
与创业公司相比，巨头在人工智能层面的布局野心更大，涵盖的方向更广，且多与主业相结合。
如阿里巴巴在 2017 年成立的达摩院，计划在 3 年里投入超过 1000 亿元用于涵盖基础科学和颠覆式技术创新的研究。
达摩院旗下最大的机器智能实验室分支 iDST 负责人金榕曾在采访中介绍，达摩院的设立主要有两个目标，一是把达摩院的 AI 基础能力放到平台上支撑所有业务，二是上云，在产品得到内部核心业务验证后，将产品上云商业化，进一步放大价值，服务整个社会。
在达摩院“大脑”的支撑下，阿里巴巴也逐渐实现了技术成果转化，如在计算机视觉领域，在被誉为人工智能世界杯的 CVPR 2019 WebVision 竞赛中图像分类竞赛中，阿里巴巴以 82.54% 的识别准确率获得冠军。
腾讯同样也在进行腾讯云的建设，截至 5 月份，腾讯云 AI 公有云日处理图片超 30 亿张，日处理语音 250 万小时，自然语言处理超千亿句，客户数超过 200 万，服务全球超过 12 亿用户。
而在产品层面，腾讯云也已经拥有了多项能力，如包括腾讯云神图、慧眼、图像分析、智能识图以及 OCR 在内的视觉服务，包括腾讯云语音识别、语音合成、机器翻译等在内的智能语音产品，包括情感分析、智能分词、文本纠错等在内的自然语言处理产品。
在本届人工智能大会上，腾讯发布了进一步拓展视觉人工智能能力的 4 个平台产品，继续深入计算机视觉领域研究。
科技巨头之中，百度在人工智能领域的布局较早，目前，旗下人工智能助手小度，让用户以自然语言对话的交互方式，实现影音娱乐、信息查询、生活服务、出行路况等多项功能的操作，是百度除搜索等产品外，与普通用户交集最大的人工智能产品。
巨头们似乎都已将未来的比拼重点放在了人工智能上，从成果上来看也取得了一定的成效。但实质上，在推进人工智能发展的过程中，始终存在着诸多阻碍。
首先是底层研究需要突破。在这一层面，资金投入、教育深化是基础，但并不存在绝对的因果关系，技术的突破存在许多偶然性，在人工智能发展历史中，就多次因为陷入技术瓶颈而停滞不前。
其次，在企业推动人工智能技术研发的过程中，基础研究与产业团队如何融合、协同一直是困扰各大公司的问题——谷歌也未能幸免。如何将底层研究与实际业务所需这样的长期投入与短期收益相结合，非常考验各大公司的投入耐心和内部协同能力。
再次，商业化变现困难是现阶段仍制约人工智能企业发展的难题。如风头正盛的 AI 四小龙，虽然从估值上看，它们的技术价值前景得到了认可，但因为技术落地难、商业模式盈利难，四小龙的 IPO 进程都一再受阻，旷视在 2019 年 8 月向港交所递交招股书，在今年 2 月其申请上市状态已变为“失效”，3 月，有外媒报道称商汤也推迟了赴港 IPO 计划。
而商业化变现困难的根本原因，仍是底层研究的制约下，人工智能难以落地。
事实上，从 2017 年开始，人工智能行业就开启了“存量阶段”，投资人更看重人工智能的实际落地场景，对处于早期阶段的人工智能公司，开始了保守的投资模式，对处于中后期的人工智能公司，其投资意愿有所提升。
具体的表现为，2016 年开始，私募对人工智能公司的天使轮投资频率开始减少、对战略投资轮投资频率开始上升：拿到天使轮的人工智能公司从 2016 年的 301 家，减少到 2019 年的 113 家；拿到战略投资轮的人工人工智能公司从 2016 年的 11 家，增加到 2019 年的 39 家。
不过，在今年踏进“新基建”的节点后，市场对人工智能的保守态度或许将有所转变。
在 2020 世界人工智能大会投融资主题论坛上，中金公司研究部董事总经理黄乐平发布了相关 AI 研究报告，中金认为，“AI+5G”是数字经济时代的通用技术平台，人工智能、区块链、云计算、5G 等信息技术与机器人、医疗、航天等场景相融合，催生的 AR/VR、无人驾驶、商业航天等新产品和新业态是科技行业未来十年的发展主线。
中金公司测算，新基建、新需求、新技术在未来十年将为我国数字经济新增近 4.3 万亿元的产业空间。
政策推动下，社会资源向人工智能产业聚集，将进一步推动底层数据建设、应用场景拓展等，今年上半年，有多地政府加大了对智慧城市、城市大脑等的建设；疫情之下，人工智能提高医疗效率的价值也得到凸显。
新基建的加持，对于人工智能底层研究的投入、应用场景的拓展等将大有裨益。不过，在欢呼机遇到来的同时，也需要充分认识到，人工智能不是一场短跑。
正如马化腾在人工智能大会上所说，人工智能是一个跨国跨学科的科学探索工程，正在将人类的认知推向更快更高更强，但目前人类对人工智能等新科技的未知仍然大于已知。
这仍是一条漫漫长路。