长石资本袁皓:人工智能,风口?疯口?
2016-12-25 11:02 人工智能

就像几年前的O2O、P2P、共享经济的创投浪潮一般,AI是不是一个引领未来趋势的风口,还是只是一个烧钱走火入魔的“疯口”?

本文由长石资本LongCapital(微信ID:LongCapital-)授权i黑马发布,作者袁皓。

人工智能可以说是VC界今年以来除了自行车(摩拜、OFO等)外最火的投资主题了,作为风险投资人如果不在自家的基金投资策略矩阵上放一个人工智能投资方向,你都不好意思说自己是做VC的。特别是,自今年3月份,Alphago战胜韩国围棋高手李世石的世纪之战开始,很多投资者及创业者的目光都聚焦于人工智能这一块,资本跑马圈地,创业BP一言不合必称AI+,不时冒出机器学习、深度学习等炫酷名词。

就像几年前的O2O、P2P、共享经济的创投浪潮一般,AI是不是一个引领未来趋势的风口,还是只是一个烧钱走火入魔的“疯口”?

人工智能爆发的原因

熟悉人工智能发展历史的同学都知道,这已经是人工智能的第三次高潮,第一波高潮是源于1956年的达特茅斯会议,人工智能概念初出茅庐就得到各界的吹捧,然而,人工智能并不如人们所想象的那样乐观,1970年左右研究就陷入缓慢的泥沼,热情消退。

80年代,崛起的日本提出雄心勃勃的“人工智能电脑”计划,该计划随着1987年Lisp机器商业化的失败,AI再次进入低迷期,人们意识到人工智能的问题不仅仅是硬件,更多的是软件及算法层面得不到突破。

第三次的浪潮基本上源于90年代,由于摩尔定律所到来的产业变革,人工智能得到长足发展,代表性事件如1997年IBM的深蓝在国际象棋比赛中战胜世界冠军卡斯帕罗夫,Geoff Hinton在2006年发现了训练高层神经网络的有效算法,并且在2012年的ImageNet评测领域大大突破了以前的算法。

深度学习算法的应用使得语音识别、图像识别、取得长足进步,围绕语音、图像、机器人、自动驾驶等人工智能技术的创新企业大量涌现。

如果我们深层次去探究这次人工智能浪潮的原因,可以归为于以下几个变量:

云计算云计算技术的这些年已经发展成熟为大众化的服务平台,无论是IAAS、PAAS还是SAAS,它们所提供的基础技术平台为人工智能技术的实现和应用落地提供了强大的后台保障。云计算降低了IT资源使用门槛,为数据集中化创造了基础,极大地促进了大数据产业的发展。

大数据大数据是智能的基础和土壤,没有数据就没有智能,所有的智能都是建立在数据的基础上,移动互联网及物联网的普及使得大数据这今年的的迅猛发展,从而也助推了人工智能的长足进步,这是因为人工智能技术使用统计模型来进行数据的概率推算,只有把这些模型经过大数据海洋中的不断优化或者“训练”,深度学习算法输出的结果才能更为准确。

从市场规模来看,全球大数据总量仍出资不断扩大,2015年数据总量达到8ZB(1ZB=1万亿GB),2020年将达到44ZB,今后的5年预计仍将维持CAGR141%的高增长。

GPU及计算能力这几年计算能力的指数级增长、成本急剧下滑是人工智能得以迅速发展的前提,而GPU的崛起则是一大重要突破点,GPU图像核心处理器是吴恩达团队于2009年发现的,GPU芯片相比于CPU拥有更多的计算单元,GPU实现了并行计算架构,可一次执行多个指令,从而可以迅速解决计算问题。

同时微软及Intel也在力推FPGA(现场可编程逻辑门阵列), 相对于GPU来说,FGPA在峰值处理上较弱,但架构灵活性方面更为突出,尤其在处理小计算量大批次的运算时也更有效率些,FGPAs主要来自一家名为Altera的公司,由于错过GPU,Intel不惜以167亿美金的代价豪赌将Alter收入囊中。

Nvidia’s GPU (GTX 1080) 只需花8美分即可处理1GFLOPS(每个GFLOPS等同于每秒10亿次的浮点计算),而在10年前完成同样运算量需要100美金。

深度学习算法,2006年Hinton提出“深度学习”神经网络是人工智能的重大突破,学术上对神经网络有区分为DNN(深度神经网络),CNN(卷积神经网络)、RNN(递归神经网络),CNN最初用来处理图像,RNN最早用来处理语音,在实际应用中,CNN、RNN等并不是独立使用,需要与不同算法及策略相结合,Alphago即是结合了增强深度学习和相关搜索的综合。深度学习的发展大大加速了人工智能的发展。

(注:深度学习过于学术,希望深度了解的同学可自行搜索公开课脑补,斯坦福大学公开课:机器学习课程,由大牛AndrewNg主讲;斯坦福的公开课:卷积神经网络CNN,由大牛李飞飞教授主讲;)

人才:AI的爆发离不开顶尖的科学家,需要有能力部署人工智能技术并且使之产品化的资深工程师,让我们先看看深度学习的四剑客;

Geoff Hinton,多伦多大学的特聘教授,Google AI团队领军人,Hinton是将BP算法应用到神经网络与深度学习的主导者。

Yann LeCun,纽约大学终身教授,Facebook AI实验室负责人,LeCun最负盛名的是在CNN(卷积神经网络)领域的杰出贡献。

Youshua Benqio,蒙特利尔大学终身教授,CIFAR项目负责人,Bengio的主要贡献在于他对RNN领域研究的推动,现任ElonMusk主导的Open AI首席顾问。

Andrew Ng,斯坦福大学教授,曾就职于谷歌,现任百度首席科学家。Coursera的联合创始人,在人工智能特别是在工程领域国际上最权威的学者之一。

人工智能的市场格局及发展态势

人工智能还能目前还是国内外科技巨头为主,国外以Google、Facebook、IBM、Microsoft、Amazon、Intel等为主,国内以BAT及语音巨头科大讯飞为主。

我们一般把人工智能的产业链,分为“基础层-技术层-应用层”,

基础层多为数据源、计算平台、芯片及传感器等人工智能运营的基础设施;数据工厂提供海量信息并通过数据挖掘及搜索算法进行分类与关联,提供给机器学习,GPU并行计算及高性能计算机芯片构成超级运算平台。目前基础层多为IBM、Intel、Google等巨头公司的主战场;

技术层依托基础层的运算平台及数据源进行机器学习建模,开发面向不同领域的应用技术,包含感知智能和认知智能两个阶段。感知智能包括语音识别、图形识别、生物识别及自然语言处理等;认知智能主要是利用深度学习等类人脑进行预测、判定等,技术层有大量创业公司,像视觉识别领域的Megvii、Sensetime、格灵深瞳、依图科技等,自然语言处理领域有云知声、思必驰等,其中语音识别是目前最为成熟的人工智能技术,目前全球排名靠前的有Nuance、谷歌、苹果,及来自国内的科大讯飞及百度的行业佼佼者。

应用层主要是基于基础层及技术层实现人工智能的各行业的场景化应用,诸如智能硬件、工业及服务机器人、智能驾驶、智能医疗、智能客服、智能投顾、BI、个人助理等。应用层因为技术门槛较低,吸引到众多创业公司的涌入。

人工智能发展条件的成熟同时催生了大量人工智能创业企业。截止2016年11月,Venture Scanner 将1485 家人工智能公司划分为13 个细分行业,包括深度学习/ 机器学习(通用)、深度学习/ 机器学习(应用)、自然语言处理、计算机视觉/ 图像识别(通用)、计算机视觉/ 图像识别(应用)、手势控制、虚拟私人助手、智能机器人、视频内容识别、内容感知计算、语音识别、推荐引擎、语音到语音翻译13 个细分行业。其中深度/机器学习(应用)分类以约436家企业的数量遥遥领先,自然语言处理公司数量232家位列第二

从人工智能的创业公司数量来看,人工智能的创业呈爆发式增长,今年1季度所统计的全球创业数量只是957家,在不到一年的时间里保持了55%的增长。

从融资情况来看,人工智能的投资的资本投入仍保持每年42%的增长,2016年VC投资也达到了创纪录的2.5billion$。

从融资阶段上看,人工智能项目的B轮、C轮的融资情况保持良性增长。

伴随着人工智的技术上的迅猛发展,智能语音、智能图像、自然语言处理等技术的越来越成熟的应用,包括VC资本助推的水涨船高,这或许预示着,一个人工智能投资及创业的黄金时代的到来

世界尽头的地方,是雄狮落泪的地方,是月亮升起的地方,是美梦诞生的地方。

——大卫《人工智能》

未完待续