人工智能行业研究应用报告.docx

概要人工智能是信息时代尖端技术。从人类建立起需要指导控制才能运行计算机，到计算机拥有能够自己去学习能力，这一飞跃对各行各业全部产生了巨大影响。即使此时此刻可能是下一个 AI 冬季（图8）到来之前给承诺又让人失望周期，但这些投资和新技术最少会给我们带来有形机器学习生产力经济利益。和此同时，人工智能、机器人和无人驾驶汽车已经成为了流行文化甚至是政治话语前沿。而且我们在过去十二个月研究使我们相信这不是一个错误开始，而是一个拐点。正如我们将在本汇报中探讨那样，这个改变原因有显而易见（愈加快更强计算资源和爆炸式增加数据库），也有细致入微（深度学习，专有硬件和开源崛起）。这个 AI 拐点（AI inflection）中更令人兴奋一个方面是现实世界使用案例比比皆是。即使深度学习使计算机视觉和自然语言处理等技术有了显著提升，比如苹果企业 Siri，亚马逊 Alexa 和 谷歌 图像识别，不过 AI 不仅仅是科技技术（tech for tech），也就是大数据集和足够强大技术相结合情况下，价值正在被慢慢创建，竞争优势也变得越来越显著。比如，在医疗保健中，图像识别技术能够提升癌症诊疗正确性。在农业中，农民和种子生产商能够利用深度学习技术来提升作物产量。在制药业中，深度学习能够用于改善药品研发。在能源方面，勘探效率正在提升，设备可用性正在不停增强。在金融服务方面，经过开辟新数据集，实现愈加快分析，从而降低成本，提升回报。AI 现在还处于发觉其可被利用场景早期阶段，这些必需技术会经过基于云服务实现大众化、平等化，我们相信随之而来创新浪潮将在每个行业中发明新赢家和输家。AI 广泛应用让我们得出了一个结论：它是一个能够变革全球经济技术，是提升生产力并结束美国生产率停滞增加驱动力。结合 GS 首席经济学家 Jan Hatzius 研究，我们明确了资本深化现在停滞及其对美国生产率相关影响。我们相信，AI 技术将会驱动生产力提升，就像 20 世纪 90 年代那样，驱动企业投资更多资本和劳动密集型项目，加紧发展脚步，提升盈利能力和提升股票估值。启示即使我们看到了人工智能能够立即地影响到每个企业、行业和一部分经济，但对投资者而言，我们认为这其中有四个影响最为显著。生产率。AI 和机器学习含有激发生产率增加周期潜力，这会有利于经济增加，提升企业盈利能力，资本回报率和资产估值。依据 GS 首席经济学家 Jan Hatzius 所说：大致上而言，AI 看起来似乎比上一次创新浪潮更有可能在统计数据中捕捉到更有价值东西，人工智能能够降低成本，降低对高附加值生产类型劳动投入。举个例子，这些在商业部门成本节省上创新可能比在 iPhone 中增加应用程序可用性和多用性更利于统计学家去捕捉有价值东西。考虑人工智能对商业部门成本结构广泛影响，我有理由相信它会被统计学家接收，而且会出现在整体生产力数据中。尖端技术。AI 和机器学习在速度上价值有利于构建一个在建设数据中心和网络服务时让硬件更廉价趋势。我们认为这可能推进硬件，软件和服务支出市场份额大幅度改变。比如，在标准数据中心计算资源上运行 AWS 工作负载成本低至 $ 0.0065 /小时，而在使用 AI 优化过 GPU 上运行成本为 0.900 美元一小时。竞争优势。我们看到了 AI 和机器学习含有重新调整每个行业竞争秩序潜力。未能投资和利用这些技术管理团体在和受益于战略智能企业竞争时，有很大可能会被淘汰掉，因为这些技术能够让企业生产力提升，并为它们发明资本效益。在第 41 页开始短文中，我们将研究这些竞争优势是怎样在医疗保健、能源、零售、金融和农业等领域发展起来。创办新企业。我们发觉了 150 多家在过去十年中创建人工智能和机器学习企业（附录 69-75）。即使我们相信人工智能大部分价值全部掌握在含有资源、数据和投资能力大企业手中，但我们也期望风险投资家、企业家和技术教授能够继续推进新企业创建，从而促进实质性创新和价值发明，即使最终创业企业会被收购。当然我们也不能忽略人工智能巨头（人工智能领域谷歌或 Facebook）出现。在接下来篇幅中，我们将深入探讨 AI 技术，历史，机器学习生态系统和这些技术在行业和领头企业中应用。什么是人工智能？人工智能是做出能够以人类智能方法学习并处理问题智能机器和计算机程序理工科。传统而言，该领域包含自然语言处理和翻译、视觉感知和模式识别，和决议制订。但该领域和应用复杂度全部在急剧扩展。在此汇报中，我们大部分分析集中在机器学习（人工智能一个分支）和深度学习（机器学习分支）上。我们强调两点：简言之，机器学习是从样本和经验（即数据集）中进行学习算法，而不是依靠硬编码和预先定义规则。换言之，也就是开发者不再告诉程序怎样区分苹果和橘子，而是向算法输入数据（训练），然后自己学习怎样区分苹果和橘子。深度学习重大发展是人工智能拐点背后关键驱动。深度学习是机器学习一个子集。在大部分传统机器学习方法中，特征（即有估计性输入或属性）由人来设计。特征工程是一大瓶颈，需要大量专业知识。在无监督学习中，关键特征并非由人预定义，而是由算法学习并发明。为了愈加明了，我们不重视真人工智能、强人工智能或通用人工智能这么概念，它们意味着复制人类智能，也常常出现在流行文化中。即使已经有了部分有潜力突破，比如谷歌 DeepMind AlphaGo 系统，我们还是更重视立即有实在经济人工智能发展。为何人工智能发展加速？深度学习能力极大发展是现在人工智能拐点背后催化剂之一。深度学习底层技术框架神经网络，已经存在了数十年，但过去 5 到 10 年 3 种东西改变了深度学习：1. 数据。伴随全球设备、机器和系统连接，大量无结构数据被发明出来。神经网络有了更多数据，就变得更为有效，也就是说伴随数据量增加，机器学习能够处理问题也增加。手机、IoT 、低成本数据存放和处理（云）技术成熟使得可用数据集大小、结构全部有了极大增加。比如，特斯拉搜集了 780mn 英里驾驶数据，而且经过她们互连汽车，每 10 小时就能增加 100 万英里数据。另外，Jasper 有一个平台，能让多家汽车制造商和电信企业进行机器间交流，这家企业于今年 2 月份被 Cisco 收购。Verizon 在 8 月份做了类似投资，宣告收购 Fleetmatics，Fleetmatics 做是将汽车上远程传感器经过无线网络连接到云软件。未来，5G 网络上线将会加速数据生成和传输速率。据 IDC Digital Universe Report 显示，年度数据生成预期到 年达成 44zettabytes，表明我们正在见证应用这些技术使用案例。图 1：年度数据生成预期到 年达成 44zettabytes2. 愈加快硬件。GPU 再次使用、低成本计算能力普遍化，尤其是经过云服务，和建立新神经网络模型，已经极大增加了神经网络产生结果速度和正确率。GPU 和并行架构要比传统基于数据中心架构 CPU 能愈加快训练机器学习系统。经过使用图像芯片，网络能愈加快迭代，能在短期内进行更正确训练。同时，特制硅发展，比如微软和baidu使用 FPGA，能够用训练出深度学习系统做愈加快推断。另外，从 1993 年开始超级计算机原计算能力有了极大发展（图 2）。在 年，单张英伟达游戏显卡就有了类似于 年之前最强大超级计算机拥有计算能力。图 2：全球超级计算机原计算性能，以 GFLOPs 测试成本也有了极大降低。英伟达 GPU（GTX 1080）有 9 TFLOPS 性能，只要 700 美元，意味着每 GFLOPS 只要 8 美分。在 1961 年，串够 IBM 1620s 每提供 1 GFLOPS 需要钱超出 9 万亿。图 3：每单位计算价格有了极大下降3. 愈加好、更普遍可用算法。愈加好输入（计算和数据）使得更多研发是面向算法，从而支持深度学习使用。比如伯克利 Caffe、谷歌 TensorFlow 和 Torch 这么开源框架。比如，刚开源一周年 TensorFlow，成为了 GitHub 上有最多 forked repositories 框架。即使不是全部人工智能发生于普遍可用开源框架中，但开源确实在加速发展，而且也有更多优异工具正在开源。方向即使本汇报关键是人工智能发展方向和企业怎样把握这个方向，不过了解人工智能对我们生活影响程度也是很关键。在线搜索。就在十二个月多以前，谷歌透露，它们已经开始将大量搜索工作移植到了 RankBrain（一个人工智能系统），使其和链接（links）和内容（content）成为了谷歌搜索算法三个最关键标志。推荐引擎。Netflix，亚马逊 和 Pandora 全部在使用人工智能来确定推荐什么样电影和歌曲，突出哪些产品。5 月，亚马逊开源了它们深度可扩展稀疏传感网络引擎（the Deep Scalable Sparse Tensor Network Engine（DSSTNE），简称Destiny），它被用于产品推荐，同时能够被扩展以实现超越语言和语言了解和异议识别目标。人脸识别。谷歌（FaceNet）和 Facebook（DeepFace）全部投入了大量技术来确定您照片中人脸和真实人脸是不是几乎完全吻合。1 月，苹果采取了深入方法，购置了 Emotient（一个致力于经过读取人面部表情来确定其情绪状态 AI 创业企业）显然，这些技术远远不止于对照片进行标识。即使个人助理应用产品有没有数用户，比如苹果 Siri，信用贷，保险风险评定，甚至天气估计。在接下来篇幅中，我们探讨企业该怎样使用这些技术来加速增加，降低成本和控制风险。从这些技术及其使用这些技术应用发展速度来看，它们充其量不过能够为企业和投资者提供部分方向，以保持她们竞争力。加强未来生产率美国劳动生产率在 90 年代中期快速增加和过去十年缓慢增加和以后，多年来已经停止增加了。我们认为，就像 20 世纪 90 年代互联网技术被广泛采取那样，消费类机器学习和人工智能扩散有可能大幅度地改变全球产业生产范式。在整个行业中，我们发觉在自动化促进下，劳动时间降低了约 0.5-1.5，同时，因为 AI / ML 技术带来效率增益，到 2025 年，这些技术将对生产力增加产生高达 51-1154 个基点（bps）影响。即使我们期望 AI / ML 能够伴随时间同时提升生产率分母和分子，不过我们认为最关键是，早期影响将是低工资任务自动化，即以更少劳动时间推进类似产出增加水平。我们基础案例 AI / ML 驱动提升了 97 个基点，这意味着 2025 年增加生产率中 1.61 将由 IT 贡献，比 1995 - 年高出 11 个基点（图 9,10）。图 9：生产力分析；单位百万美元，假设 年以后 GDP 线性增加生态系统：云服务，开源在未来 AI 投资周期中关键受益人我们相信，在未来几年中，一个企业利用人工智能技术能力将成为表现企业在全部关键行业竞争力一个属性。即使战略会因企业规模和行业而有所不一样，但假如管理团体不会把重心放在领导人工智能和在此基础上利益上，那么未来产品创新、劳动效率和资本杠杆全部会存在落后风险。所以，我们认为企业需要投资这些新技术以保持竞争力，同时这将造成对人工智能所以依靠人才、服务和硬件空前需求。作为比较，20 世纪 90 年代技术驱动生产力繁荣推进了对应激增。增加对技术资本支出造成了新企业和业务增加来捕捉这些资本支出。在不可避免行业整合发生之前，成立软件、硬件和网络企业开始发生转变。下图 13 突出了软件行业内这种模式。在 1995 - 1999 年期间，在通货膨胀调整后，市值在 20 亿美元到 50 亿美元之间公共软件企业数量几乎增加了两倍，在 年代中期才得到巩固。图 13：伴随 20 世纪 90 年代生产力激增驱动者生态系统（enabler ecosystem）图 14：这十年来，投资人工智能风险资本出现了暴增我们看到了由 AI 驱动生产率含有产生下一个相同繁荣周期潜力，能够经过利用这些潜力，把软件、硬件、数据和服务提供商作为商业投资来发明价值。如上图 14 所反应那样，和 AI 相关初创企业风险投资在这十年中急剧增加。AI 企业投资繁荣现象巨大潜力也开始推进整合。尤其是云平台对 AI 相关人才进行了大量投入，自 年以来，谷歌、亚马逊、微软和 Salesforce 共进行了 17 项和 AI 相关收购（下图）。在上下文中对 AI 和 ML 技术发展和历史技术周期比较中，我们看到了前者部分益处。和过去 50 年其它关键技术周期一样，计算（和摩尔定律）一直是进步抑制剂和推进者。比如，在系统架构方面，我们目睹了从大型机系统转变为用户端-服务器模型整个过程，而且多年来已经开始被云/移动模式所替换。这种进化驱动原因是计算能力、存放容量和带宽改善。每个转换全部伴伴随应用开发转变，包含多种新编程语言出现和演变（见图表 15）和多种可能应用程序多种类型。如上下文中所提及一样，AI 这个概念已经存在几十年了，其中神经网络概念出现在 20 世纪 60 年代，即使直到最近几年，计算能力才开始让神经网络能在实际环境中使用。我们相信我们正处于 AI 平台早期阶段，就如同 20 世纪 50 年代大型机才开始商业化到 21 世纪智能手机和云商业化。伴随平台曲线改变（我们认为它正在发生），应用程序、工具和服务驱动者（enabler）会爆炸式增加，我们将在下面更具体地讨论。图 15：人工智能发展能够和历史上系统架构和编程语言采取技术革命相比，尽管我们认为我们现在仍然处于人工智能发展和应用早期阶段stack 演变过程和和 AI 之间对应关系蓝色 =专有供给商，橙色 =开源，绿色 =云服务（注意：部分供给商，如 IBM 和 Microsoft 全部是专有服务和云服务）图 17：生产中机器学习：怎样在机器学习管道中利用多种开源和云技术图 18：机器学习管道中关键开源项目。可用项目支持企业和风险投资图表 20：人工智能即服务（AI-as-a-Service（AI-aaS）概览：机器学习 API 正在被开发以处理水平和垂直使用案例图表 21：水平 AI-aaS 产品和定价：来自云平台 AI-aaS 产品示例中国人工智能现实状况iResearch 估计， 年，中国人工智能市场将从 年 12 亿人民币增加至 91 亿人民币。 年，约 14 亿资本（年增加率 76%）流入了中国人工智能市场。在政府政策方面，中国国家发展改革委员会（发改委）和其它相关政府机构于 年 5 月 18 日公布了互联网+人工智能三年行动实施方案。方案指出了人工智能领域发展六大保障方法，包含资金支持、标准体系、知识产权保护、人才培养、国际合作和组织实施。方案提出，到 年，中国人工智能基础资源和创新平台、产业体系、创新服务体系、标准化体系应基础建立。发改委期望中国人工智能产业整体和国际同时，系统等级（system-level）人工智能技术和应用要在市场领先位置。中国已经做出部分重大举措，而且依据提及深度学习和深度神经网络被引用期刊论文数量， 年，中国已经超越美国（Exhibit 23）。中国拥有世界领先语音和视觉识别技术，其人工智能研究能力也令人印象深刻（Exhibit 24）。baidu于 年 11 月公布 Deep Speech 2 已经能够达成 97% 正确率，并被麻省科技评论评为 年十大突破科技之一。另外，早在 年香港汉字大学开发 DeepID 系统就在 LFW 数据库中达成了 99.15% 面目识别正确率。Exhibit 23：提到深度学习或深度神经网络期刊文章Exhibit 24：最少被引用一次、并提到深度学习或深度神经网络期刊文章中国互联网巨头baidu、阿里巴巴和腾讯（BAT）正在领导中国人工智能市场，同时数以百计初创企业也正渗透到这一产业中，并在多种人工智能细分市场及应用领域建立服务模型。现在，中国人工智能领域包含：基础服务，如数据资源和计算平台；硬件产品，如工业机器人和服务机器人；智能服务，如智能用户服务和商业智能；和技术能力，如视觉识别和机器学习。依据 iResearch，现在，语音和视觉识别技术分别占中国人工智能市场 60% 和 12.5%。在中国，全部和人工智能相关企业中，71% 专注于开发应用。其它企业专注算法，其中，55% 企业研究计算机视觉，13% 研究自然语言处理，9% 致力于基础机器学习。我们认为，人工智能前沿关键参与者可能会继续来自美国和中国。baidu： 年 9 月，baidu度秘：声控人工智能个人助理（整合进baidu移动搜索应用） 年 11 月，baidu DeepSpeech 2：包含一个大型神经网络语音技术，经过样本学会将声音和语词联络起来 年 12 月，baidu无人车：baidu无人车在北京道路上完成测试，并在硅谷设置自动驾驶部门（ADU） 年 8 月，baiduDuSee：为移动设备打造 AR 平台（整合进baidu搜索和地图移动应用），在搜索广告方面有着广泛应用 年 9 月，baidu大脑：官方介绍，baidu人工智能平台 年 9 月，Paddle Paddle：baidu近期开源深度学习工具包 年 10 月，baidu移动应用 8.0：新升级移动搜索应用，内含一个整合了智能搜索和个性化新闻推荐系统，其背后采取了人工智能、自然语言处理和深度学习技术阿里巴巴： 年 7 月，阿里小蜜阿里小秘书：虚拟人工智能客服，据企业 年 10 月汇报，问题处理率已达成 80% 年 8 月，DT PAI：基于阿里云服务，用来处理机器学习过程，被该企业称为是中国第一个人工智能平台 年 6 月，阿里母亲光学字符识别：该技术取得文档分析和识别国际会议（ICDAR）Robust Reading 比赛第一名 年 8 月，阿里云 ET：一套综合人工智能处理方案套件，包含视频、图像和语音识别技术腾讯： 年 6 月，优图：腾讯为开发者开放了其面部识别技术，和优图科技其它关键技术 年 8 月，腾讯 TICS 试验室： 年腾讯设置智能计算和搜索试验室，专注于四个方面：搜索、自然语言处理、数据挖掘和人工智能 年 9 月，Dreamwriter：腾讯上线中国第一个新闻报道机器人 年 11 月，WHAT 试验室：微信-香港科技大学人工智能联合试验室，于 年 11 月 26 日成立人工智能生态：关键参与者人工智能生态：使用案例和潜在机会创新人工智能驱动者：谷歌、亚马逊谷歌在做些什么？谷歌搜索算法在过去二十年里进展快速。从 1998 年 PageRank 到 年 RankBrain，基于链接网络排名已经进化成人工智能驱动下查询匹配系统，后者能够不停适应那些独特搜索（占谷歌全部搜索 15%）。在云技术方面，企业五月份公布了针对平台定制化硬件加速器方面取得进展，一个定制化 ASIC，亦即 TPU，这一进展对 年开源机器学习软件库 TensorFlow 进行了补充。过去三年中，在和人工智能相关收购战中，企业也当仁不让。被收购企业中，最著名当属 DeepMind，它提升了 Alphabet 神经网络功效并已经将其应用于多种人工智能驱动项目中。为何关键？在搜索中使用算法，谷歌可谓先行者。将自然语言处理应用到配置用户搜索意图和可欲结果方面，企业一直处于领先地位，这也不停加强了企业在该领域竞争优势。在深入推进人工智能领域融合。在促进人工智能一体化（AI integration）方面，企业开源应用 TensorFlow 已经为其它云平台和研究小区利用企业资源提供了先例。同时，谷歌正经过本身优势，比如 TPU，充足利用开源世界为企业提供竞争优势，尽管其机器学习库是开源。因为 DeepMind, 企业提升了端到端强化能力； 年末击败职业围棋选手 AlphaGo。将人工智能带到更为广泛研究小区，同时也经过软硬件方面本身优势进行创新，谷歌是最好例子。亚马逊在做什么？亚马逊正在企业内部和云端使用机器学习技术。 年 4 月，企业公布 Amazon ML，这款机器学习服务能够为对云数据使用提供机器学习功效（无需之前用户经验）。企业紧随谷歌开源步伐，今年 5 月开源了 DSSTNE，一个针对推荐深度学习模型库。经过改善搜索、定制化产品推荐和语音识别、增加有质量产品评价，企业内部也在使用机器学习改善端到端用户体验。为何关键？借助 AWS，亚马逊成为全球最大云服务商，可能也是最成熟人工智能平台。借助 Amazon ML，企业成为作为服务人工智能（AI-as-a-service）生态系统领先者，将复杂推理能力带到之前几乎没有机器学习经验企业办公室当中。无需基于定制复杂应用，AWS 用户就能使用机器学习训练模型，评定和优化潜力。亚马逊推荐引擎使用了机器学习，在匹配用户意图和可欲结果方面，含有竞争优势，也为企业发明了商机。企业正愈加高效地利用搜集到数据合理化用户购物体验，也让电子商务体验更具互动性。伴随 DSSTNE 开源，亚马逊也和其它科技巨头一起，推进科技小区人工智能进步。苹果在做什么？去年，苹果已经成为最活跃人工智能企业收购商，比如 Vocal IQ, Perceptio, Emotient, Turi, 和 Tuplejump。几乎同时收购了 Vocal IQ 和 Perceptio，企业请来了 Johnathan Cohen，当初还是英伟达 CUDA 库和 GPU 加速软件项目标责任人。近期，据报道，企业请来 Ruslan Salakhutdinov 担任人工智能研究总监，这也标志着企业人工智能战略转型。在此之前，企业最初人工智能结果之一是 Siri , 第一款嵌入移动技术虚拟助手， 年，其语音识别技术被移入神经网络系统。为何关键？直到去年，苹果已经取得相对专有机器学习成就； 年 10 月，Bloomberg Businessweek 报道，在大众消费方面，苹果研究人员还没发过一篇和人工智能相关论文。不过，这一策略转型多少和新、和人工智能相关雇佣和收购相关，科技记者 Steven Levy 在 Backchannel 一篇报道强调企业已经在人工智能领域活跃一段时间了。尤其是，企业收购 Turi 突出了企业要按规模推进非结构数据和推论，和开放给更为广泛人工智能研究小区。这次收购，配以基于收购企业技术较小应用，反应出苹果致力于用这些新技术创新企业产品。微软在做什么？CEO Satya Nadella 表示，微软正在大众化人工智能（democratizing AI）。企业人工智能和研究团体（总人数大约 5 千多），关注改变人类体验和和机器互动。微软已经主动地将新、融合人工智能功效嵌入企业关键服务中，并在对话计算（比如 Cortana）、自然语言处理（SwfitKey）等方面取得进展。企业正深入打造基于 GPU 和 FPGA 云（Azure），在企业所谓更高水平人工智能服务，比如语音识别、图片识别和自然语言处理当中，为机器学习提供动力和速度。为何关键？两个单词：人工智能大众化（democratizing AI）。因为这个行业中企业将研究计划甚至库开放给人工智能研究小区，微软发明了这一表述，用来解释很多领先人工智能创新者举动。去年，微软在人工智能领域颇为活跃，正式公布了产品和研究计划，并宣告了一个新人工智能和研究小组（ 年 9 月下旬）。微软 FPGA 表现突出了人工智能能够为一般商业或个人带来什么；不到十分之一秒，它就翻译完了整个维基百科（30 亿个单词和 500 万条条款）。而且伴伴随虚拟助理 Cortana, Siri, Alexa 和其它助理之间竞争，深入将人工智能研发融入广泛使用产品中去，经过产品进步吸引用户似乎是必需。Facebook 在做什么？Facebook 人工智能研究部门（FAIR， 年）策略是在更广泛研究小区背景下研发技术。这个团体以推进无监督表征学习（比如，观察世界、而不是借助人类算法干预，借助对抗网络进行学习）进步而为众人所知。应用机器学习部门（AML）在 FAIR 以后成立，聚焦将研究应用到企业产品中，时间限制为月或季度（而不是年）。企业正将机器学习功效应用到多种垂直领域中，比如面部识别，机器翻译和深度文本（DeepText）语言或文本学习。为何关键？企业已经公布了多个无监督学习方面研究结果，伴随机器学习超越从正确答案中学习，开始聚焦独立模式识别，无监督学习已经成为一个关键焦点领域。无监督学习有望去除更多、和大数据相关人类成份，企业在 Yann Lecun 率领下，正引领该领域研究。今年五月，企业公布 FBLearner FLow 合理化了端到端 UI（从研究到工作步骤、试验管理和视觉化和比较输出）。企业人工智能项目和工作步骤应用不限于 AML 组员，企业各部门领域全部能够使用借鉴。这么一来，企业就能够利用研究部门之外所取得人工智能进步。Salesforce 在做什么？在 年和 年，Salesforce 开始解释自己 Apex 开发平台怎样可被用在 Salesforce1 云上完成机器学习任务。以后，该企业开始在人工智能上投入更多资源，收购了多家人工智能企业，包含 Minhash、PredictionIO 和 MetaMind。在 9 月份，Salesforce 推出了 Einstein一个面向多平台基于人工智能云计划。该计划专注于将人工智能融入销售云、市场云、服务云、小区云、IoT 云和 app 云。为何关键？Salesforce Einstein 有潜力促进商业使用数据方法。在销售云中，该企业期望让各个组织经过估计销售线索得分、洞见机会和自动捕捉活动来优化销售机遇。市场和服务云将提供估计参与度得分，来分析消费者使用情况。还能提供估计用户，从而帮助定位市场，并基于趋势和用户历史经过自动案例分类愈加快处理消费者服务事件。Salesforce 用微妙使用案例将机器学习带到云中，强调它对企业关键竞争力影响。英伟达在做什么？英伟达已经从之前电子游戏 GPU 生产商转型为机器学习应用硬件厂商。 年年底，企业表示，较之使用传统 CPU，使用了 GPU 神经网络训练速度提升了 10 到 20 倍。尽管英特尔重金投入 FPGA（作为 GPU 替换产品）加入硬件市场角逐，不过，GPU 机器学习应用能实现愈加密集训练。相对而言，FPGA 能够提供愈加快、计算密集程度更低推理和任务；这说明市场会依据实际应用案例区分对待。过去五年，到 年 6 月为止，英伟达所占 GPU 市场份额已经从二分之一上升到近四分之三。为何关键？在人工智能创新企业和学术机构中，GPU 加速深度学习一直是很多项目标前沿。英伟达所占据市场份额意味着，伴随人工智能越来越成为未来几年中大型商务中心议题，企业能够从中获益。使用企业产品一个例子，俄罗斯 NTechLab，使用 GPU 加速深度学习框架来训练面部识别模型，识别密集集会中个人，并在 AWS 中利用这些 GPU 进行推理。作为一个选择，很多大学也使用英伟达 Tesla 加速器来模拟可能抗体突变，这种变异可能会击败进化中伊波拉病毒，未来研究会深入关注流感病毒。英特尔在做什么？英特尔战略比较独特，其使用案例多个多样。 年年中，企业公布了第二代 Xeon Phi 产品系列，以其高性能计算（HPC）能力著称，它能够让人工智能扩展到愈加大型服务器网络和云端。在硬件不停进步同时，企业也下重金投资 FPGA，这关键归功于其推理速度和灵活可编程性。英特尔令人瞩目标收购包含 Nervana（深度学习），和 Altera该企业将 FPGA 创新带入了英特尔。为何关键？英特尔关注 FPGA 创新补足了英伟达对 GPU 关注。当处理大型数据库（微软等很多大企业用来测试大数据分析边界），FPGA 能够提供愈加紧速推理速度。在物联网应用环境中，企业也宣告了一个计划，意在将学习技术融入可穿戴微芯片中（显然是经过 Xeon Quark）。物联网和人工智能衔接有利于为企业和个人日常使用案例数据搜集机制提供机器学习处理方案。Uber 在做什么？Uber 正在使用机器学习优化 UberX ETA 和接送地点正确性。为了实现这一点，需要数百万之前搭乘统计数据点来探测常规交通模式，从而能够对应调整 ETA/接送地点。今年 9 月，Uber 展开了一个自动驾驶试点项目，地点在匹兹堡，由来自 CMU 研究人员（受雇于 Uber）负责该项目，很多大型汽车制造商业参与了进来。该企业还和沃尔沃达成了一项合作（金额 300 万美元），研发协作也为这个试点项目提供了机遇。不过，企业并不止步于小轿车。企业收购了一家自动卡车创业企业 Otto，今年十月在科罗拉多，企业试点快递了 5 万瓶啤酒。为何关键？Uber 机器学习责任人 Danny Lange 在接收 GeekWire 采访中提及，她们团体正在将这种技术无缝供给企业其它团体，这些团体无需含有机器学习背景就能够使用 APIs。这也能让企业不一样部门能高效利用机器学习基础架构，比如，UberX、UberPool、UberEats 和自动驾驶工具全部使用到了企业人工智能技术。IBM 在做什么？IBM 在全球有 3000 多名研究人员。过去十年，IBM 在认知计算上超出有 1400 项专利，下一代云上有 1200 项，在硅/纳米科学上有 7200 项专利。IBM Watson 利用自然语言处理机器学习技术识别模式，并提供在非结构数据上洞见，据该企业表示这代表现在全部数据 80%。其它 Watson 产品包含 Virtual Agent，一个响应分析自动消费者服务体验；Explorer，这是一个分析并连接大量不一样数据集工具。为何关键？IBM 一直是该领域先驱，有着极大成就，包含上世纪 90 年代 DeepBlue 和 年 Watson。Watson 应用包含医疗中病人诊疗分析，基于 twitter 数据股票推荐，零售中消费者行为分析，和对抗网络安全威胁。据财富报道，GM 将 Watson 加入到了汽车中，在 OnStar 系统上结合了 Watson 能力。baidu在做什么？baidu人工智能研究由baidu大脑所推进。它包含 3 个元素：1）一个模拟人类神经网络人工智能算法，有着在百十亿样本上训练大量参数；2）能在数十万台服务器和大量 GPU 集群上进行高性能计算（HPC）运算能力。HPC 能容纳更多可扩展深度学习算法。baidu是首家宣告这种架构企业，并正和 UCLA 合作；3）标识数据，借此技术，baidu搜集到了数以亿计网页，包含百亿视频/音频/图像内容碎片，还有数十亿搜索请求和百亿定位要求。为特定模型训练一台机器可能需要很高（exaFLOPS 级）计算能力和 4T 数据。为何关键？人工智能正在改善baidu全线产品用户体验和提升用户粘性，也在推进针对每一用户定制化高质量内容。建立一个内部平台来运行从网页搜索到广告投放带有标签数据深度学习试验，能够估计点击率（CTR），这会直接影响baidu广告投放，所以也是它们现在关键收益。另外，基于人工智能技术也能带来更高 CTR，而且每点击成本降低也能促进变现。