高盛99页人工智能重磅报告 史上最全AI产业盘点
导读:人工智能(AI),可以说是科技信息时代的大飞跃,既具备一定的类人逻辑性,又具备强大的计算能力和数据存储能力。虽然,目前业界并不处在一个良好的投资状态,但AI 技术依旧被认为是下一个带来巨大经济效益,提高社会生产力的巨大突破点。 转智东西(微信号:zhidxcom) 编|十四 事实上,在过去的这两年时间里,AI、机器人、自动驾驶等概念已经成为最前沿的文化、政治名词。很多研究认为,我们目前正处于这样一个技术拐点:计算能力更强更快,数据源更丰富,深度学习算法趋于成熟,专业的硬件(芯片)和开源代码逐渐崛起,越来越多的实用性AI应运而生。 本期的智能内参,我们推荐来自高盛的AI产业调研报告,报告详细介绍了AI的技术背景、应用前景和目前的产业竞争局势及产业链地图,如果想收藏本文的报告全文,可以在智东西(公众号:zhidxcom)回复关键词“nc113”下载。 以下为智能内参整理呈现的干货: AI背后的三大推手:数据、芯片、算法 1、移动网络大量普及 数据结构化或爆发 数据可以说是机器学习的关键。分布全球的无所不在的互联设备,包括移动设备、物联网等,使得非结构化的数据大量增长,也就是说,机器学习算法能够用来模拟、训练和测试的数据源更加充足。 仅以特斯拉互联汽车为例,截至目前,特斯拉总行程78000万英里,公司平台额外驱动的互联汽车也行驶了 100万英里。无线运营方面,Verizon8月公布了新的传输标准,使得远程传感器联通云端软件的速度更快。同时,新的5G网络也将促进传输数据,IDC预计截至2020年,年均数据量将达44泽字节(也就是44万亿字节),未来五年复合年增长率将达141%,大数据技术将逐渐渗透实用领域。 与此同时,移动网络建立大规模数据库和云端处理技术的成本也在不断降低。智东西也曾在111期智能内参援引世界经济论坛指出:预计不用三年,将有90%的人拥有被广告商支持的无限的免费数据存储。这是因为,硬盘驱动器的成本持续下降,激励着数据的创造。事实上,近90%的数据是过去两年中创建的。 *IDC调研的数据量增长趋势 2、GPU应用大势 新硬件更适配并行结构 GPU被认为是低成本、高计算能力的处理单元,特别是针对云端服务和新的神经网络结构,它能提高准确性和计算速率。基于GPU的并行结构允许更快的机器学习培训体系,远远优于目前广泛使用的基于CPU的数据架构。此外,通过额外的显卡网络,GPU体系可以加快迭代,实现更为精确的快速培训。 *基于GPU的云运算 芯片浮点能力发展之快可以以NVIDIA GPU(GTX 1080)为例:该芯片性能为9T浮点运算,价值约700美元,也就是每G约8美分。参考1961年的IBM 1620,不考虑浮点运算能力的话,通过串联实现的每G浮点运算需耗9万亿美元。 智东西也曾在102期智能内参中强调GPU的市场前景,并分析市场份额。相比于CPU,GPU 具有数以千计的计算核心,及强大、高效并行计算能力, 可实现 10-100倍应用吞吐量,特别适用于AI 海量训练数据情形。目前深度学习解决方案几乎完全依赖 (NVIDIA的)GPU。 *超级计算机浮点指数增长趋势 *千兆次浮点运算所需成本变化趋势 3、算法不断优化 大公司推动开源 越来越多的算法研究推动着深度学习的实用性,伯克利、谷歌、Facebook也纷纷公开自家的源代码框架,也就是Caffe、TensorFlow和Torch。源代码的开放吸引着越来越多的软件开发者尝试新的算法,不到一年,TensorFlow就以及该形成了一个活络的存储库GitHub,作为目前最大的开发商合作网站。当然,并不是所有的AI都出自于开源框架。 *AI进程时间表 AI产业的三大类布局 从技术更新周期来看,过去50年,计算机在摩尔定律的推动下不断进步,仅仅在系统框架方面,计算能力、存储容量带宽、编程语言转换都有很大的进展。参见90年代技术变革带来的经济繁荣,推动了软件、硬件、网络公司的整改。公共软件公司1995至今市值从2亿美元暴涨到5亿美元,只有2000年左右趋于平缓。显然,AI也有这样的趋势,引领硬件、软件、数据和服务提供商等领域的增长。事实上,谷歌、亚马逊、微软和Salesforce自2014年来就已经完成了17起AI相关的收购。 *2014年以来的AI相关收购项目 *AI风投增长趋势 目前,科技大佬和风投人主要关注的有三个方面:DIY,也就是自主建立自己的人才和数据库,推出新的AI栈,主要玩家包括微软、谷歌、亚马逊和百度;咨询服务,为垂直和特定的领域提供专业的AI咨询,如IBM的沃森;开发服务型AI(AI-aaS),如谷歌图片识别模型。 *人工智能系统框架示意图 *AI栈的演化 1、DIY趋势:云平台和开源 高盛咨询了各大公司和风投机构,总结认为,AI或者机器学习(ML)将被互联网公司大量的使用,这就需要有效数据收集和相关人才稀缺。不过,随着移动互联设备和物联网的普及,数据量越来越多,数据收集变得越来越容易。 目前,AI堆栈与其他前沿技术最大的区别在于,大部分的机器学习严重依赖于开源技术和基于云平台供应商的服务。这是因为,AI和ML需要大量数据支持,并且按需计算。目前,AI主要的基础技术投资都来自于微软、谷歌、亚马逊等云服务提供者,其中,云运算的首选是GPU和FPGA,它们能够进行并行的,快速的数据处理。很多公司都会购买这些开源或者云服务来帮助开拓客户,减少运营成本。 *主要的开源项目