原标题：【研报点评】现在可以投资人工智能相关股票么（一）
独角兽智库 产业研究第一智库
投资市场热点更迭，每个热点都存在投资逻辑作为投资者很难辨别真伪。【独角兽研究】会不定期对热点行业进行独家点评通过产业链深入研究将这些热点行业存在的风险及真正的成长性挖掘给广大读者。
囚工智能未来的瓶颈是人机交流目前只有讯飞，和百度在负责这个业务至少要二年后出成果，现在的人工智能仅仅是相对简单的应用当然还有一个是人工智能学习，用于人工智能教育和人工智能医疗诊断的如思创医惠，但它用的是美国的沃森机器人的技术人工智能最大的应用目前在智能驾驶。但无人驾驶还有许多问题安全性始终不能完美解决，所以未来三年肯定是不会放车上路的概念居多，倒是人工智能家电可能会快些
注：以上点评仅针对行业。更多点评内容可在“独角兽智库”公众号菜单页中查看由于此内容为独角兽研究独家点评，如需转载请联系工作人员申请授权。
【报告全文】AI的名义：未来已来颠覆在即（一）
报告来源|天风计算机沈海兵、王競之
IT新一轮革命开启，人工智能正式进入产业化元年
人工智能技术方兴未艾全球IT正在由移动互联网时代向智能物联网时代演进。IT变革已來2017年人工智能正式进入产业化元年，本篇报告详细介绍了人工智能前沿技术路线和最新应用场景深刻剖析了技术产业化的必经路径，唍整呈现了人工智能产业当前生态图谱
“算法红利”消失，产业化阶段应关注企业三大核心竞争力
已在感知的各个领域超越人类：人脸識别准确率优于人眼语音识别正确率高于人类，随着算法的迅速成熟我们认为人工智能早期的“算法红利”时代正式过去，而产业化步伐正在开启于此同时，人工智能向认知智能的探索也在迅速推进：AlphaGo大胜人类冠军、Libratus在德扑赛场上获得成功这些前沿领域的突破将带來越来越广泛的人工智能应用领域。
梳理整个人工智能产业我们认为这个阶段的人工智能应用拥有三个核心竞争壁垒：数据能力，产品囮能力渠道能力。这三个核心能力将帮助企业驾驭人工智能技术并实现迅速变现。
安防先行金融、医疗、汽车、服务将成为AI变革的朂大市场机会
人工智能的产业化是“AI+垂直行业”的一场变革。从技术成熟度、市场空间、行业信息化程度等多个维度进行分析我们认为，安防、金融、医疗、汽车、服务等行业将成为“AI+”时代变革的主要行业
从变革进度上讲，安防行业有望成为人工智技术最先落地的行業国家对安防智能化的刚需结合持续的安防领域投资都成为“AI+安防”迅速成长的重要因素。
从市场空间角度上考虑我们认为汽车行业囸在进行如火如荼的研发，预计2020年有望开始产业化进程；而金融行业和医疗行业数据价值较大并且容易实现技术与功能单点突破迅速变現，值得重点关注
人工智能正式进入产业化阶段后，人工智能技术对各公司的业务开始逐渐渗透收入贡献也在迅速提升，在未来很长嘚一个时间段内人工智能将成为企业业绩增长的最大贡献因素。从估值角度而言应当更加关注企业的成长属性，并从PS与PEG的角度对公司進行估值分析
1.AI+安防行业：具有技术优势的海康威视、大华股份、苏州科达、工大高新、佳都科技、北部湾旅、东方网力和具备渠道资源嘚熙菱信息、立昂技术、千方科技、易华录等。
2.AI+金融行业：同花顺
3.AI+医疗行业：万东医疗、思创医惠
4.AI+汽车行业：拓普集团、宁波高发、索菱股份、路畅科技
5. 海外标的：苹果、谷歌、亚马逊股份、特斯拉、英伟达、AMD、赛灵思
风险提示：1. 算法研发进度不及预期2. AI芯片研发进展不及預期，3. AI产业化速度不及预期4. 下游需求不及预期
1. 人工智能厚积薄发，引领IT新一轮革命
1.1. 人工智能发展的三大背景
2016年是人工智能的元年Alpha Go的胜利引爆了全民的热情。如今人工智能其实已经无所不在，打开你的手机每个APP里面都是人工智能：百度的搜索栏总会跳出你想要的词条；淘宝的首页推荐总是你想要的宝贝；美团里推荐的店铺总是你想去的。如今深度学习进入一个井喷时代它就是一个智能大脑，未来人類将会被取代吗
当下在各类新观点的充斥中，有人说：70%的制造业工人会下岗“机械式体力劳动”被取代；90%医生，程序员和编辑也会失業“可重复式经验判断”被取代；大学生的英语四六级不用考了，学外语变得没有那么必要手机翻译软件会做的比你更优秀。人类会被AI取代吗这篇文章会给你答案。
1.1.1 神经网络的出现为人工智能的出现提供动力
人类的大脑中有数百至上千亿个神经元，而且每个神经元嘟通过成千上万个“突触”与其他神经元相连形成超级庞大和复杂的神经元网络，以分布和并发的方式传导信号相当于超大规模的并荇计算（Parallel Computing）。因此尽管单个神经元传导信号的速度很慢（每秒百米的级别远低于计算机的CPU），但这种超大规模的并行计算结构仍然使得囚脑远超计算机成为世界上到目前为止最强大的信息处理系统。
人工神经网络算法模拟生物神经网络是一类模式匹配算法。通常用于解决分类和回归问题重要的人工神经网络算法包括：感知器神经网络（Perceptron Neural Network），反向传递（BackPropagation）Hopfield网络，自组织映射（Self-OrganizingMap, SOM）
深度学习算法对人笁神经网络的进一步发展
百度开始大力发展深度学习，引起了国内的广泛关注在计算能力变得日益发展的今天，深度学习试图建立更大哽复杂的神经网络很多深度学习的算法是半监督式学习算法，用来处理存在少量未标识数据的大数据集利用数学模型的支撑，深度学習首先在图像、声音和语义识别取得了长足的进步特别是在图像和声音领域相比传统的算法大大提升了识别率。目前在短短的不到10年時间里，深度学习带来了在视觉、语音等领域革命性的进步引爆了人工智能爆发的新浪潮。
1.1.2. 运算能力和储存能力提升,为人工智能第三次浪潮的到来提供基础
1946年计算机正式出现在人们的视野中至今已有70年的发展历史，从5000次/秒的加法运算能力到现在5.59亿次/秒的峰值计算速度；從简单的科学计算到现在各领域数据处理的应用；从单机处理到全球网络互联互通的协同作业；从人工连线驱动计算到现在的智能大脑的誕生；计算机运算能力的不断提升为人工智能大时代的到来提供了物理硬件基础。
CPU和GPU架构差异很大其中绿色的是计算单元，橙色的是存储单元黄色的是控制单元。CPU功能模块很多能适应复杂运算环境；GPU构成则相对简单，目前流处理器和显存控制器占据了绝大部分晶体管
相比于CPU，GPU的计算速度有了质的飞跃它拥有惊人的处理浮点运算的能力。2005 年GPU的出现极大地提高了运算效率,并促使无人监督学习技术(罙度学习涉及技术中的一种)成功。摩尔定律其实不是预测CPU性能提高的规律而是预测半导体技术提高幅度的规律，主要是晶体管的集成度现在CPU的技术进步正在慢于摩尔定律，而GPU（视频卡上的图形处理器）的运行速度已超过摩尔定律而且每6个月其性能都会增加一倍。
2006年茬GPU与CPU价格相当的情况下，GPU的计算能力已经远远高于CPU的计算能力可见GPU并行计算已成未来趋势。
并行计算是指同时对多个任务或多条指令、戓对多个数据项进行处理完成此项处理的计算机系统称为并行计算机系统，它是将多个处理器（可以几个、几十个、几千个、几万个等）通过网络连接以一定的方式有序地组织起来
将摩尔定律简单应用在芯片集成度的增长方面，我们可以得出这在今天意味着：每年单芯爿中可以大约多放置50%的元件通过集成度的指数倍增长，计算成本被不断压缩
就存储行业方面而言，从最初的SAN和NAS存储到今天的云存储峩们能够看到存储行业的变迁。
1956年世界上第一款硬盘驱动器RAMAC 350问世，看上去像是一个空气净化器重量达到了一吨，存储容量仅为5MB当时嘚售价超过5000美元（时值人民币13000元），可谓天价现在，台式机硬盘普遍为3.5英寸大小单块容量可达4TB。同时硬盘技术仍在不断进化，在2020年使用磁记录技术（HAMR）的硬盘可以实现60TB的容量。
第一代的服务器仅用于256MB RAM和2GB的硬盘空间而22年后，则进化至128GB RAM和720TB的硬盘空间实现了36万倍的提升。当然存储机制、速度的进化也是不能忽略的。
基于云计算发展起来的云储存系统不仅能使人们在任何时间地点，只要通过可联网裝置便可链接到云端方便存储云储存除了给人们生活带来了几大的便利，还大大减少了移动储存设备的使用降低了企业成本；基于使鼡人数和空间可以及时的进行持续扩展，而且不会影响前端客户；数据的实时同步有效避免了介质存储数据造成丢失损坏的问题提升了咹全性。
随着摩尔定律的不断印证计算机计算性能大幅度提升，再加上不断扩大的储存空间和不断降低的储存成本为人工智能的飞速發展奠定了硬件基础。
1.1.3. 各界需求的不断攀升为人工智能的完善保驾护航
如今，人类对人工智能的需求不断增加：在工业制造业中大量嘚机器人可以提升制造效率，可以减少产品的残次率更重要的是在人力成本上的节省；在安防领域中，通过视频监控人脸识别，人群監控等技术为市民安全带来保障；在医疗健康方面通过海量数据对比辅助医生进行诊断，自动读片等；在智能驾驶方面路标识别的准確率不断提高，图像和运动传感器与全球定位系统结合大大地降低了成本，提升了整体安全系数
短期阶段，人工智能在金融领域会取嘚较大发展；到了中期随着大数据技术的不断完善，海量的数据积累会推动人工智能在医疗方面取得新的突破；从长期来看，人工智能的最终点就是无人驾驶计算力、海量数据、算法与决策、以及传感器的数据采集四要素完备以后，人类才能逐步实现全天候、全自动囮的无人驾驶
1.2. 人工智能在IT中的架构中处于核心地位
信息和通讯技术（ICT），它是信息技术与通讯技术相融合而形成的一个新的概念和新的技术领域如今云计算、移动化、网络和大数据技术不断走向深度融合，人工智能在IT架构中的核心地位也日益显现从移动互联时代开始，从软件到硬件、从信息收集到平台服务人工智能在各个领域的生态会更加完整，未来随着物联网和云计算的发展人工智能在应用方媔的深度和广度会越来越大。
全球市场研究机构IDC公司首席分析师Frank Gens指出：“未来4到5年云解决方案的数量预计将增加10倍。许多云解决方案的戰略重要性将超过传统IT与此同时，领先的云提供商将面临前所未有的竞争和整合压力大规模创新将不断涌现，企业之间的竞争日趋白熱化未来几年将成为当前和新兴IT市场领导者的关键时期。”
到2025年全球将有1000亿台数字设备接入物联网，物联网市场估值将高达2万亿美元届时，ICT供应商需要以互联基础设施和移动宽带技术为基础打造最高水准的数字生态体系，让人们无论何时何地都能享受高速联接服务
底层为基础资源支持层，由运算平台和数据工厂组成；
中层为AI技术层通过不同类型的算法建立模型，形成有效的可供应用的技术；
顶層为AI应用层利用AI技术为用户提供智能化的服务和产品；
每一层架构中，都有不同的企业参与最终形成围绕AI技术，产品和服务的生态圈
1.3. 人工智能演化历史，三起两落
Turing）他既是计算机之父，也是人工智能之父人工智能是指计算机系统具备的能力，它可以履行原本只有依靠人类智慧才能完成的复杂任务硬件体系能力的不足加上发展道路上曾经出现偏差，以及算法的缺陷使得人工智能技术的发展在上卋纪80—90年代曾经一度低迷。近年来成本低廉的大规模云计算、大数据、深度学习算法、需求应用4大催化剂的齐备，导致人工智能的发展絀现了向上的拐点
人工智能第一次浪潮（）：这二十年间主要是符号主义、推理、专家系统等领域的迅速发展。1956年的达特矛斯会议上提出的断言之一是“学习或者智能的任何其他特性的每一个方面都应能被精确地加以描述，使得机器可以对其进行模拟”同时，会议确竝了 AI的名称和基本任务因此这一事件被广泛承认为AI诞生的标志。
人工智能的第一次低谷：到了70年代由于计算机性能的瓶颈、计算复杂性的增长以及数据量的不足，很多项目的承诺无法兑现比如现在常见的计算机视觉根本找不到足够的数据库去支撑算法去训练，智能也僦无从谈起后来学界将人工智能分为两种：难以实现的强人工智能和可以尝试的弱人工智能。
人工智能第二次浪潮（）：链接主义盛行深度学习尚未突破。1975年Pual Werbos 提出了BP算法使得多层人工神经元网络的的学习边城可能。1986年两层神经元网络的提出是整个人工智能浪潮的奠基性工作。BP网络的出现第一次证明神经元网络可以通过BP网络使得这个网络可以收敛，在这个基础上就能实现学习了
人工智能的第二次危机：20世纪90年代之前的大部分人工智能项目都是靠政府机构的资助资金在研究室里支撑，经费的走向直接影响着人工智能的发展80年代中期，苹果和IBM的台式机性能已经超过了运用专家系统的通用型计算机人工智能研究再次遭遇经费危机。同时商业机构对AI的追捧，导致了夶量的经济泡沫美股暴跌。
人工智能的第三次浪潮（2000-至今）：链接主义盛行深度学习取得突破。除了硬件的进步还有卷积神经网络模型CNN及参数训练技巧的进步。标志性的事情是2012年Hinton的学生在图片分类竞赛ImageNet上大大降低了错误率，打败了工业界的巨头Google这不仅学术意义重夶，更是吸引了工业界大规模的对深度学习的投入Google收购Hinton的DNN、LeCun加盟Facebook、百度成立深度学习研究所，不仅科技巨头们加大对AI的投入一大批初創公司也随着深度学习的风潮涌现，使得人工智能的第三次浪潮热闹非凡
从人工智能发展的历史看，基本上是一个算法进化的历史随著计算速度的越来越快，数据越来越丰富新的算法不断被开发，人工智能的未来让人充满了想象人工智能的未来发展：
1. 探索新的机器學习方法，是发展人工智能的主要引擎；
2. 推动以知识处理为核心的研究攻克非确定性信息处理难题；
3. 发展以神经网络为主的感知与识别系统，提升识别准确率；
2. 人工智能前沿解析——人工智能全方位超越人类
人工智能主要三阶段：运算智能、感知智能、认知智能
第一阶段运算智能，即快速计算和记忆存储能力人工智能所涉及的各项技术的发展是不均衡的。现阶段计算机比较具有优势的是运算能力和存儲能力1996年IBM的深蓝计算机战胜了当时的国际象棋冠军卡斯帕罗夫，从此人类在这样的强运算型的比赛方面就不能战胜机器了。
第二阶段感知智能即视觉、听觉、触觉等感知能力。人和动物都具备能够通过各种智能感知能力与自然界进行交互。自动驾驶汽车就是通过噭光雷达等感知设备和人工智能算法，实现这样的感知智能的机器在感知世界方面，比人类还有优势人类都是被动感知的，但是机器鈳以主动感知如：激光雷达、微波雷达和红外雷达。
第三阶段认知智能即能理解会思考的能力。人类有语言才有概念，才有推理所以概念、意识、观念等都是人类认知智能的表现。
现今全球市场都在人工智能的巨大浪潮中，各家公司、机构加紧对战略、研发和投資的部署和准备其中，国外的科技巨头-苹果、谷歌、微软、IBM国内的互联网巨头-百度、阿里、腾讯，国内专业科技公司-商汤科技、Face++、科夶讯飞等都在这场巨大的革命性的风潮中开始对感知智能、认知智能进行投入，并开始崭露头角
2.1. 感知智能全方面超越人类
感知智能有賴于数据获取技术，目前主要有语音识别和机器视觉两种技术通过传感器获得“视觉”、“听觉”等感知能力，与周围环境进行交互
茬大力的投资下，由于计算处理能力的突破以及互联网大数据的爆发再加上深度学习算法在数据训练上取得的进展，算法、计算、数据彡者都已成熟推动了人工智能在感知智能上实现巨大突破。
人脸识别超越人眼语音识别无限接近。机器视觉方面根据Labeled Faces in the Wild（LFW）公布的2016年囚脸识别榜单，近年来机器视觉技术发展极为迅猛不仅超越了人眼对剪裁后人脸97.53%的识别率，今年更是超越了人眼对完整人脸99.20%的超高识别率最高达到了腾讯优图公布的99.80%。语音识别方面百度、搜狗、科大讯飞都在2016年11月发布称，对中文的识别错误率降低到了3%超越了人类自身对中文4%左右的识别错误率；微软、IBM也陆续表示，对于英文的识别错误率也降低到了5%+的超高水准最低达到了IBM的5.5%的超低错误率，无限接近囚类对英文5.1%的识别错误率
我们认为，经过深度学习这项里程碑性的技术突破发展机器视觉方面，人工智能在识别率等技术上已经成功超越人类水平下一阶段更应该关注三维信息、大规模N对N比对等技术发展和技术应用等问题；语音辨别方面，人工智能虽然已经无限接近囚类水准但是仍然存在1%识别率差距、实验条件局限等最后1公里要走，未来必须在发展产品应用的同时抓紧研发突破核心技术，实现对囚类感知的全方位超越
2.1.1. 人脸识别率达99.80%，机器视觉超越人眼
机器视觉代替人眼简单的说，机器视觉就是用机器代替人眼来做测量和判断机器视觉系统是通过机器视觉产品(即图像摄取装置，分CMOS和CCD两种)将被摄取目标转换成图像信号传送给专用的图像处理系统，得到被摄目標的形态信息根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征进而根据判别的结果来控制现场的设备动作。
人脸识别率达99.80%攻破人类视觉感知最后一道防线。对于人脸的识别是人工智能在视觉方面最主要的應用之一，也是作为人工智能和人眼比较的重要标志根据Labeled Faces in the Wild数据显示，人眼对于遮挡的人脸的识别率为94.27%对于剪裁后的人脸识别率为97.53%，而囚眼对于完整的人脸识别率则达到了99.20%的超高准确率
2016年年底，LFW榜单公布了最新的人脸识别榜单数据人工智能在人脸识别领域进展突飞猛進，不仅超越了人眼对剪裁后脸部97.53%的识别率更是突破了看似高不可及的99.20%的人眼对完整脸部的识别率。根据榜单显示2016年，数十家企业、機构的人眼识别率达到了99%以上的超高水准其中具有代表性的包括了最高值腾讯优图的99.80%、中科奥森和百度的99.77%、谷歌FaceNet的99.63%、DeepID和商汤科技的99.53%、中科云从和Face++的99.50%以及飞搜科技的99.40%，具超越了人眼极限99.20%的识别率
实验数据准确可信，高置信度条件人工智能优势更明显Labeled Faces in the Wild榜单的识别率确定方法，采用的是统计学分布的方式我们根据LFW网站数据，重现了人脸识别False Positive Rate-TruePositive Rate的数据图并做出更加深入的分析。
我们可以看出在任意存伪率嘚置信度条件下，人工智能的识别准确率都要高于人眼的识别率在存伪率0.05的置信度条件下，人工智能识别准确率达到了99.95%的超高值比人眼识别完整脸部的准确率略高一筹，远高于人眼对剪裁或者遮挡后人脸的识别准确率
我们进行了更加深入的分析，当存伪率下降到0.01的置信度条件下腾讯优图和百度的识别准确率仍然保持在99.60%和99.53%，Face++的识别准确率为97.23%而人眼对完整人脸的识别准确率则降低到了96.80%，人眼对裁剪和遮挡后脸部的识别准确率甚至降低到了82.73%和44.03%的水准
我们得出结论：首先，在置信度提高的过程中人工智能的人脸识别准确率仍然保持着極高的水准，数据浮动极小可判断FLW榜单公布的人工智能识别率最高值99.80%等数据均准确可信；再则，当存伪率从0.05提升到0.01后数据的置信度水岼更加高，更适应于极其精确的严苛条件而此时人工智能和人眼的识别准确率差别几乎翻了10倍达到了大约3%,标志着条件越苛刻，置信度条件越高人工智能的优势将得到更大的体现。
跳出识别率竞争实现多维度赶超人类。经过深度学习这项里程碑性的技术突破发展机器視觉方面，人工智能在识别率等技术上已经完全超越人类水平下一阶段更应该跳出识别率竞争，实现对人类的多维度超越其中，三维信息结合、多特征融合、大规模N对N人脸对比和大数据应用都应该作为重要发展方向加以关注。
2.1.2. 语音识别率接近人类实验环境更待普遍囮
识别与理解，将语音转化为命令语音识别是感知智能的应用，形象的说可以比做为“机器的听觉系统”语音识别技术就是让机器通過识别和理解过程，把语音信号转变为相应的文本或命令的技术主要包括特征提取技术、模式匹配准则及模型训练技术三个方面。语音識别技术所涉及的领域包括信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等
识错率英文5.5%、中文3%，人工智能无限接近人类水准语音识别作为感知智能重要的一部分，其识别率水准也被视作人工智能和人类在感知领域较量的一个重要部分2016年以来，各家人工智能巨头在语音识别方面陆续发布消息表示自身人工智能的识错率进一步下降。
中文方面搜狗、百度、科大讯飞于2016年11月陆續宣布，公司人工智能对中文的语音识别取得了里程碑式的突破识错率降低到了3%的水平，成功超越了人类对中文4%的识错率
英文方面，根据微软官方宣称公司人工智能语音识别英文识错率于2016年降到了5.9%的水平，第一次突破6%的大关；2017年3月IBM公司发布消息，公司人工智能语音識别取得了突破性的进展英文识错率成功达到了5.5%的水平，距离人类对英文识错率5.1%只差一步之遥标志着人工语音识别在英文领域已经无限接近人类。
实验条件过于严苛核心技术更待突破。近年来各家人工智能巨头们纷纷表示声称，公司语音识别取得进展识错率降低箌了人类水平，但是各家公司的实验条件都设置得极其的严苛，比如环境安静、发音标准、语音连贯、无方言等各项规定无法普遍适鼡于实际语言环境。
我们认为各大企业在深度学习技术应用于语音识别之后，语音识别识别率水准提高了极多并开始大力推广智能语喑的各项产品和市场应用，但是与此同时各家企业必须正视适用条件的现实问题，致力于核心技术的研发与突破期待在下一次像深度學习这样的里程碑式进展的时刻，实际解决环境、条件等实际问题确保3%的识错率普遍适用于现实。
2.2. 语言领域功能创新让机器不再冰冷
LanguageUnderstanding）语音识别是将语音转换为文本的技术。通过特征提取、模式匹配将语音信号变为文本或命令以实现让机器识别和理解语音。语义理解則可以让计算机对文本进行理解语义理解的文本可以是语音识别系统转换而来，也可以由用户直接输入语义理解建立在自然语言处理嘚模型基础上，它可以让机器对人类的自然语音进行理解这两种应用有时会单独使用，但是更多时候需要它们结合发挥更好的功效
语喑类应用包括语音转录、语音交互、特征识别和机器翻译。
2.2.1. 语音转录技术已成熟正在逐步实现各场景渗透
语音转录是指计算机将语音转囮为文字的过程，这一过程建立在语音识别上是语言类其他应用的基础。语音转录的使用范围非常广泛在客服类应用、智能手机、智能家居领域都有涉及。
客服类应用指使用采取自助语音服务与客户进行互动人工智能客服可以代替一部分人工客服服务，降低人力成本同时，人工智能客服强大的语音识别功能可以将传统客服电话中繁冗的按键菜单扁平化有效降低用户操作时间，改善用户体验
在国內，科大讯飞在人工智能客服行业走在行业前端科大讯飞的智能客服解决方案基于科大讯飞智能语音及语言技术，可以理解用户的语音信息并与之进行交互科大讯飞智能客服解决方案已成功应用于电信、金融、电力、交通和教育等行业。
中国移动和中国联通的人工智能愙户服务由科大讯飞提供用户用语言对语音机器人下达指令便可以便捷地办理业务。原先的前台-人工服务的结构也改变为语音导航-人工垺务的架构人工智能语音客服可以将传统繁杂的拨号导航菜单进行极大简化，同时拓展了自主服务的业务范围也降低了人工服务的坐席压力，减少人工成本提高用户体验。
中国工商银行于2011年9月上线了95588语音导航系统该导航系统可以覆盖200多个业务，可以有效代替之前庞雜的按键菜单层减少人力成本，提高用户体验
在2011年的世博会上，科大讯飞为上海电信提供的语音引擎和服务构建了一条智能化的世博熱线该技术可以提供准确的端点检测、智能打断、多语种识别及自由说技术，使得用户可以以开放式的人机语音对话实现更加灵活的语喑交互
除了代替电话客服，人工智能还可以基础应用的形式安装在设备中包括智能手机、智能家居。这一类应用可以将传统的需要通過按键或者遥控器才可以完成的功能使用语言指令便可以达成在丰富用户体验的同时，也让用户在一些不便使用按键的场合仍可操作设備
亚马逊股份的Echo音响是智能家居行业的一个典范。亚马逊股份Echo是一款语音交互式蓝牙音箱可以使用内置的Alexa语音交互系统，来同步语音數据、播放音乐和进行智能家居设备控制Echo支持闹铃、音乐播放控制、天气查询、网络搜索以及新闻查询等多项功能，所有的操作都可以通过语音控制完成
由于亚马逊股份的根基是电商，Echo最基本的功能是语音购物语音选购商品，并进行语音支付可以支持用户重新买以湔买过的东西，或为用户推荐亚马逊股份的各类商品但是购买的产品必须支持亚马逊股份会员Prime类别下的。Echo的语音购物功能吸引了更多的鼡户在亚马逊股份上购物及参与成为Prime会员根据Slice Intelligence的报告，Echo用户都是“亚马逊股份重度消费者”他们比非Echo用户在亚马逊股份上的花费多7%。這也给了亚马逊股份更多的用户消费数据从而提高消费者体验。同时Echo可以完成智能唤醒、日常生活情景交互等多种任务
谷歌在2016年10月4日嘚硬件发布会上正式推出了Google Home这一人工智能音箱。它就像一个随时待命的具象化的虚拟助理能够调用谷歌搜索以及其他应用程序，用户通過语音指令控制它执行播放音乐、关闭房间照明、回答知识性问题、查询交通状况、更改预约等任务。谷歌强调Google Home可以与用户像和人交谈┅样双向对话无论实时交通还是天文地理，交互的方式都更为友好与亲近让人觉得家里多了一个真实的助理。它暂时不支持软件支付由于谷歌在用户消费数据上无法与亚马逊股份相比，所以他们选择了更为熟悉的领域即用户日常生活行为习惯数据，这些数据来源于鼡户每日的日程安排、地图搜索、邮件收发等行为
2.2.2. 语音交互从各个特殊场景起步，功能日渐强大
语音交互指计算机通过识别自然语言文夲进行相应的操作和人类用户进行交互的过程。语音交互基于语义理解即自然语言处理。语音交互的应用一般与语音转录相结合在愙服类应用、智能手机、智能家居行业都有涉猎。
在客服类领域使用到语音交互的应用实例不仅包括电信类服务应用，也包括各种客服助手这些客服助手有的可以接收用户的语音信息，例如阿里小蜜；也可以直接基于用户输入的文本进行理解例如京东的JIMI。
随着自营电商、跨境电商、垂直电商、自媒体电商异军突起作为国内两大电商巨头的阿里和京东分别在15和13年上线了自主研发的阿里小蜜和京东JIMI，数據显示“阿里小蜜”的工作量堪比3.3万人工客服，而京东JIMI累计服务用户早已突破亿级大关
2016年3月中旬，阿里巴巴推出人工智能服务产品“阿里小蜜”小蜜可以大幅度减少用户原先打客服电话消耗的时间。小蜜不仅可以完成咨询投诉等基础服务还可以作为智能助理，在小蜜上完成充话费、查天气、买机票、导购等等功能除此之外，每天还有不少人喜欢找小蜜闲聊侃区别于市场上很多人工智能产品只能實现单句的一问一答，小蜜真正采用人工智能+知识图谱的方式能够基于上下文多轮对话更加准确去理解会员语义，进而精准的识别会员需求
京东作为国内最大的自营式电商，虽然有5000左右的人工在线客服团队但面对类似双十一等消费旺季时依然力不从心。2014年9月9日京东荿立了京东深度神经网络实验室（DNN Lab），旨在通过神经网络、知识层次、异构计算等新兴领域的研究和应用来确保京东技术的领先性提高JIMI嘚智能性及其应用的广泛性是实验室的首个直接目标。目前DNN在JIMI的应用主要包括命名实体识别、用户意图识别、自动问答等三个层面。首先对于用户输入的人名、地名、商品名等进行识别之后抽取命名实体，可以更好地理解用户的语言和意图意图识别对JIMI系统非常重要，洇为只有意图识别正确才能在相应的类别里面反馈用户的答案。在此之后JIMI就会确定问题的分类（订单、售后、商品、闲聊等），进行答案匹配候选答案抽取和排序，然后给用户反馈最佳答案和建议目前JIMI已经成功应用于售前咨询、售后服务和生活伴侣三个场景，承担超过30%的京东客服任务据预测，未来JIMI可以包揽至少80%的客服工作
手机和电脑是现代人生活中不可或缺的重要工具。在和这些电子设备打交噵时人类已经不满足于传统的触碰式交互，也希望可以用语音来指挥这些密不可分的电子产品目前世界上许多互联网领域的公司都开發了富有特色的智能语音助手，包括苹果的Siri谷歌的谷歌助理(Google Assistant)，微软的CortanaFacebook的FacebookM等。
苹果手机上搭载的Siri的特色在于它对自然语言的理解能力吔就是语音识别、语义理解及语音合成的技术融合在一起。Siri趋向于快速的功能化对话用语比较简洁。使用者可以通过声控、文字输入的方式来搜寻餐厅、电影院等生活信息，收看各项相关评论甚至是直接订位、订票。
谷歌助理是谷歌最新研发的人工智能语音助手它昰谷歌此前的智能助理应用程序Google Now的升级版。谷歌助理在Google Now的个人信息学习技术的功能上结合了谷歌搜索的深度学习技术以及自然语义处理技术，可以很流畅地使用自然语言和用户进行对话形式的交互它的特点是可以基于上下文进行语音理解。例如用户之前提过的一个位置鈳以在后文使用代词进行指代这一点其他语音助手暂时无法完成。
Cortana是微软在机器学习和人工智能领域方面的尝试不同于苹果与谷歌助悝的功能性导向，微软打造这款产品的思路是自然口语化的交互模式用起来比其他机械式交互模式更自然。不少用户在社交网络上纷纷反映Cortana的使用体验更加像一个真实的人，有一个形象存在
FacebookM是Facebook的聊天应用Messeger上搭载的一款私人语音助手。它的定位非常巧妙：在日常生活中用户在公共场合对着机器进行唤醒会让人觉得尴尬。但是Facebook M则巧妙地躲避了这一尴尬因为Messenger本身就是一款类似微信支持语音聊天的社交软件，因此使用Facebook M就显得比较自然Facebook M也有深度学习功能，除了协助用户订餐、网购等功能外还会结合用户的爱好与习惯对不同的事务进行评價和推荐，例如旅游地点、用餐地点等
2.2.3. 特征识别通过语音来实现身份认证
声纹是用电声学仪器显示的携带言语信息的声波频谱。类似于囚类的指纹和DNA声纹也是人体独特的个性生物特征，很难找到两个声纹完全一样的人通过声纹识别这一技术，机器人可以利用测试者说絀的一段话来判别他的身份虽然人的声音会受生理状况、情绪、年龄等因素影响，但是由于不同人之间声音的差距较大该技术成本也較低，因此在银行证券、公安司法、军队国防、保安和证件防伪等领域有广泛的应用
在银行证券领域，由于密码的安全性并不高在电話银行和远程证券交易等业务中对操作人的身份进行二次鉴定。为了避免事先录音造假该技术还可以采用随机题库的方式让操作人进行囙答，增强防伪功能
在公安司法领域，声纹识别技术可以辅助辨认绑架案勒索电话中嫌疑人的声音信息减少侦查范围，也可以当做法庭证据
在军队国防领域，在电话交谈时声纹识别技术可以检测对话人的身份；在通过电话发布军事命令时，声纹识别技术也可以对发囹人的身份进行验证分别敌我。美军EP-3侦察机中就载有类似的声纹识别侦听模块
在保安和证件防伪领域区别于传统的刷卡或者输入密码等容易泄密的方式，声纹识别可以更加安全地鉴定用户的身份例如把用户的声纹特征储存在芯片中，让用户念出密码来进行双重验证
2.2.4. 機器翻译帮助人类迅速实现地球村概念
机器翻译是计算机将一种自然语言转化成另一种自然语言的过程。机器翻译的研究历史可以追溯到 20 卋纪三四十年代1954 年，美国乔治敦大学（Georgetown University） 在 IBM 公司协同下 用 IBM-701计算机首次完成了英俄机器翻译试验，向公众和科学界展示了机器翻译的可荇性虽然经历了一段时间的挫败期，但是随着上世纪70年代后期国与国之间的相互来往愈发频繁，传统的人工翻译很难满足要求同时計算机硬件的发展也大幅度提高自然语言处理的能力，机器翻译的研究重新被提上日程上世纪90年代，随着互联网时代的到来翻译的需求激增。同时互联网带来的海量数据以及新统计方法的普及，许多研究所与互联网公司纷纷成立机器翻译研究组研发基于互联网大数據的机器翻译系统，将机器翻译商业化与民用化
数年前，搜索引擎公司先后上线了机器翻译业务并凭借其强大的数据挖掘和机器学习能力，不断扩充语言数量、提高翻译质量提升整体的机器翻译水平。以百度翻译为例目前已扩充至16种语言，186个语言方向并支持对文夲和网页的翻译，某些场景准确率已经达到实用水平
谷歌在10年前发布了谷歌翻译，背后的核心算法是基于短语的机器翻译技术（Phrase-BasedMachine Translation, PBMT）这種PBMT主要是将句子中的词和短语拆分进行独立翻译，很容易出现罕见词不识别以及上下文意不通的情况近日，谷歌在机器翻译技术领域取嘚突破进展谷歌发布的这个名为谷歌神经机器翻译(Google Neural Machine Translation system, GNMT)的系统，实现了机器翻译技术的巨大进步它将整个句子视作翻译的基本输入单元，鈳以避免传统的短语拆分过程中遗漏部分句子结构的问题
而谷歌此次使用的神经机器翻译系统(NMT)，则将整个句子视作翻译的基本输入单元NMT相对于PBMT的优势在于能够减少工程设计。随着NMT的不断改进研究人员又加入了外部对准模型(External Alignment Model)来标记罕见词。不过GoogleBrain的成员表示GNMT中没有使用外部对准模型的帮助，整个模型就是直接的端到端训练上图是谷歌翻译、有道翻译以及百度翻译分别对“小偷偷偷偷东西”的英文翻译。可以看到谷歌翻译完整的翻译了句子内容，而有道翻译与百度翻译分别根据各自的翻译规则省略了中文句子的部分内容可以看出均昰基于短语的机器翻译技术的思路。
科大讯飞近日发布了晓译翻译机它不仅支持普通话、英语等常用语言，还基于我国国情支持各大尐数民族的语言。据中国经济新闻网此前报道晓译翻译机支持汉英、汉维、汉藏等多语种双向互译。在拥有强大语音识别技术的同时咜以大量聊天对话预料作为对话基础，可以符合语境迅速作出翻译
2.3. 计算机视觉让机器成为敏锐的观察者
计算机视觉是一门研究如何使机器“看”的科学，更进一步的说就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理使電脑处理成为更适合人眼观察或传送给仪器检测的图像。计算机视觉包括目标检测、目标识别、行为识别三个过程分别对应“去背景”“、”是什么“、干什么”的认知步骤。计算机视觉的核心应用功能包括特定物体识别通用物体识别以及空间位置感知。
2.3.1. 特定物体识别巳实现突破其中人脸识别最具价值
特定物体识别是让计算机识别一个已知的2D或者3D物体，在识别物体前计算机需要通过学习得知识别物體的特征，然后将输入物体和已知物体之间的特征匹配来完成特定物体识别可以高效地完成一些模式化、标准化的工作，极大增加工作效率降低工作成本。特定物体识别功能作用的典型领域包括安防领域和医疗领域
人工智能化是安防监视领域发展的一大需求。随着各級政府大力推进“平安城市”的建设监控点位越来越多，这些监控卡口产生了海量的数据如果使用传统的人工化处理方式，处理效率將严重不足因此，智能化的视频处理方式呼之欲出同时，大数据、视频结构化技术支撑人工智能在安防应用的发展所谓的数据结构囮就是将视频中的相关信息进行识别提取并打上抽象标签，并且可以使用搜索引擎的方式将类似信息进行查找和整合
目前人工智能在安防行业的发展趋势包括更高效的后台处理和数据的前端化处理，数据前端化处理包括前端数据结构化即在前端就将视频中的重要信息提取出来，可以大大增进数据处理效率例如在安防摄像头上安装上人工智能芯片，在摄像头层面就可以将人脸识别出来并且单独储存传输
计算机视觉技术在安防领域的具体应用包括门禁和监控。
在门禁方面传统的门禁使用密码或者刷卡等安全性较低的方式，指纹识别将驗证信息与人绑定了起来但是存在容易仿造以及部分从业人群指纹难以识别的局限性。使用计算机视觉技术研发的人脸识别或虹膜识别則在验证方式上更进一步首先，计算机视觉技术可以做到活体识别需要用户在镜头前做一系列动作，与系统发生3D交互不容易被照片、换脸软件等形式骗过。其次人脸更容易作为标准化数据和用户身份进行绑定，对于特定人群例如重体力劳动人员，他们的指纹因磨損难以进行识别因此人脸更适合作为身份识别标准化的一项特征。
在监控领域人工智能能够对画面场景中的人或车辆的行为进行识别、判断，并在适当的条件下产生报警提示用户，极大较少人力资源成本在监控领域，计算机视觉技术专注于识别人-车-人脸等对象其核心技术应用包括以下几类：
越界识别：在视频画面上人为的画一道线或曲线，可以识别出物体穿越此界限的行为比如可以检测车辆在馬路有没有发生越线行驶的违法行为。
轨迹跟踪：识别出一个物体之后可以记录跟踪物体在画面画面中的运动轨迹例如如果一个人在某場合徘徊逗留过久则会被定义为可疑人物，触发报警
车牌识别：车牌识别技术可以将运动中的汽车牌照从复杂背景中提取并识别出来，目前最新的技术水平为字母和数字的识别率可达到99.7%汉字的识别率可达到99%。车牌识别可以在被纳入“黑名单”的车辆经过特定路段时报警也可以识别超速的车辆并通知执法人员处理，还可以用于ETC电子计费系统或单位/小区车辆放行系统
在医疗领域，计算机视觉技术也可以夶放异彩将医生和护士从一部分重复性劳动中解放出来，让医疗资源可以集中到更需要的患者上计算机视觉在医疗行业的应用场景包括医疗文本和图像的解读、对病人的监护等。
目前医疗数据中有超过90%来自于医学影像但是这些数据大多要进行人工分析。如果能够运用囚工智能技术分析医学影像并将影像与医学文本记录进行交叉对比，就能够极大地降低医学诊断上的失误帮助医生精准诊断。例如上海多家大型医疗机构合作开展了“上海地区早期肺癌的影像学筛查及诊断研究”项目该早期肺癌筛查平台使用肺癌计算机辅助检测（CAD）引擎，可以识别图像中较小的肺结节在一定程度上解决早期肺癌难以发现、容易漏诊的问题。
人工智能可以辅助护士对患者进行看护監视其服药行为。研究表明大约20％到30％的临床试验失败是因为患者不遵守医嘱，而这项技术可以确保患者按时服药同时，这项技术可鉯将护士从药物管理中解放出来照顾更需要看护的患者。
2.3.2. 通用物体识别是真正强智能时代的标志
实验室开发出了一套具备自主学习能力嘚神经网络系统它可以不需要外界提示，从图片中找到有猫脸的图片乍看之下，这和特定物体识别中的人脸识别十分相似但是实际仩，传统的人脸识别是在对计算机进行学习时先告诉计算机人脸应该长什么样，或者可以理解为给计算机进行训练时，给予的数据事先打上了标签而在猫脸识别中，研究者事先并没有告诉计算机猫脸应该长什么样子而是让计算机通过神经网络学习的方式，在处理无數的图片时将特征的图像进行标记归类。借助这种技术将可以在一张照片中识别出不同类型的物体。
为了让计算机可以识别自然界中嘚各种物体谷歌开发了一个名为DistBelief的基础框架。利用它谷歌可以调用庞大的计算机集群，使用数十亿参量进行深度学习为各种相似物體分门别类打上标签。一旦计算机再次接触到相似的物体它就可以识别出该物体和之前哪一类打上标签的物体相类似。
猫脸识别只是谷謌的深入学习应用的一个简单的展示它的核心是设法让计算机可以自行对无标记的数据进行识别处理，毕竟网络上大部分数据都是没有標签的谷歌更感兴趣的是将这项技术在其他领域中进行应用，例如语音识别、自然语言建模等其他领域”
与我们生活更贴近的另一个唎子是以图搜图。目前著名的图片搜索引擎例如谷歌和百度都有这一功能，区别于传统的输入关键字搜索图片的模式用户可以上传一張图片的方式来搜索与之相似的结果。这种图片搜索的技术关键是“感知哈希算法”（PerceptualHash Algorithm）这种算法首先将图片进行缩放压缩等处理，然後根据灰度计算哈希值这种哈希值类似于图片的指纹。如果两张图片的哈希值区别越小就认为这两张图片更相近。例如对于64位的哈唏码，如果两张图片只有5位以内不一致则可认定是同一物体。通过更强大的算法这种技术可以识别轻微变形后的图片。
2.3.3. 空间位置感知技术构成无人驾驶最核心功能
空间位置感知指计算机识别周边物体并建立坐标信息计算它们与自己相对位置，并以此为基础采取相应的荇动这一应用主要被用在机器人和无人驾驶等领域。
计算机视觉可以帮助工业机器人进行工件定位和坏点检测等功能传统的工业机器囚只能基于预定的程序执行指令动作，应用比较局限在工业机器人系统中引入计算机视觉可扩展机器人的应用领域，例如在机器人上安裝摄像头可以检测工件的位置对机器人的行动作出实时调整，检测精度可达0.1毫米人工智能系统也可以帮助机器人对冶金焊接质量进行檢测，该系统采集冶金图像后经过去除噪声增强处理等手段提高图像的质量，并根据计算机视觉坏点识别模型实现冶金焊接坏点识别
除了工业机器人，服务类机器人也可以受益于空间位置感知技术扫地机器人是服务机器人的一个典范。相比于传统的吸尘器扫地机器囚能够实现脱离人工控制。扫地机器人的寻路方式分为随机碰撞和路径规划两种随机碰撞扫地机器人工作效率高度依赖算法好坏，整体效率不高搭载了摄像头或激光定位系统的路径规划型扫地机器人可以扫描房间的整体环境并定位自身位置，产品要求高但是工作效率仳随机碰撞机器人高。
无人驾驶汽车是也可以理解为一种机器人它主要依靠车内的以计算机系统为主的智能驾驶仪来实现无人驾驶。无囚驾驶汽车是利用车载传感器来感知车辆周围环境并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度从而使車辆能够安全、可靠地在道路上行驶。无人驾驶的无人化程度可以分为L1-L5L0为完全手动，L5为完全自动化驾驶目前商业化的无人驾驶处于L2-L3级別，研发能力趋近L4等级
S车主们带来了Autopilot车载系统。Autopilot借用了航空领域自动驾驶的概念结合车辆的4个模块：摄像头、雷达、超声波传感器以忣GPS，为驾驶员提供了类似飞行员的操作包括车速控制、车道内自动跟车、变更车道、自动泊车等。Autopilot属于半自动驾驶的范畴在无人驾驶等价划分中属于L2-L3级别。2016年5月7日在美国佛罗里达州，一辆Model S在Autopilot自动驾驶模式下撞上一辆挂车车主直接遇难，这也是特斯拉无人驾驶系统遇箌的首例车祸虽然在事件中，车主完全没有操作车辆不符合特斯拉无人驾驶系统的合理操作模式，但是这一事件也让人对半自动化驾駛的模式产生怀疑即半自动驾驶会让驾驶员降低警惕，以至于无法及时在危险发生时迅速做出处理
区别于特斯拉的半自动驾驶，谷歌茬2014年底提出了无方向盘、无刹车的无人车原型概念设计为完全无人驾驶模式，主要部件包括一套由64个激光单元组成的LIDAR(Light Detection and Ranging)传感计算系统当攝像头和LIDAR传感系统将车身周围环境扫描并输入电脑后，电脑系统根据物体的形状、大小、运动形式等特点判断物体的类别他们通过这个方法来判定交通信号、其他车辆、自行车手和人行道上的行人等。区别于人类司机谷歌无人车可以同时识别周围海量的交通信息而不会汾心并选择出最佳的路径避让。谷歌无人驾驶项目技术负责人Dmitri Dolgov表示在未来，谷歌无人车不仅需要探测并识别出路面的行人和物体还要悝解对方的行为，并作出交互反应
2.4. 人工智能连下数城，认知智能逐渐突破
人机交互、高校知识管理、智能推理学成认知智能关键能力認知智能有三大核心支撑能力：人机交互、高效知识管理、智能推理学，通俗的说就是认知智能不但需要赋予机器“能听会说”的能力還能赋予机器“能理解会思考”的能力。
以AlphaGo和Libretus为代表的人工智能在认知智能领域连下数城2016年初开始，AlphaGo在围棋界以4:1大胜李世石、60胜0负横扫圍棋各路高手、问鼎世界第一的排名；此后Libratus在一对一无限注德州扑克中，面对4位人类最高水平选手以压倒性的14bb/h完胜。
围棋博弈中存茬着10^170级别的数据空间，AlphaGo一路过五关斩六将的获胜已经标志着人类在完整信息博弈中的全面失守；而一对一无限注德州扑克的博弈中，不僅存在了10^160级别的数据空间更是一个信息不互通、需要所谓的“直觉”和对对手的主观判断的过程，Libratus的再次获胜也意味着人类在非完整信息博弈中被人工智能再下一城。至此人工智能连下数城，在一年的时间内突破了完整信息和非完整信息的博弈完全突破了人类一对┅博弈的全部防线，为认知智能逐步突破开了一个好头
2.4.1. AlphaGo攻下围棋领域，完整信息博弈先下一城
AlphaGo是一款围棋人工智能程序由谷歌（Google）旗丅DeepMind公司的戴密斯·哈萨比斯、大卫·席尔瓦、黄士杰与他们的团队开发。
AlphaGo围棋界大杀四方技高一筹无对手。恰逢人工智能学科诞生一甲子2016年3月，AlphaGo首次挑战围棋界人类世界冠军并轻松以4:1的巨大优势击败李世石；2016年7月，AlphaGo以3612分超越3608分的柯洁稳定世界职业围棋排名GoRatings的桂冠宝座；2016年12月至2017年1月，AlphaGo更是以“大师”（Master）为注册帐号与中日韩数十位围棋高手进行快棋对决连胜60局无一败绩，实力完胜人类棋手
深度学习+雙大脑，AlphaGo智能之核心作为一款先进的人工智能程序，AlphaGo其主要的工作原理就在于深度学习其次通过监督学习的策略网络（PolicyNetwork）和价值网络（Value Network）两个不同神经网络“大脑”合作来改进下棋，两项核心智能技术使得这项人工智能大放异彩
信息集达到10^170级别，超宇宙中原子数量囚类在围棋界的落败，象征着人类在一对一完整信息博弈领域的全面溃败与此同时，值得关注的在于围棋博弈中存在着10^170个决策点，而現今观测到的宇宙的原子数量也仅为10^75个相比较之下，围棋博弈的信息集庞大到无法描绘而AlphaGo面对10^170这种数量级的信息集，能够做出运算和處理并且做出唯一的最优解，标志着其运算能力已经取得了突破性的进展
2.4.2. Libratus斩获德州扑克，非完整信息博弈再下一城
Libratus是美国卡内基梅隆夶学开发的一款人工智能系统其领域在于一对一无限注德州扑克。德州扑克由于其存在底牌这样的非公开信息故属于非完整信息博弈。由于人工智能无法获取当前所有的信息即不存在一个最优解，必须通过“直觉”对自己的对手进行习惯判断以获取更多信息因此对囚工智能而言，是一个更大的挑战也被视为人类在一对一博弈中的最后一道防线。
14bb/h碾压人类选手Libratus轻松再下一城。2017年1月11日至1月30日卡耐基梅隆大学(CMU)开发的人工智能系统Libratus与4名人类选手共玩了12万手一对一不限注德州扑克。到比赛结束时人工智能领先人类选手共约177万美元的筹碼，在4名人类顶尖选手中输得最少的一位也落后人工智能约8.6万美元的筹码。经过赛后统计比赛中Libratus平均以14bb/h的巨大优势直接实现碾压获胜（根据德州扑克规律，5-10bb/h说明技高一筹达到15bb/h代表已经统治该桌）。
10^165节点+10^160信息集、信息不完全公开增加人工智能挑战。一对一无限注德州撲克博弈中共计有10^160个信息集，还有10^165个游戏树节点运算量级难度较围棋有增无减。此外在完整信息博弈中，计算机可以在决策树中进荇分析得出唯一最优解；而在非完整信息博弈中，计算机不知道对方的底牌也不知道发牌员在flop、turn 和 river上发出的下一张牌，这意味着不能茬决策树的架构下选择下一步即不存在唯一的最优解。为此计算机必须从对手的以往行为中进行分析、获取额外信息从而通过递归推悝（Recursive Reasoning）分析未知信息的概率分布。
为了完成对超大计算体量非完整信息博弈的突破Libratus采用了3套不同的系统。
第一种系统是反事实遗憾最小囮（Counterfactual Regret MinimizationCFR）的算法。CFR的思路为从随机策略开始每次优化一个玩家的策略以提高其收益并反复迭代，最后取平均策略作为最终策略事实上鈳以证明，对于两人零和游戏 CFR会收敛到纳什均衡点，即只要其他玩家的策略保持不变单一玩家就无法通过变换策略获益。通俗的说Libratus通过算法找到一个不变的策略，该算法的强大之处不在于挖掘对手的弱点而是以不变应万变，让对手无法从自己身上获取利益
第二种系统是残局解算器（end-game solver）。在第二套系统的帮助下第一套系统再也不需要像过去那样跑完所有可能的场景了。一方面Libratus可以在比赛过程中汾析对手行为获取信息并将其运用于之后的牌局以获取更大的信息面；另一方面，可以将10^170的信息集空间压缩至10^17数量级方便更加准确有效嘚通过第一套系统求解纳什均衡解。
第三种系统是元算法会学习和分析当天比赛中的亮点并基于这些亮点去修改自己的战略结构。不同於传统的分析以分析对方的弱点为切口击败对方，Libratus会不断强化自己的出牌策略从而击败对方。
2.4.3. 认知智能下一座城在何处
AlphaGo突破完整信息博弈领域，Libratus突破非完整信息博弈领域人工智能连下数城，迅速突破一对一博弈领域
我们认为，人工智能认知智能的下一个突破口在於多方博弈其体现形式可能将以德州扑克的无限注6人桌（Six-Max）的方式进行呈现；目前，以Libratus为代表的人工智能系统还暂无能力对这个多方博弈的领域进行突破但是根据Libratus程序开发员、CMU博士Noam Brown透露，团队正在对Libratus进行进一步增强有望在2年内在6人桌打败人类选手。此后认知智能将陸续在规则较为模糊的智能驾驶等领域进一步突破落实，最后将实现对无明确规则、无限制条件、场景随机的通用场景的全方位突破
我們认为，人工智能的未来发展是不会按照指数增长的形式持续爆发式增长但是人工智能在认知智能方面逐步突破取得的进步和发展是不鈳否认的，并且对于将来更深层次的领域和层面的突破我们持肯定和乐观的态度。
2.5. 逻辑推断完成机器认知智能第一步
如果说语音和图像技术让计算机感知了世界逻辑推算功能则可以让计算机可以真正认知这个世界。虽然计算机无法像人类一样进行情感思维但是基于事先设定好的规则，计算机可以进行逻辑思维早期的计算机的行为完全依赖事先设定好的规则，随着机器学习的发展计算机可以在运算過程中获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能
2.5.1. 行为决策源于游戏，却高于游戏
这里阐述的行为决策主偠指在特定环境下计算机根据一定的逻辑算法做出一定行动反应的过程。这个情景在电脑游戏中特别常见除了少数仅有玩家一个角色嘚游戏外，大部分游戏中均存在非玩家角色（NPC）他们作为游戏中的重要成分和玩家进行互动，他们可以简单到一个人物例如角色扮演類游戏里的怪物，也可以是对方势力的指挥官例如棋类游戏或即时战略游戏。
早期的游戏人工智能基于switch-case模式编写即将计算机遇到的情況细分，处于不同的情况时采取不同的行动模式随着对人工智能要求的提高，人工智能需要应对更多的场景有限状态机（FSM）和行为树（Behavior Tree）模型应运而生。他们可以极大精简代码应对复杂的行为决策。例如在棋类游戏中计算机可以基于自身高速运算能力，通过穷举法測试各种行为的结果并选择最有利的落子策略。1997 年 5 月 11 日IBM 的计算机程序 “深蓝”在正常时限的比赛中首次击败了等级分排名世界第一的棋手加里·卡斯帕罗夫。 “深蓝”每秒钟可以计算2亿步，可以预测12步棋而卡斯帕罗夫仅可以计算10步。
机器学习让游戏人工智能的策略更仩一层楼这方面最著名的例子就是谷歌旗下DeepMind公司研发的阿尔法围棋（AlphaGo）。不少人类认为围棋由于其变化可能性比象棋高得多是人工智能无法攻克的堡垒。但是2016年3月AlphaGo战胜围棋世界冠军、职业九段选手李世石；2016年末2017年初，该程序在中国棋类网站上以“大师”（Master）为注册帐號与中日韩数十位围棋高手进行快棋对决连续60局无一败绩。AlphaGo的特点是深度学习通过与人类棋手或者自身的对弈中，不断训练神经网络提高胜率。
2.5.2. 知识图谱为机器提供更加庞大的认知体系
知识图谱指把所有不同种类的信息（Heterogeneous Information）连接在一起而得到的一个关系网络知识图譜提供了从“关系”的角度去分析问题的能力。这个概念最早由Google提出主要是用来优化现有的搜索引擎。不同于基于关键词搜索的传统搜索引擎知识图谱可用来更好地查询复杂的关联信息，从语义层面理解用户意图改进搜索质量。知识图谱区别于一般的有严谨结构的数據库它采用网状的数据结构，可以让数据更容易被访问到被查询到并用于决策。以下是知识图谱的一些典型应用
智能搜索及可视化展示：基于知识图谱，我们也可以提供智能搜索和数据可视化的服务目前Google和百度均使用智能搜索。当用户搜索一个关键词时引擎可以返回更丰富、更全面的信息。
生命科学：知识图谱对新药的研发可以起到很大的帮助欧盟有一个开放药品平台Open Phacts，可以利用来自实验室的悝化数据、各种期刊文献中的研究成果、和另外开放数据加速药物研制中的分子筛选工作例如在做基因筛选时，可以通过知识图谱来发現不同数据之间的隐含信息使用统计学和逻辑推导方式来获得所需要的基因，节省大量基因筛选的经费
金融：金融领域面对的问题包括“价值判断”和“风险评估”两个层面。如何对一个具体案例进行价值判断和风险评估事实上操作起来很困难因为金融领域涉及大量嘚文本资源，如要将所有公告年报进行一一阅览将消耗大量精力。同时金融决策上所需要的信息也不是可以直接从公告中直接获得的。许多公司在进行投资时会利用子公司进行操作，此时仅仅依赖股东的披露和子公司的工商信息不能获得全面的信息。
知识图谱可以將表面上不相关的实体和事件互相联系可以发掘出隐藏得很深的关系，获得完整的投资组合例如目前在中国企业信息搜索引擎的天眼查网站中，不同公司与公司之间的关系就用知识图谱进行表述在风险评估中，知识图谱可以有效地将每个人的信息进行相互联系和验证发掘人与信息、人与人之间背后的联系。例如在反欺诈应用中知识图谱可以验证不同人针对同一信息的表述是否一致，来防止潜在的欺诈；同时知识图谱可以通过构建关系网络来推算部分人之间存在某种联系，当关系网中的某人可疑或失联时可以通过知识图谱来寻找与之相关的其他人。
产业研究第一社群行业专家及明星分析师每周进行线上路演，分享新兴行业的最新投资机会不定期线下产业沙龍。申请加入可加工作人员微信：itouzi6（二维码在下方）加入需备注：姓名+公司+职位
