AI 这场革命，到底走到了哪一步？

▌一、身在何方的AI

▌二、人工智能制胜的三宝

2、算法

我们现在经常提到的“深度学习”是属于人工智能算法(软件)层面的。自从深度学习取得突破性进展以后，巨头们频频开源，所有的巨头都想成为AI时代下一个开发IOS的“苹果”或是开发Andriod系统的“谷歌”。毕竟大佬的终极梦想都是我吃火锅，你们剩下的吃火锅底料。当这些大佬们把开源做好，就可以收割接下来做应用场景的AI（app）公司的韭菜。这些公司使用开源平台进行算法的迭代时，开源平台可以获取数据，以及市场对应用场景热度的反馈,掌握绝对的控制权和话语权。

自动驾驶系统和物联网成为算法这块蛋糕中，大佬们争夺的现行焦点！后续会有更多的焦点，争斗会一轮比一轮的猛烈。而这场游戏注定是大佬们玩的，前期巨大的投入，才能在后期收割，能玩的起的玩家不多！

3、大数据

笔者认同：

第一次工业革命以煤炭为基础，蒸汽机和印刷术为标志，

第二次工业革命以石油为基础，内燃机和电信技术为标志，

第三次工业革命以核能基础，互联网技术为标志，

第四次工业革命以可再生能源为基础，数据和内容作为互联网的核心为标志。

这三者中，作为燃料的大数据是离商业化场景最近的，也是机会最多，洗牌最惨烈的维度。大数据时代下的核心在于预测分析，在《Big date ,大数据时代》这本书中，作者认为基于充分数据，95%的人的行为是可以预测的，大数据的模型就是帮人类做出决策分析。所以数据本身不产生价值，如何分析和利用大数据对业务产生帮助才是关键。数据和内容作为互联网的核心，不论是传统行业还是新型行业，谁率先与互联网融合成功，能够从大数据的金矿中发现暗藏的规律，就能够抢占先机，成为技术改革的标志。

不同于，算力和算法的维度，基本被大佬们占住了山头。在大数据时代，很多行业有重新洗牌的机会。上图中的七大行业就潜在着巨大的经济价值，自上而下分别是教育，运输，消费品、电力、石油与天然气、医疗护理、消费金融，每几个领域里面，每个都有可能出大佬，我们现有的商业模式里，很多都可以被大数据摧毁重建。所以在现阶段躺着挣钱的阿里和腾讯都在在疯狂争夺数据，它们的焦虑不是没有道理的。

▌三、芯片世界里的群雄争霸

人们越来越看好人工智能的前景及其潜在的爆发力，而上面三个领域里，要说已经开始创造现金流的要属“算力”这个领域。笔者接下来想重点谈谈这个这个领域里相对应的投资机会。

无疑此阶段大获全胜要属英伟达，凭借自身旗下的GPU芯片，股价飙出天际。但笔者想说大局未定。或者说，你错过了英伟达，还有其他的选择。

1、移动端的新选择

GPU最初是作为应对图像处理需求而出现的芯片。其特点为擅长大规模并行运算，可以平行处理大量信息。在人工智能技术发展早期，因其优异的大规模数据处理能力，GPU被使用在多个项目之中。谷歌的图像识别项目、AlphaGo项目、特斯拉/沃尔沃等诸多汽车厂商的辅助驾驶系统和无人驾驶实验中，均使用了GPU作为加速芯片。

然而，从芯片底层架构来讲，由于GPU并非专为深度学习设计的专业芯片，未必为人工智能加速硬件的最终答案。

在人工智能市场高速发展的今天，人们都在寻找更能让深度学习算法更快速、更低能耗执行的芯片。目前，能够适应深度学习需要的芯片类型除了GPU还有FPGA和ASIC等。

再者，GPU不适合移动端的，人们迫切的希望能把人工智能也带到移动终端，尤其是能够结合未来的物联网应用。

对于移动端人工智能硬件的实现方法，有两大流派，即FPGA派和ASIC派。FPGA流派的代表公司如Xilinx主推的Zynq平台，而ASIC流派的代表公司有Movidius(被英特尔收购)。两大流派各有长短。

FPGA的是对应特定应用场景，针对特定用户需求是的专用类芯片。它优势是，如果计算机需要改变，它可以被重新装配。FPGA巨头们扎堆在美国，FPGA最强的公司有Xilinx, Altera, Lattice,等，各自都有自己的独门秘密武器。其中Xilinx是全球FPGA的霸主，千万门级，16纳米的领先者；Altera（被英特尔收购）是宇航级的开拓者，其他任何一家的产品，都是工业级、军工级，宇航级产品不可缺少的核心芯片，也是全世界国家从事尖端科技的短板和苦主。

赛灵思（Xilinx）的走势是这样的：

2、后起之秀，AI定制芯片必为趋势

假如把FPGA比作科研研发专用芯片，那么ASIC就是确定应用市场后，大量生产的专用芯片。基于此，厂家可以针对特定用户场景使用FPGA进行研发，当算法成熟、芯片设计固定后可以以ASIC的方式进行大规模生产。因此，毫不意外的，作为全定制设计的ASIC芯片，针对适用的应用场景，ASIC的性能和能耗都要优于市场上的现有芯片，包括FPGA和GPU。

目前，人工智能类ASIC的发展仍处于早期。其根本原因是，ASIC一旦设计制造完成后电路就固定了，只能微调，无法大改。而硬件的 研发设计与生产成本很高，如果应用场景是否为真市场尚不清晰 ， 企业很难贸然尝试。此外，能设计出适用于人工智能芯片的公司必 然是要既具备人工智能算法又擅长芯片研发的公司，进入门槛较高。

除了上面这两种，还包括谷歌推出的TPU --加速人工智能算法的专用处理器。目前一代TPU面向Inference，二代面向训练。

英特尔的股价走势：收购Altera，收购Movidius，CPU+FPGA方案。

▌总结