一、人工智慧悄然興起
“人工智慧”涵蓋了很多前沿技術和分支，卻很難用一句話來定義，因為它一直處在發展當中。比如，一些在過去看來很“人工智慧”的事情，現在卻變成了簡單的“機械重複”，像是數字的高速計算、影像的處理等。但總體上來看，“人工智慧”的本質和目的一直沒有發生太多變化，那就是“完成人類的部分腦力工作”。
人工智慧曾經在20世紀90年代網際網路泡沫破裂前風靡一時，到了21世紀伊始卻變成了一個禁忌，大家開始懷疑它是否存在。而到了2011年，美國資本市場再度為人工智慧而瘋狂。風險投資機構和頂級科技公司們開始頻繁投資這個領域的創業公司，投資範圍從應用層面的機器人、擴增實境，到底層技術層面的深度學習演算法、神經網路晶片等，人工智慧專案也遍地開花。比如，Google接連投資了虛擬現實創業公司Magic Leap，收購了人工智慧公司DeepMind;Facebook收購語音識別公司Wit.ai，等等。
除了投資外部團隊之外，像IBM、Google、Facebook和百度等國內外科技巨頭們也紛紛加強自己的人工智慧方面的專業團隊，招募了一批人工智慧尤其是深度學習相關領域的科學家，如深度學習鼻祖之一Geoffrey Hinton加入了Google，Yann LeCun加入了Facebook擔任人工智慧實驗室負責人，Andrew Ng(吳恩達)加入百度負責深度學習研究院等。
二、驅動人工智慧發展的內外動因
“人工智慧”的再度興起並非偶然，外部環境和人工智慧自身都在發生演化。我們認為，驅動人工智慧領域發展到現在程度的外部動因有：
1.感測器能力和數量的大幅提升：LIGA等微電子技術的日趨成熟，推動著感測器的能力有了質的飛躍，而大量智慧裝置的出現則進一步加速了感測器領域的繁榮。這些延伸向真實世界各個領域的觸角是機器感知世界的基礎，而感知則是智慧實現的前提之一。
21世紀人工智慧的里程碑事件之一是，2006年Geoffrey Hinton發表的論文《A fast learning algorithm for deep belief nets》。他在此文中提出的深層神經網路逐層訓練的高效演算法，讓當時計算條件下的神經網路模型訓練成為了可能，同時通過深度神經網路模型得到的優異的實驗結果讓人們開始重新關注人工智慧。之後，深度神經網路模型成為了人工智慧領域的重要前沿陣地，深度學習演算法模型也經歷了一個快速迭代的週期，Deep Belief Network、Sparse Coding、Recursive Neural Network, Convolutional Neural Network等各種新的演算法模型被不斷提出，而其中卷積神經網路(Convolutional Neural Network，CNN)更是成為影像識別最炙手可熱的演算法模型。
目前，隨著GPU和CPU叢集的出現，雲端的計算資源已經慢慢不再是人工智慧的發展瓶頸。而人工智慧演算法模型的進一步豐富和改進以及本地化人工智慧的實現成為了人工智慧新的主要發展方向。
三、人工智慧的三步走
從人工智慧的整個發展歷程來看，按照應用場景和人工智慧資源的集中度，可以大致分成三個階段。
第一階段：實驗室研究階段，這一階段的人工智慧資源高度集中。人工智慧在2011年前的發展大致還處於實證研究階段，資源高度集中在國家或大學資助的研究機構中，用於演算法模型的訓練和研究，人工智慧還只能為極少數人接觸到。這一階段大量的工作除了在演算法模型本身的研究外，還包括建立計算能力本身。
第二階段：企業應用階段，這一階段的人工智慧資源被少部分科技巨頭掌握。在人工智慧表現出一定的實際應用價值後，科技巨頭們一擁而上，紛紛希望在這個領域取得突破。在少部分核心企業掌握了大規模的人工智慧資源以後，其它小規模的企業一般會利用這些核心企業提供的人工智慧資源介面和其支援的人工智慧應用為自身的發展提供服務。由於掌握大規模的計算資源是這一模式的前提，因此這一階段人工智慧資源的集中度仍然非常高，而這將是人工智慧在企業場景下的主要應用形式，即集中計算，分佈使用。
第三步：個人應用階段，這一階段的人工智慧資源被分散到個人手中。顯然，依賴於雲端大規模計算資源的人工智慧演算法限制著人工智慧在消費者場景的應用，因為集中式計算意味著巨量的網路資源消耗，並且因為網路問題，難以在消費者應用場景中有穩定的表現。因此，人工智慧的本地化，也就是從集中走向分佈(細化到智慧手機、可穿戴裝置等)實現將是人工智慧在消費者場景中得到普及的關鍵一步。伴隨著人工智慧的本地化實現，將使得人工智慧真正延展到手持裝置、家用電器、汽車等消費級應用。
從這個角度來看，人工智慧在消費者場景實現的關鍵是對演算法模型優化和使用者場景的綜合理解，以及底層硬體的設計製造。而人工智慧的企業應用則會是巨頭們的遊戲。
四、人工智慧的產業生態
人工智慧產業主要由底層可應用技術(影像識別、語音識別、自然語言處理、硬體技術等)、計算資源(大規模GPU叢集)、基礎資料服務，以及企業/政府/消費者應用組成。遵循產業的一般發展規律，人工智慧的發展路徑仍然是從底層可應用技術的成熟開始，再到商業化計算資源、資料服務等基礎設施的完善，最後形成企業和消費者應用的繁榮。
五、風起於青萍之末
乍看上去，人工智慧是個巨頭間的遊戲，巨頭企業無論從資本、人才還是技術積累上似乎都更有優勢。然而事實未必如此。如果以汽車行業做類比，汽車電動化的先驅並非寶馬、大眾這樣的傳統汽車巨頭，而是特斯拉這樣的“小”公司。這其中的原因在於，大公司面對創新變革時，往往看不上小機會，因為小機會對它們的吸引力實在太小了。巨頭們往往喜歡憋大招，喜歡一步到位，從而徹底甩開競爭對手。但是創新、特別是針對大眾消費者的創新卻是循序漸進的，所謂“大招”中其實包含著不少對使用者需求的錯誤假設。小步快跑，不斷尋求和使用者互動，積跬步終能致千里。因此，創業公司在人工智慧的創新變革中反而會更有機會。從Google和Yahoo在搜尋領域，到Facebook和MySpace在社交領域，再到Apple和Nokia在手機領域，最終變革的主導力量其實都是“小”公司。
基於這個方向判斷，有志於在人工智慧領域挑戰巨頭的創業者們需要先想清楚三件事：
一、人工智慧改變了什麼。偉大的產品或技術一定是改變了消費者在某些場景下的行為，有沒有都一樣的產品，很難給消費者使用它的理由。人工智慧相關產品核心是要能夠替代一部分人的功能或者提高人的效率，那麼在這個大前提下要考慮兩個小問題，第一個是，產品對應的使用者場景下人的介入頻次高不高，頻次決定了這個產品的天花板。第二個是，這個應用場景下替代掉的人的價值有多大，顯然替代掉的這部分價值轉化成了產品的內在價值。最後不妨做一個乘法，把產品所替代的工作/操作的頻次乘以每次工作/操作能夠產生的價值，這個乘積越大說明人工智慧在該應用場景中發揮的作用越大。
二、該方向上的人工智慧是否能夠實現。人工智慧的許多技術都還沒到非常成熟的地步。之前提到，創業者的優勢在於小步快跑，因此在人工智慧還不成熟的領域，一味追求技術上的突破來解決所有問題並不可取。無法解決一個通用場景就從幾個專門的場景先入手，無法做出一個“萬能”的產品不妨先做出一個可以用的產品。只有使用者使用了產品並給予反饋，才可能真正知道自己產品的缺陷和下一步的方向。
三、人工智慧能否成為該產品的核心競爭力。核心競爭力是一個產品的拳頭，如果拳頭不硬，這個產品無疑開啟不了市場。因此產品的核心競爭力如果是人工智慧，那麼該方面的人工智慧必須是完美適用於該特定場景的。如果產品倚重的是還存在很多瑕疵的人工智慧技術，那麼這個產品本身的被接受程度就會很不理想。但不要籠統地認為人工智慧技術的某些侷限會成為產品的絆腳石。以特斯拉電動車為例：電池效能至今還在很多方面限制著電動車的表現，依然有很多使用者青睞特斯拉，原因是特斯拉的核心競爭力在於它出色的啟動、智慧化的駕駛體驗和簡易的維護，電池儘管是一個短板但不是核心功能。因此，關鍵仍然在於定義自己的核心競爭力，並確保在核心競爭力上的技術是經得起推敲的。
人工智慧已經走出了象牙塔，在企業和消費者端的應用有了顯著進步。但這仍然不夠。如何讓消費者手中的裝置擁有儘可能多的處理能力，需要技術和應用的雙端突破，這也正是人工智慧領域創業公司的機會和任務所在——人工智慧之風，在未來會起於青萍之末。