本文来自CB Insights，作者Rita c.Waite；由亿欧编译。

人工智能或将从根本上改变企业在所有领域的运营方式，包括制造业、医疗、IT和运输。在过去十年中，人工智能的发展为企业提供了自动化业务流程，改变了客户体验及差异化产品的服务。

像谷歌和亚马逊这样的人工智能先驱，已经利用这些新技术赢得竞争优势，并且从其AI战略中获得了利益。

虽然企业对AI的利用程度还处于早期阶段，但就目前的AI发展而言，任何企业的高管都会对此进行战略商讨。但重要的是，要对AI及其生态系统有一个具体的了解，以及行业领袖采取何种措施，来增加其竞争优势。

了解人工智能

人工智能是计算机科学的一个分支，旨在创建能够实现智能行为的机器。在AI内部有多种技术和分支，其中机器学习成为发展最快的一项技术。

机器学习算法借鉴的是实例和经验，而不是依赖预定义的规则和算法。机器学习也有许多分支，比如专注于深度神经网络结构的深度学习。

人工智能受益于技术创新和更广泛的专业知识的融合，特别是可负担的云计算基础设施，大型数据集的可用性，以及算法优化的飞跃。

得益于人工智能研究的大量投资，这些技术进步为人工智能创造了一个可持续发展的环境，并继续影响企业和社会的未来。

机器学习有什么特别之处？

最近人工智能的兴起在很大程度上得益于机器学习的进步。这些进步促进了自然语言处理（苹果的Siri和谷歌翻译）、推荐系统（亚马逊的推荐引擎）以及图像识别技术（诊断工具和自主驾驶汽车）的发展。

机器学习大致分为两种学习方法：

• 监督式学习：使用已知的数据集，根据标记的输入和输出数据进行推断。

• 非监督式学习：在已知的数据集中，根据未标记的输出数据进行推断。

目前，在工作中最普遍的方法是监督式学习，而无监督式学习适用于更广泛的应用。在每个学习方法中，有多个算法类别可供选择，其决策取决于问题的类型和预期的结果。

在机器学习工作流中，流程的每个部分都需要特定的专业知识和不同级别的资源。虽然领域专业知识对于工作流的预处理和特征工程部分（是机器学习中另一个需要大量专业人力的环节）很重要，但是训练阶段需要不同的AI专业知识和较少的领域知识。

从基础设施的角度来看，在处理数据时，资源最密集的阶段是模型训练阶段。同样，了解每种方法的利弊以及在构建ML模型时所需解决问题的类型都很重要。

AI堆栈

人工智能堆栈是运行人工智能模型所需的基础设施，包括优化组件、存储、数据处理和分析工具。

• 组件：CPU、GPU、FPGA和专用ASIC是AI堆栈的基本组件。虽然CPU无处不在，但在机器学习的资源密集型训练阶段中，使用的GPU和FPGA促进了深度学习的巨大进步。对于需要较少资源的推理部分来说，传统CPU或超低功耗FPGA或ASIC是最常见的工具。

• 计算：公共云供应商为人工智能量身定制解决方案。云计算选项的可用性使任何企业、SMB或小团队能够在一个可承受的价格点运行AI模型。

• 存储：在机器学习中需要大量的数据，特别是在特征工程阶段，且数据存储至关重要。Hadoop集群（伪分布式运行模式）和云对象存储的出现，大大提高了支持人工智能用例的数据存储能力。

AI堆栈依赖于公共云供应商和开放源码项目提供的服务。云巨头——如谷歌、亚马逊、Facebook、微软和百度——的投资，推动了从拥有堆栈的专有厂商转变为提供AI服务。

开放源代码作为公认的标准，在整个人工智能生态系统中促进了更快速的发展。谷歌的开放源码的TensorFlow库对其进行了验证，它可以让任何一个对机器学习有兴趣的人来开发模型，而不必从头开始构建库和算法。

AI生态系统

在过去的十年，AI走出了研究机构，成为世界上一些先进科技公司的前沿技术。这些公司将AI嵌入其核心产品和服务，加速技术进步和人才发展，以及扩大在AI生态系统中的投资。

• 亚马逊正在利用AI改进个性化推荐和优化库存管理。在亚马逊致股东的年度信件中，首席执行官杰夫?贝佐斯（Jeff Bezos）讨论了采用AI的重要性，从而更快地交付产品、提升现有产品、并通过云计算部门创建新工具。

• 谷歌使用自己的DeepMind技术来管理数据中心，并将冷却成本降低40%。该公司的AI-First专注于利用AI进行搜索优化、自动驾驶汽车及众多其他投资组合解决方案。

• Facebook致力于打造AI的基础技术。其研究小组FAIR是神经网络突破的顶级研发者之一。

• 微软已经创建了一个AI业务部门，拥有超过5000名计算机科学家和工程师，专注于将AI应用到其产品中。

• 英特尔正在更新其服务器，以应对处理和训练AI系统所需的额外计算要求。为了做到这一点，该公司已经将其AI业务交由Nervana前CEO Naveen Rao所领导（Nervana是一家深度学习创业公司，于2016年被英特尔收购）。

• 百度在人工智能领域投入巨资，开发图像识别技术，推进自主驾驶和数字助理，并开发增强现实工具。

AI人才短缺仍然是一个问题。据麦肯锡数据显示，70%的AI投资来自大型科技公司的内部研发投入。我们可以看到很多云巨头从学术界聘请AI人才来领导其AI研发工作。约有80%-90%的AI人才被世界上的科技巨头纳入麾下。

对人才的激烈竞争也掀起了对AI公司收购的热潮。据CB Insights整理，仅在2017年就有55家不同领域的AI私人公司被收购。谷歌、苹果、Facebook、英特尔、微软和亚马逊在AI并购方面表现得十分活跃，其大部分并购针对其核心的AI技术，比如图像识别和自然语言处理。

在这些技术供应商的带领下，AI已经迎来了其早期的赢家，并在这一过程中创造了一个基于AI技术和工具的生态系统。2017年，650多起交易活动创下了65亿美元的交易记录，远超2016年近1000笔交易的57亿美元的交易记录。

AI公司专注的领域不断扩展，从最初的AI核心技术到为特定行业提供AI解决方案。在投资方面，AI最大的细分领域一直是网络安全和横向解决方案，其次是商业智能和IoT创业公司。

企业如何打开AI大门

在评估如何部署或建立AI工具时，企业应同时分析其最高价值用例，并建立强有力的支撑体系和人才基础。

任何AI工作都会依赖于三个主要的构建区块：数据、基础设施和人才。

• 数据驱动观察，但需要访问大型数据集。机器学习的有效性往往与现有数据的数量密切相关。在这个阶段，获取大量的数据需要从ML工具中获取价值。

• 基础设施，无论是软件还是硬件，都必须到位，才能有效地运行机器学习模型。云服务提供商都做已经好准备将其产品扩展到AI基础设施，并提供可以与开源软件结合使用的解决方案。对一些公司而言，将训练数据转移到云端太昂贵或根本实现不了。但大量的技术能力还是必要的，有时也会需要GPU、FPGA或ASIC硬件加速器。

• AI人才在有效利用机器学习方面至关重要。虽然并不是每个公司都会建立其内部的AI组织，但吸纳经验丰富的数据科学家是发挥AI价值的关键。机器学习是一个需要专业知识的难题。

将AI应用于其核心产品和服务，用以实现竞争的差异化。基于内部的专业知识，公司将能够建立一个促进AI发展的强大基础设施。

在许多情况下，实施一项战略需要大量的资本投入。如果不能构建自己的内部解决方案，那么可以采用第三方工具作为合适的替代方案。对于那些无法通过AI来实现差异化的公司，可以逐步改进并实现其自动化运营。运营效率也是一项竞争优势。

并非每家公司都享有相同的优先级。虽然有些人可能会找到一种自动化的客户服务解决方案来发挥其业务价值，但可能另外一些人会找到对库存管理更智能化预测的解决方案。鼓励团队分析和探索在部门内采用AI工具的好处，将有助于了解AI在哪些地方会产生最大的影响。

结论

AI不再仅仅是学术机构或实验室的理论研究；相反，它是一项会改变社会，带来创新的基础技术。对大公司而言，这可能是一项令人不安的变化。然而，技术的易获取性与活跃的生态系统的融合表明，企业比任何时候都能更快地参与到这种新的创新浪潮中。