以下為文章核心要點：

近幾年人工智能風口再起，實際上是技術發展、數據沉淀以及場景延展等多個因素，厚積薄發的結果。

人工智能商業化變現困難的根本原因，仍是底層研究的制約下難以規模化落地的現實。

新基建的加持，對于人工智能底層研究的投入、應用場景的拓展等將大有裨益。

能讓馬云、馬化騰、李彥宏等業界大佬共同看好的方向，除了人工智能，可能很難找到第二個。

在7月9日舉行的2020世界人工智能大會云端峰會上，“三馬”（馬云、馬化騰、馬斯克）、“二宏”（李彥宏、張文宏）少見地隔空同臺。此外，還有包括七位圖靈獎得主、一位諾貝爾獎得主在內的550多位業界、學術界嘉賓匯聚一堂。

大會上，以聯合國數字合作高級別小組聯合主席的身份出席的馬云，就疫情期間社會經歷的大動蕩發表了自己的感悟，他認為，世界已經巨變，技術變革提前并且加速，與其擔憂，不如擔當，“為活下去而做的創新才是真正最強大和不可阻擋的動力”。

馬云有此感嘆，一定程度上是因為在疫情危機中，依賴人力、線下運轉的傳統行業遭受極大沖擊，以人工智能為代表的新興科技彰顯出其重要性與必須性。例如，復旦大學附屬華山醫院感染科主任張文宏提到，“從人工智能參與到抗疫物資調配的時候，我們就意識到將來人工智能具有非常強大的物資調配能力”。

人工智能的意義已不止于經濟層面，它也是抵御大自然不可抗力、維持社會健康穩定發展的依仗，基于這一邏輯，政策已率先做出反應。

在今年2月，工業和信息化部科技司發布了《充分發揮人工智能賦能效用 協力抗擊新型冠狀病毒感染的肺炎疫情倡議書》，倡議通過科技力量支撐疫情防控。隨后，“新基建”政策落實，人工智能被列為七大領域之一。

隨著底層技術的進步，與計算能力、大數據、場景等人工智能成長土壤的逐漸成熟，人工智能正處于平臺化、產業化之前的關鍵節點。

疫情催化及政策推動下，人工智能的發展被按下加速鍵：僅在大會上，就誕生了8個人工智能產業投資基金項目，36個人工智能產業項目，簽約投資總額超過300億元。

而在新基建的東風下，人工智能又會帶來哪些機遇？

一局圍棋

在未來關于人類歷史的講述中，一定會有這樣一個篇章。

2016年3月，谷歌旗下DeepMind公司開發的人工智能機器人AlphaGo與圍棋職業九段棋手李世石進行圍棋人機大戰，此時，大眾對誰贏誰輸的預測還有很大分歧，最終AlphaGo以4比1的總比分獲勝。

這樣一場比賽，將人工智能這樣一個更多存在于科幻電影、小說中的概念實體化，也將人類一直以來的自信與驕傲擊破，證明了人工智能可以達到比肩，甚至超越人類的高度——這甚至引發了一些恐慌。但在當時，中國選手柯潔仍認為“AlphaGo能贏李世石，但是贏不了我”。

僅一年之后，AlphaGo再次突飛猛進，大眾已經一邊倒地做出了人類必敗的判斷，最終AlphaGo以3:0的戰績擊敗了幾乎代表著人類圍棋最高水準的柯潔。

第三局比賽中，柯潔甚至中途離場20分鐘痛哭，連坐在十幾米之外的觀眾都能聽見他隱忍但清晰的哭聲。“我感到渾身都在顫抖，真的，寒冷地顫抖。”后來柯潔這樣描述自己的狀態。

柯潔承認，他的失態是因為覺得機器下得太完美。

值得指出的是，人工智能從誕生到打敗世界圍棋冠軍，只經過了六十余年的發展。

1950年，一位名叫馬文·明斯基的大四學生，與同學一起建造了世界上第一臺神經網絡計算機，這也被看做是人工智能的一個起點。而馬文·明斯基在后來也被譽為“人工智能之父”。

同年，“計算機之父”阿蘭·圖靈提出設想：如果一臺機器能夠與人類開展對話而不能被辨別出機器身份，那么這臺機器就具有智能。直到1956年，計算機專家約翰·麥卡錫才提出“人工智能”一詞，被人們看做是人工智能正式誕生的標志。

隨后，由于技術難度高、進展慢，人工智能的發展反復經歷著高潮與低谷。在1987 年，由于通用計算機 Lisp Machine在商業上的失敗，人工智能再次滑入了低迷期，行業人士開始意識到人工智能的問題不在于硬件，而是在軟件以及算法層面的挑戰沒有突破。

長久以來，對人工智能的探討一直局限在研發圈層中，一直到AlphaGo出世，橫掃人類圍棋界，才一舉將人工智能推向了社會話題中心，自此之后，人工智能概念始終炙手可熱。

人工智能之所以會在2017年的時點上爆發，本質上是得益于發展土壤的逐漸成熟，馬化騰曾在演講中提到，發展人工智能，場景、大數據、計算能力和人才缺一不可。

在計算能力方面，深度學習技術是人工智能發展歷史上的一個重要突破。2006年，現任職于Google Brain的技術專家 Geoffrey Hinton帶領團隊發現了訓練高層神經網絡的有效算法，2012年，Geoffrey Hinton團隊在ImageNet上首次使用深度學習技術完勝其它團隊。

Geoffrey Hinton在ImageNet 2012上的成功讓科學家開始更多的關注模型與算法的創新突破，以彌補訓練中數據的不足，從而帶來算法上的快速迭代：以圖形計算為代表的GPU在計算機視覺訓練中替代原來的CPU，大大提升了計算性能，讓原來需要幾個月才能完成的訓練縮短到幾天或幾個小時，加快了計算機視覺前期訓練和推理的迭代周期，帶來效率上的成倍提升。

大數據則是人工智能的燃料，隨著互聯網浪潮從PC時代過渡到移動時代，人類生活逐漸被智能終端所綁定，每日可產生的數據量出現指數級的增長，且數據維度更加豐富，大數據技術逐漸精進。而大數據技術能夠通過數據采集、預處理、存儲及管理、分析及挖掘等方式，從各種各樣類型的海量數據中，快速獲得有價值信息，為深度學習等人工智能算法提供堅實的素材基礎。

另一方面，隨著社會經濟形態與產業形態發展，人工智能有了更多的落地場景，如醫療、安防、交通等，這是承載人工智能發展的介質。

因此，近幾年人工智能風口再起，實際上是技術發展、數據沉淀以及場景延展等多個因素，厚積薄發，引發了一場席卷全球的AI創投熱潮。

迷霧尚未消散

在探討人工智能的前景之前，有必要先厘清人工智能的基本架構。對人工智能的探討可以分為兩條主線：一是學術視角的底層研究，二是產業視角。

高校是培養人工智能人才、執行人工智能技術研究的主陣地，在美國，人工智能方面科研實力最強的高校有麻省理工學院、卡內基梅隆大學、斯坦福大學等。其中，卡內基梅隆大學在2018年開設了美國首個人工智能本科學位，加大對人工智能領域人才培養的投入。

中國高校也在近兩年間不斷推進人工智能教育，數據顯示，截至2018年底，有94所擁有人工智能二級學院的中國大學，相比2017年增加了21所，其中，清華大學、浙江大學、上海交通大學、哈爾濱工業大學、華中科技大學、中國科學技術大學、中科院各研究所等是人工智能底層研究的主力軍。

高校開展的人工智能研究更多是由國家撥款支持的，此外，也有不少大型科技公司出資成立研究院，從事人工智能底層技術研究。

谷歌一直以來都將人工智能作為主要戰略方向之一，它在2011年時就推出了聚焦深度學習的Google Brain項目，并在2014年1月斥資4億美元收購一家名為Deep Mind的人工智能公司，正是這家公司在三年后推出AlphaGo，掀起人工智能風潮。

據咨詢公司麥肯錫報告顯示，包括谷歌在內的科技巨頭，2016年在人工智能上的投入在200億至300億美元之間，其中10%用于人工智能收購，90%用于研發和部署。

2017年，AlphaGo引爆人工智能概念之后，美國科技巨頭對人工智能的投入進一步加大。該年的Google I/O 開發者大會上，谷歌確立了從mobile-first到AI-first的根本戰略轉變，同年，微軟宣布計劃建立百人規模的微軟AI研究院。一年后，谷歌又將谷歌研究院（Google Research）改名為谷歌人工智能（Google AI），將人工智能放在最高戰略地位上。

國內科技公司對人工智能底層技術的研究稍晚一步，但在近幾年也發展迅速。

較早在AI研究上進行投入的是百度，2014年，百度成立硅谷人工智能實驗室，由斯坦福大學計算機科學系和電子工程系副教授吳恩達領航。吳恩達同時也是Google Brain的主創成員之一，是人工智能領域公認的領軍人物。同年，百度還啟動了“少帥計劃”，提供百萬年薪，針對30歲以下的人工智能領域優秀人才進行甄選和培養。

2016年4月，騰訊成立AI Lab（騰訊人工智能實驗室），致力于人工智能基礎科學的開放研究，以及應用領域的深入探索，做到“學術有影響，工業有產出”。隨后，張潼、賈佳亞、俞棟等學界大牛陸續加入。

在2017年杭州阿里云棲大會上，阿里巴巴在面向未來技術創新方面投入千億資金，成立了探索人類未來科技研究院“達摩院”。

達摩院研究方向

此外，華為等國內科技巨頭，也在人工智能底層研究上有所投入，包括建立研究院，與各大高校共同開設相關課程等。

無論是成立研究院、實驗室還是達摩院，雖然各家研究方向存在細微差別，但BAT都試圖表現投入人工智能底層研究的態度。只是相關設想在實踐中遇到挑戰，如今，百度人工智能實驗室遭遇大換血，吳恩達早已離職創業，少帥計劃也無疾而終；騰訊Lab經歷調整，張潼、賈佳亞相繼離開；達摩院的投入重點在往產業層面靠攏。

在產業界探索研究人工智能底層技術遭遇挫折的同時，在產業層面，人工智能在波折中前進。

目前，全球人工智能產業的生態系統正逐步成型。依據產業鏈上下游關系，可以將人工智能劃分為基礎支持層、中間技術層和下游應用層。

基礎層是人工智能產業的基礎，主要包括了芯片、傳感器、大數據和云計算等基礎能力。

我國人工智能行業發展追求速度，資金投向追捧易于變現的終端應用。研發周期長、資金投入大、 見效慢的基礎層創新被市場忽略，但是人工智能的發展根源于基礎層（算法、芯片等），長期來看看，人工智能的行業研究有所突破還是要依賴基礎層研究。

技術層是人工智能產業的核心， 主要以模擬人的智能相關特征為出發點，將基礎能力轉化成人工智能技術。如計算機視覺、智能語音、自然語言處理（NLP）、人機交互等應用算法研發。其中，技術層能力可以廣泛應用到多個不同的應用領域。

計算機視覺是實現工業自動化和智能化的關鍵核心技術，其對于人工智能的意義，正如眼睛之于人類的意義，幫助機器“看懂”這個世界。本質上，機器視覺通過使用光學系統、工業數字相機和圖像處理工具，來模擬人的視覺能力，并做出相應的決策。

而NLP則是幫助人工智能“理解”人類語言，這是人工智能、計算機科學、信息工程的交叉領域，涉及統計學、語言學等的知識。人類語言充滿了負責性和模糊性，NLP也是人工智能領域最為困難的問題之一，但一旦攻破，就達到了機器智能化的最高境界，因此NLP也被譽為是“人工智能皇冠上的明珠”。

語音識別的技術難度相對更低，它只要求人工智能“聽懂”語言，而不要求其“理解”語義。語音識別技術現在已相對成熟，國內的科大訊飛就是這一細分賽道中的代表企業。

自動駕駛是人工智能技術的另一個大方向，它涉及視覺計算、雷達、監控裝置和全球定位系統的協同合作，技術體系更為復雜。

現階段，對自動駕駛的研究主要還停留在L3級別，但在日前的人工智能大會上，馬斯克透露：“目前最新的特斯拉純電動車已經十分接近L5級自動駕駛，今年將完成其基本功能。”

近年來，我國技術層圍繞垂直領域重點研發，在計算機視覺、語音識別等領域技術成熟，國內的頭部企業競爭優勢明顯。但是具體來看，在算法理論和開發平臺領域，尚且缺乏積累和經驗，百度的PaddlePaddle、 騰訊的Angle 等國內企業打造的開放平臺尚無法與國際主流產品競爭。

應用層作為人工智能產業的延伸，將技術應用到具體行業，涵蓋制造、交通、金融、醫療等 18 個領域，其中醫療、交通、制造等領域的人工智能應用開發受到廣泛關注。

當前，應用層以底層技術能力為主導，切入不同場景和應用，提供產品和解決方案。受益于計算機視覺、圖像識別、自然語言處理等技術的快速發展，人工智能已廣泛地滲透和應用于諸多垂直領域，產品形式也趨向多樣化。

目前，應用層是人工智能產業鏈中市場規模最大的層級。據中國電子學會統計，2019 年，全球應用層產業規模將達到 360.5 億元，是基礎層的 2.53 倍。在全球范圍內，人工智能仍處在產業化和市場化的探索階段，落地場景的豐富度、用戶需求等有待提高，國際上尚未出現擁有絕對主導權的壟斷企業，在很多細分領域的市場競爭格局尚未定型。

盡管人工智能近年來發展迅速，但從整體來看，雖然有AlphaGo大敗人類圍棋手的里程碑事件在前，人工智能的發展其實還并不成熟。

李彥宏將人工智能的發展分為了三個階段——技術智能化階段、經濟智能化階段以及社會智能化階段三個階段。其中第二階段又分為上下兩個階段，在前半段，人工智能的發展主要圍繞通用能力的開發和作為一種資源的AI能力的平臺化。在后半段，人工智能開始全面的產業化，行業應用與商業化全面普及。

當下，我們正處于從經濟智能化的前半段向后半段過渡的時期，人工智能已經證明或者初步證明了其對所在行業的顛覆和重構潛能。

“目前人工智能所處的階段是一個容易產生迷茫甚至悲觀的階段，這是大多數顛覆性技術在加速普及之前必經的階段。當迷霧消散時，一個經濟和社會全面互聯網化的時代就開始了。”李彥宏說。

漫漫長路

針對人工智能的幾個主要應用方向，國內科技巨頭們都有不同布局，在細分賽道，也有優秀的獨角獸冒頭。

如在計算機視覺方向，就誕生了有“AI四小龍”之稱的商湯、曠視、依圖、云從四家代表企業。

人工智能的主要落地場景，如安防、交通、醫療等，都需要建立在視覺智能化的基礎上，這也是AI四小龍的主要業務方向。因為涵蓋范圍廣，商業潛力大，AI四小龍誕生之后一度受到資本熱捧，根據胡潤研究院發布的《2019胡潤全球獨角獸榜》，四家企業估值都已超百億人民幣，其中商湯估值達到了400億元人民幣。

商湯因融資規模巨大，甚至有“融資機器”之稱，其投資方中，還包括了阿里巴巴等科技巨頭。

得益于技術紅利的推動，除計算機視覺方向外，各技術細分領域也都誕生了大小不一的獨角獸，如NLP方向的追一科技、驀然認知、竹間科技；智能駕駛方向的圖森未來等。

與創業公司相比，巨頭在人工智能層面的布局野心更大，涵蓋的方向更廣，且多與主業相結合。

如阿里巴巴在2017年成立的達摩院，計劃在3年里投入超過1000億元用于涵蓋基礎科學和顛覆式技術創新的研究。

達摩院旗下最大的機器智能實驗室分支iDST負責人金榕曾在采訪中介紹，達摩院的設立主要有兩個目標，一是把達摩院的AI基礎能力放到平臺上支撐所有業務，二是上云，在產品得到內部核心業務驗證后，將產品上云商業化，進一步放大價值，服務整個社會。

在達摩院“大腦”的支撐下，阿里巴巴也逐漸實現了技術成果轉化，如在計算機視覺領域，在被譽為人工智能世界杯的 CVPR 2019 WebVision 競賽中圖像分類競賽中，阿里巴巴以 82.54% 的識別準確率獲得冠軍。

騰訊同樣也在進行騰訊云的建設，截至5月份，騰訊云AI公有云日處理圖片超30億張，日處理語音250萬小時，自然語言處理超千億句，客戶數超過200萬，服務全球超過12億用戶。

而在產品層面，騰訊云也已經擁有了多項能力，如包括騰訊云神圖、慧眼、圖像分析、智能識圖以及OCR在內的視覺服務，包括騰訊云語音識別、語音合成、機器翻譯等在內的智能語音產品，包括情感分析、智能分詞、文本糾錯等在內的自然語言處理產品。

在本屆人工智能大會上，騰訊發布了進一步拓展視覺人工智能能力的4個平臺產品，繼續深入計算機視覺領域研究。

科技巨頭之中，百度在人工智能領域的布局較早，目前，旗下人工智能助手小度，讓用戶以自然語言對話的交互方式，實現影音娛樂、信息查詢、生活服務、出行路況等多項功能的操作，是百度除搜索等產品外，與普通用戶交集最大的人工智能產品。

巨頭們似乎都已將未來的比拼重點放在了人工智能上，從成果上來看也取得了一定的成效。但實質上，在推進人工智能發展的過程中，始終存在著諸多阻礙。

首先是底層研究需要突破。在這一層面，資金投入、教育深化是基礎，但并不存在絕對的因果關系，技術的突破存在許多偶然性，在人工智能發展歷史中，就多次因為陷入技術瓶頸而停滯不前。

其次，在企業推動人工智能技術研發的過程中，基礎研究與產業團隊如何融合、協同一直是困擾各大公司的問題——谷歌也未能幸免。如何將底層研究與實際業務所需這樣的長期投入與短期收益相結合，非常考驗各大公司的投入耐心和內部協同能力。

再次，商業化變現困難是現階段仍制約人工智能企業發展的難題。如風頭正盛的AI四小龍，雖然從估值上看，它們的技術價值前景得到了認可，但因為技術落地難、商業模式盈利難，四小龍的IPO進程都一再受阻，曠視在2019年8月向港交所遞交招股書，在今年2月其申請上市狀態已變為“失效”，3月，有外媒報道稱商湯也推遲了赴港IPO計劃。

而商業化變現困難的根本原因，仍是底層研究的制約下，人工智能難以落地。

事實上，從2017年開始，人工智能行業就開啟了“存量階段”，投資人更看重人工智能的實際落地場景，對處于早期階段的人工智能公司，開始了保守的投資模式，對處于中后期的人工智能公司，其投資意愿有所提升。

具體的表現為，2016年開始，私募對人工智能公司的天使輪投資頻率開始減少、對戰略投資輪投資頻率開始上升：拿到天使輪的人工智能公司從2016年的301家，減少到2019年的113家；拿到戰略投資輪的人工人工智能公司從2016年的11家，增加到2019年的39家。

不過，在今年踏進“新基建”的節點后，市場對人工智能的保守態度或許將有所轉變。

在2020世界人工智能大會投融資主題論壇上，中金公司研究部董事總經理黃樂平發布了相關AI研究報告，中金認為，“AI+5G”是數字經濟時代的通用技術平臺，人工智能、區塊鏈、云計算、5G等信息技術與機器人、醫療、航天等場景相融合，催生的AR/VR、無人駕駛、商業航天等新產品和新業態是科技行業未來十年的發展主線。

中金公司測算，新基建、新需求、新技術在未來十年將為我國數字經濟新增近4.3萬億元的產業空間。

政策推動下，社會資源向人工智能產業聚集，將進一步推動底層數據建設、應用場景拓展等，今年上半年，有多地政府加大了對智慧城市、城市大腦等的建設；疫情之下，人工智能提高醫療效率的價值也得到凸顯。

新基建的加持，對于人工智能底層研究的投入、應用場景的拓展等將大有裨益。不過，在歡呼機遇到來的同時，也需要充分認識到，人工智能不是一場短跑。

正如馬化騰在人工智能大會上所說，人工智能是一個跨國跨學科的科學探索工程，正在將人類的認知推向更快更高更強，但目前人類對人工智能等新科技的未知仍然大于已知。

這仍是一條漫漫長路。