人工智能是近幾年來最受關注的高科技產業，特別是在2016年，隨著人工智能阿爾發狗大戰韓國圍棋名宿李世石并取得勝利后，人工智能產業的關注度更是大幅提升，許多國家已經把人工智能產業的發展提上了一個戰略高度。
除了當局的重視以外，許多科技行業也積極布局人工智能產業，通過通過巨額的研發投入、組織架構的調整、持續的并購和大量的開源項目，正在打造各自的人工智能生態圈。下文AsiaOTT就給大家盤點全球科技企業中，對于人工智能產業的發展布局。
百度
2014年5月，被稱為“谷歌大腦之父”的AndrewNG(吳恩達)加盟百度，擔任首席科學家，負責百度“百度大腦”計劃。大數據是人工智能的基礎，而作為天然的大數據企業，百度擁有強大的數據獲取能力和數據挖掘能力。2014年7月14日，百度憑借自身的大數據技術14場世界杯比賽的結果預測中取得全中的成績，擊敗了微軟和高盛。2014年9月，百度正式發布整合了大數據、百度地圖LBS的智慧商業平臺，旨在更好在移動互聯網時代為各行業提供大數據解決方案。同時，布局布局語音識別和圖像識別系統;積極推進無人駕駛項目;2016年8月，推出“人工智能解說員”，完成人機同臺解說。
AI技術：語音識別Deep Speech、視覺識別“智能讀圖”、自然語言與智能語義、自動駕駛、深度學習
解決方案：基于智能手機的語音服務系統(度秘)
開發者云平臺： 百度云
產業布局：汽車領域無人駕駛、基于智能手機的各種app應用與插件。
騰訊
AI技術：視覺、智能計算與搜索實驗室
產業布局：智能硬件
阿里巴巴
2016年8月阿里云宣布推出人工智能——ET，ET基于阿里云強大的計算能力，正在多個領域不斷進化，目前已具備智能語音交互、圖像/視頻識別、交通預測、情感分析等技能。
云平臺：(阿里云IaaS，可視化人工智能平臺DTPAI)
產業布局 ：智能家具、物聯網
Amazon
2015年收購具有圖片識別技術的人工智能初創企業Orbeus;曾花重金打造新的線上的網頁服務和倉庫自動化。
云平臺：Amazon Web Services(存儲、計算、模式識別和預測，其中視頻識別API 收購Orbeus)
IBM
IBM Watson由90臺IBM服務器、360個計算機芯片組成，是一個有10臺普通冰箱那么大的計算機系統。它擁有15TB內存、2880個處理器、每秒可進行80萬億次運算。現在已經逐步進化到四個批薩盒大小，性能也提升了240%。Watson存儲了大量圖書、新聞和電影劇本資料、辭海、文選和《世界圖書百科全書》等數百萬份資料。Watson是基于IBM“DeepQA”(深度開放域問答系統工程)技術開發的。DeepQA技術可以讀取數百萬頁文本數據，利用深度自然語言處理技術產生候選答案，根據諸多不同尺度評估那些問題。IBM研發團隊為Watson開發的100多套算法可以在3秒內解析問題，檢索數百萬條信息然后再篩選還原成“答案”輸出成人類語言。
產業布局：IBM公司自2006年開始研發Watson，并在2011年2月的《危險地帶》(Jeopardy!)智力搶答游戲中一戰成名。一開始IBM想把Watson打造為超級Siri，主要還是賣硬件。但是后來轉型為認知商業計算平臺，2011年8月開始應用于醫療領域。
2012年3月，Watson則首次應用于金融領域，花旗集團成為了首位金融客戶。Watson幫助花旗分析用戶的需求，處理金融、經濟和用戶數據以及實現數字銀行的個性化，并幫助金融機構找出行業專家可能忽略的風險、收益以及客戶需求。
硬件：人腦模擬芯片SyNAPSE
SyNAPSE(Systems of Neuromorphic Adaptive Plastic Scalable Electronics，即“自適應塑料可伸縮電子神經形態系統”)芯片，含有100萬個可編程神經元、2.56億個可編程突觸，每消耗一焦耳的能量，可進行460億突觸運算。在進行生物實時運算時，這款芯片的功耗低至70毫瓦(mW)，比現代微處理器功耗低數個數量級。
成立了人工智能研究團隊，并專注于圖像識別領域。收購的初創企業都與人臉識別技術有關，例如Face.com人臉識別網站。在新的Facebook應用中，用戶可以利用人工智能技術自動生成每張照片的說明，可以幫助盲人“聽”到照片。另外;Facebook還收購了一家名為WIT.ai的公司，可以為開發者提供自然語言應用程序接口。
2013年12月，Facebook成立了人工智能實驗室，聘請了卷積神經網絡最負盛名的研究者、紐約大學終身教授Yann LeCun為負責人。Yann LeCun是紐約大學終身教授，是卷積神經網絡領域的重要推動者，而該技術的最主要應用就是圖像識別的自然語言處理，這與Facebook的需求和已經積累的數據類型非常匹配。在Yann LeCun的幫助下，2014年Facebook的DeepFace技術在同行評審報告中被高度肯定，其臉部識別率的準確度達到97%。而他領導的Facebook人工實驗室研發的算法已經可以分析用戶在Facebook的全部行為，從而為用戶挑選出其感興趣的內容。
AI技術：視覺DeepFace技術(收購http：//face.com)、語音識別(收購Mobile technologies)、自然語義(收購Wit.AI)、神經網絡訓練+機器學習
云平臺：開發者平臺Parse、Torch開源深度學習模塊
硬件： Big Sur(基于GPU的用于訓練神經網絡的硬件系統，開源)
產業布局：語音助手Moneypenny、VR生態(收購Oculus Rift、Sourroud360全景攝像機促進內容發展)
Apple
收購了創業公司Gliimpse ，該公司的業務是使用機器人學習技術幫助人們安全地管理和共享個人醫療信息。
AI技術：自然語言(收購Vocal IQ)、收購可視化地圖MapsenseGPS公司 Coherent Navigation
產業布局：汽車領域無人駕駛、SIRI語音助手
Microsoft
與人工智能行程安排服務創業公司 Genee 簽署收購協議，收購后 Genee 將把人工智能技術整合進微軟的 Office 365 中，并在9月1日關停Genee的服務。
AI技術：語音、視覺、自然語言、分布式機器學習
云平臺：Microsoft Azure(存儲、計算、數據庫、live、媒體功能)、分布式機器學習工具包DMTK(自然語言處理，推薦引擎，模式識別，計算機視覺以及預測建模等)、人工智能平臺Project Malmo
產業布局：語言助手(微軟小冰、Cortana小娜、Tay)、VR(Hololens全息眼鏡)
谷歌在一系列人工智能相關的收購中獲益。2013年3月，谷歌以重金收購DNNresearch的方式請到了深度學習技術的發明者Geoffrey Hinton教授。2014年年初，谷歌以4億美元的架構收購了深度學習算法公司——DeepMind，也就是推出AlphaGo項目的公司。該公司創始人哈薩比斯是一位橫跨游戲開發、神經科學和人工智能等多領域的天才人物。
云平臺：TensorFlow數據庫，機器學習的核心是讓機器讀懂數據并基于數據做出決策。當數據規模龐大而又非常復雜時，機器學習可以讓機器變得更聰明。TensorFlow在數據輸入和輸出方面都有驚人的精度和速度，它被確切地定義為人工智能工具。
產業布局：谷歌無人駕駛汽車、基于Android智能手機的各種app應用與插件、智能家居(以收購的NEST為基礎)、VR生態、圖像識別(以收購的Jetpac為基礎)。
驅動人工智能發展的先決條件
物聯網——物聯網提供了計算機感知和控制物理世界的接口和手段，它們負責采集數據、記憶、分析、傳送數據、交互、控制等等。攝像頭和相機記錄了關于世界的大量的圖像和視頻，麥克風記錄語音和聲音，各種傳感器將它們感受到的世界數字化等等。這些傳感器，就如同人類的五官，是智能系統的數據輸入，感知世界的方式。而大量智能設備的出現則進一步加速了傳感器領域的繁榮，這些延伸向真實世界各個領域的觸角是機器感知世界的基礎，而感知則是智能實現的前提之一。
大規模并行計算——人腦中有數百至上千億個神經元，每個神經元都通過成千上萬個突觸與其他神經元相連，形成了非常復雜和龐大的神經網絡，以分布和并發的方式傳遞信號。這種超大規模的并行計算結構使得人腦遠超計算機，成為世界上最強大的信息處理系統。近年來，基于GPU(圖形處理器)的大規模并行計算異軍突起，擁有遠超CPU的并行計算能力。
從處理器的計算方式來看，CPU計算使用基于x86指令集的串行架構，適合盡可能快的完成一個計算任務。而GPU從誕生之初是為了處理3D圖像中的上百萬個像素圖像，擁有更多的內核去處理更多的計算任務。因此GPU天然具備了執行大規模并行計算的能力。云計算的出現、GPU的大規模應用使得集中化的數據計算處理能力變得前所未有的強大。
大數據——根據統計，2015年全球產生的數據總量達到了十年前的20多倍，海量的數據為人工智能的學習和發展提供了非常好的基礎。機器學習是人工智能的基礎，而數據和以往的經驗，就是人工智能學習的書本，以此優化計算機的處理性能。
深度學習算法——最后，這是人工智能進步最重要的條件，也是當前人工智能最先進、應用最廣泛的核心技術，深度神經網絡(深度學習算法)。2006年，Geoffrey Hinton教授發表的論文《A fast learning algorithm for deep belief nets》。他在此文中提出的深層神經網絡逐層訓練的高效算法，讓當時計算條件下的神經網絡模型訓練成為了可能，同時通過深度神經網絡模型得到的優異的實驗結果讓人們開始重新關注人工智能。之后，深度神經網絡模型成為了人工智能領域的重要前沿陣地，深度學習算法模型也經歷了一個快速迭代的周期，Deep Belief Network、Sparse Coding、Recursive Neural Network， Convolutional Neural Network等各種新的算法模型被不斷提出，而其中卷積神經網絡(Convolutional Neural Network，CNN)更是成為圖像識別最炙手可熱的算法模型。
人工智能的四大功能
語音識別——李開復博士當年做的工作奠定了很多當今識別系統的基礎。這里忍不住說一下，Siri本身的技術并沒有特別大的亮點，真正nb的是它的模式(語音識別直接與搜索引擎結合在一起，產品體驗做得好。而且關鍵是這樣的模式能采集到更多數據，使得系統的精度越來越高)
自然語言理解——目前看到的最強的結果應該是IBM Watson。但其實我們現在用的搜索引擎、中文輸入法、機器翻譯(雖然其實還不怎么work)都和自然語言理解相關。這塊兒不是我的專業，請 @段維斯 同學補充。
數據挖掘——隨著近年數據量的瘋狂增長，數據挖掘也有了長足進步。最具有代表性的是前幾年著名的Netflix challenge(Netflix公司公開了自己的用戶評分數據，讓研究者根據這些數據對用戶沒看過的電影預測評分，誰先比現有系統好10%，誰就能贏100萬美元)最后這一比賽成績較好的隊伍，并非是單一的某個特別nb的算法能給出精確的結果，而是把大量刻畫了不同方面的模型混合在一起，進行最終的預測。
計算機視覺——目前越來越多的領域跟視覺有關。大家可能一開始想到的都是自動駕駛。雖然大家都在說googleX的無人車， 但實際上現在無論是商業上，還是技術整合上最成功的算法是Mobile Eye的輔助駕駛系統。這個公司也是目前computer vision領域最掙錢的公司。
從實現新功能方面說，視覺的發展的趨勢主要有兩方面，A) 集成更多的模塊，從問題的各種不同方面，解決同一個問題(比如Mobile Eye，就同時使用了數十種方法，放到一起最終作出決策) B) 使用新的信息，解決一個原來很難的問題。這方面最好的例子是M$的Kinect，這個產品最讓人拍案叫絕的就是那個紅外pattern投影儀。
人工智能的應用領域
自然語言處理(包括語音和語義識別、自動翻譯)、計算機視覺(圖像識別)、知識表示、自動推理(包括規劃和決策)、機器學習和機器人學。按照技術類別來分，可以分成感知輸入和學習與訓練兩種。計算機通過語音識別、圖像識別、讀取知識庫、人機交互、物理傳感等方式，獲得音視頻的感知輸入，然后從大數據中進行學習，得到一個有決策和創造能力的大腦。
人工智能引全球關注，中國順應潮流
對科技的重視，是中國向來的發展戰略。因此，我們可以看到國家不斷在戰略部署上出臺加速人工智能需求的政策。例如，“人工智能”首次出現在“十三五”規劃草案中，智能制造和機器人作為重大工程之一出現在“科技創新-2030項目”中，以及倡導“互聯網+”落實及其核心技術的推廣……可以預見，千億元級的人工智能市場應用規模正在形成。
中國某些人工智能應用已達國際領先水平
中國在圖像及語音識別的基礎之上，即模擬神經網絡的輸入和輸出，并通過大規模的數據進行訓練，再對樣本進行精準分類和預測，從而實現了“計算”之外的“思考”。這便是中國著力研究人工智能所得到的令人欣喜的結果。當然，研發中會遇到瓶頸，同時也是突破口——訓練和建模邏輯的算法，但相信，只要不懈努力，我國定能取得更多更高的科研成就。
國內人工智能研發與應用范圍著力3方面
“人工智能”的概念，是在1956年的美國達特茅斯(Dartmouth)大學召開的學術會議上被提出的。著眼全球，只在短短的60年間，科學技術的積累便使得機器學習、模式識別和人機交互這3個基礎支撐能夠得到較為廣泛的應用。縱觀我國，家庭機器人、工業或企業服務、智能助手3方面，是目前國內智能機器人行業的主要研發范圍。就目前階段而言，家庭服務機器人智能化程度還處于初級水平;以倉儲和物流機器人應用為主的工業/企業場景應用最為廣泛;而在工業機器人市場中，中國所占市場份額約為27%是最大的，市場前景開闊。
從上世紀八九十年代的PC時代，進入到互聯網時代后，給我們帶來的是信息的爆炸和信息載體的去中心化。而網絡信息獲取渠道從PC轉移到移動端后，萬物互聯成為趨勢，但技術的限制導致移動互聯網難以催生出更多的新應用和商業模式。而如今，人工智能已經成為這個時代最激動人心、最值得期待的技術，將成為未來10年乃至更長時間內IT產業發展的焦點。
