吊诡的是，文晔郑文宗董事长在2019年11月一次记者会上表示，大联大与文晔合计市场份额在亚太区前10大渠道商超过50%，在台上市柜渠道商市占更近70%。倘若未来两家公司合并，或以任何方式合作，都将对产业造成的不可逆的重大伤害，惨遭自家财报打脸。

根据目前大联大与文晔公开的数据，我们来做一下本次股权收购案的关键数据梳理。

30%—大联大发起收购股份数额

2019年11月12日，大联大投资控股股份有限公司（以下简称“大联大”）召开董事会，通过以每股新台币45.8元公开收购取得文晔科技股份有限公司已发行且流通在外的普通股，预定最高收购数量为177,110,000股(约为文晔公司已发行股份总数之30.0%)。

8.3%—收购后大联大＋文晔合计市场占有率

根据查阅文晔公司年报及公开说明书中，采用WSTS机构所调查得出的市占率资料来看，发现其过去8年对于市占率的描述，从民国100年的1.46%，到108年的3.2%非常一致的。

除了资料来源相同，地理区域均为「亚太市场」以外，销售额也是用全部半导体销售金额，而未将代理商跟直销加以区分。以108年度文晔自述在亚太市占率约3.2%来看，大联大的年营收金额约是文晔的1.6倍，依此初估约5.1%左右，两者相加约8.3%。同时分销商的市场地位下，从以上资料难以看到已达垄断之说。

吊诡的是，文晔郑文宗董事长在2019年11月一次记者会上表示，大联大与文晔合计市场份额在亚太区前10大渠道商超过50%，在台上市柜渠道商市占更近70%。倘若未来两家公司合并，或以任何方式合作，都将对产业造成的不可逆的重大伤害，惨遭自家财报打脸。

4不1会—大联大对文晔做出的收购承诺

大联大投资控股财务长兼发言人袁兴文表示，去年11月开始，大联大即向外界说明，在财务投资的前提下，大联大提出 4不「不推派董事代表、不再加码、不会与第三方合作表决或召开股东临时会、不对外征求委托书参与表决」与1会「会依法参加股东常会」等5大保证承诺。

并将以上内容清楚记载在公开说明书并出具律师意见。具体且清楚解释了大联大并无经营权介入的意图，也表达对员工及经营团队继续领导公司的支持。更透过支持文晔经营团队增加持股的立场来清楚表达大联大作为财务投资者的用心。

3没有3支持—大联大为表达善意进一步对文晔承诺

近日，就文晔投资案，文晔科技喊出的新增条件，大联大再次释放足够的诚意：在[四不一会]基础上，新增[三支持]和[三没有]，并再次重申，公开收购文晔科技股份是彻头彻尾的股权投资之案，无意结合。

81亿—大联大表达诚信，已将81亿现金汇到指定账户

袁兴文说，大联大已将81亿元现金都汇入交割户头里面，不可能故意违约而失去诚信与承诺。

袁兴文也强调大联大这次收购文晔科技30%股权提出「4不1会」的5大保证，就一个财务投资来说，是很大的承诺，大联大不会任意将自己置于风险上。大联大既无经营权介入的可能；更不会也不可能有办法以垄断、寡占来影响供应链。

65亿~75亿元—大联大目前每年盈余

大联大投资控股既要稳健地「获利成长」，确保利润与盈余，从成立每年不到10亿元年盈余，增长到目前65亿~75亿元，现在更是要把服务功夫下得更深，透过自动化工具、RPA去瓶颈、加强除错等信息通透智慧仓储全面数字化，整体营收获利是以超过百亿元为目标。

7.5亿—大联大投资文晔期望获得的收益

袁兴文进一步说明，于2019年9月底成立一个项目讨论最新的投资对象，评估文晔科技的营收、获利一直扩大，根据该公司公布的2019年第1~3季的获利与第4季财务预测的年度获利预期可23~25亿元，相当亮丽。

大联大评估文晔科技后，期望收购30%股权，可认列年获利7.5亿，再加上不错的殖利率4~5%可望带来的3亿元股息，有机会为大联大股东整体税后盈余带来动能，提升将近一成，非常适合做为长期投资对象，所以于11月决定公开收购文晔科技30%股权一案，就是典型的财务投资，完全符合「长期投资投资熟悉产业、优秀团队、不会短进短出」的方针。

2.3万家—目前大联大服务产业链客户2.3万家

袁兴文强调，以IC产品的区域与销售市场占比率的界定来看，由于大联大和文晔多是拥有世界级原厂代理权、经营区域广布亚太各国来看，地理区域上绝不能只看台湾或大陆市场，而应以亚太市场为准；销售金额也应以客户及原厂的观点，亦即包含直销/购与代理商在内的全体销售金额才对；纵使大联大有2.3万家客户，当原厂要结束合作40年代理服务，大联大也只能接受，更遑论有哪一家原厂、芯片、零件等客户，非得要透过代理商才能做生意。

5100亿—大联大旗下7家公司四大集团营收总额

袁兴文所称的双轨投资战略，是指「战略投资」与「财务投资」，也是其长期选择投资标的物评估方针，两者截然不同。

「战略投资」即以双方达成合意为前提所进行的并购，从2008到2011年期间，百分之百入股了凯悌、诠鼎、友尚、大传等，透过以双方合意为前提的企业并购方式拓展大联大经营规模，于2015年跃升为全球最大半导体分销商，并将旗下7家公司整合为四大集团，创年营收近5,100亿元高峰。

而「财务投资」则秉持「长期投资投资熟悉产业、优秀团队、不会短进短出」，单纯考量投资标的物带给的投资回报率及总获利，典型个案如之前在2018年处分的被动元件分销商日电贸，即是持有4年以上，最终获利4.5亿元出场，投资回报率超过250%。

上述的投资,将大联大年度盈余由2005年的小于10亿,一路增加到去年6、70亿的水平，而且过去10年发放现金股息达400亿元，成为台湾股市许多股民眼中高利率、定存股优选标的之一。

9%—大联大投资文晔希望获得的投资收益率

大联大财务长兼发言人袁兴文更进一步分析后笃定地说，「双赢指的是文晔股东在参与应卖，现金入袋后，由于文晔仍为上市公司，原有团队继续领导下，仍能在公开市场买回文晔股票继续投资；而大联大作为财务投资者，在四不一会的承诺之下，投资同产业的文晔科技，预期可带来的9%左右的年报酬率，如此则为文晔及大联大双方的股东带来双赢。

我知道你“在看”哟

点击报名“2019硬核中国芯领袖峰会暨评选颁奖盛典”

如今，我们正处于一个智能化时代，无论是云计算、大数据、物联网、人工智能等新兴技术的落地和崛起，还是数字化转型风暴所带来的侵袭，都在整个产业中掀起了滔天巨浪。

可以说，智能化转型浪潮会无差别的席卷全球，即便是行业的领军企业，也要面临着来自产品、服务以及市场定位等方面的颠覆。

从企业角度看，AI也是企业实现数字经济的重要抓手，通过智能化连接企业的数据资源、处理交易、变革流程、赋能组织，从而推进企业的业务创新和管理变革，转变生产经营和管理方式，是企业融入数字经济大潮的必由之路。

换句话说，今天很多企业从数字化正在走向智能化，不应仅仅只实现单纯的数据汇集过程，而是必须通过实现云边端一体的打通，从海量的数据中筛选有价值的部分，同时将AI产品的算法、算力以及各种能力可以在整个产业链路上进行灵活调用，才能够真正的实现企业的智能化变革，同时率先拥抱 AI，成功应用 AI 技术，也是构筑企业未来竞争力的关键体现，对企业未来的发展“不言而喻”。具体如何，我们通过以下一份报告来详细探讨！

本报告来源：易观，平台只做分享，不做商用，转载请注明来源，非常感谢！

我知道你“在看”哟

日前，在第三届世界智能大会上，中国新一代人工智能发展战略研究院发布了《中国新一代人工智能科技产业发展报告(2019)》报告。

从人工智能企业的核心技术分布看，大数据和云计算占比最高，为21.3%，其次是机器学习和推荐、语音识别和自然语言处理、人脸和步态及表情识别。同时，排在前列的还包括硬件、服务机器人、工业机器人和图形图像识别技术。

报告显示，中国是人工智能专利布局最多的国家。2018年全球人工智能领域专利申请量达到13万余件。中国、美国、日本三国相关专利累计占比超过全球80%。美国在基础层拥有专利控制力，技术层则呈现中美双寡头竞争格局，应用层中国专利占比领先。从专利布局的技术领域看，技术研发的热点领域为基础层的智能芯片和智能传感器、技术层的语音识别和机器视觉、应用层的智能驾驶。

此外，投融资方面，在745家人工智能企业中，发生融资事件的企业为577家，融资总额为3832.22亿元，是2017年的2.04倍，排名全球第一。

以下为《中国新一代人工智能科技产业发展报告(2019)》报告全文：

更多干货内容，长按扫描关注公众号！

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

在美国政府发出禁令之后，高通、英特尔、谷歌、ARM、微软、陶氏等公司纷纷对华为停止供应。据相关消息，芯片开发中至关重要的EDA厂商也已经和华为停止合作。而在5月29日，美国存储器厂商美光科技也正式发表声明，暂停向华为供应。

一时间，关于华为是否能够撑下去，我国芯片产业有哪些可以自主替代等话题成为热议的话题。为此，我们也给大家分享一张国内外对比图，完整呈现华为芯片的主要供应商，以及国产替代的机会。在此，也感谢西南电子首席陈杭的分享！

（关于国产芯片，华为被断供等话题，欢迎在留言与我们交流！）

更多干货内容，长按扫描关注公众号！

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

5月24日，由科技部新一代人工智能发展研究中心、中国科学技术发展战略研究院联合国内外十余家机构编写。中国科学技术信息研究所、教育部学校规划建设中心、中国科学院自动化所、中国社科院工业经济研究所、上海市科学学研究所等科研机构，以及清华大学、中国人民大学、北京邮电大学、华东理工大学等大学参与，爱思唯尔（Elsevier）公司、北京国知预警专利咨询公司、艾瑞咨询集团、乌镇智库等机构提供数据支持的《中国新一代人工智能发展报告2019》，在浦江创新论坛上正式发布。

根据报告显示，2018年有12个国家地区陆续发布或加强了其国家级人工智能战略计划，另有11个国家正在筹备制定其人工智能国家战略。其中，美国、中国、英国在人工智能发展方面表现突出，其它国家也各有特点。

2013-2018年，全球人工智能领域的论文文献产出共30.5万篇，其中，中国发表7.4万篇，美国发表5.2万篇。中美两国之间人工智能科研论文合作规模最大，是全球人工智能合作网络的中心，中美两国合作深刻影响全球人工智能发展。

以下为报告概要内容：

更多干货内容，长按扫描关注公众号！

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

2019年5月9日，美国政府宣布，自2019年5月10日起，对从中国进口的2000亿美元清单商品加征的关税税率由10%提高到25%。美方上述措施导致中美经贸摩擦升级，违背中美双方通过磋商解决贸易分歧的共识，损害双方利益，不符合国际社会的普遍期待。为捍卫多边贸易体制，捍卫自身合法权益，中方不得不对原产于美国的部分进口商品调整加征关税措施。

根据《中华人民共和国对外贸易法》《中华人民共和国进出口关税条例》等法律法规和国际法基本原则，经党中央、国务院批准，国务院关税税则委员会决定，自2019年6月1日0时起，对已实施加征关税的600亿美元清单美国商品中的部分，提高加征关税税率，分别实施25%、20%或10%加征关税。对之前加征5%关税的税目商品，仍继续加征5%关税。

中方调整加征关税措施，是对美方单边主义、贸易保护主义的回应。中方希望，美方回到双边经贸磋商的正确轨道，和中方共同努力，相向而行，争取在相互尊重的基础上达成一个互利双赢的协议。

更多干货内容，长按扫描关注公众号！

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

我国政府高度重视人工智能的技术进步与产业发展，人工智能已上升国家战略。《新一代人工智能发展规划》提出“到2030年，使中国成为世界主要人工智能创新中心”。为此，我国也出台了系列政策，大力推动人工智能产业发展，以下为国内相关政策汇总：

一、国内人工智能政策及规划

1、国家层面

2、地方层面（2017年至今）

二、世界各国主要人工智能政策法规梳理

另一方面，世界各国也都将人工智能作为未来经济转型发展的重要驱动力，纷纷推出相关产业政策支持人工智能技术和产业的发展。

以上内容来自集成电路产业研究，仅供交流学习之用，感谢分享！

更多干货内容，长按扫描关注公众号！

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

据机器人文明了解，此前几年中，Anki公司已经筹集了2亿多美元（相当于12亿元人民币）资金，并一度获得了苹果公司的大力推广，甚至刚被Fast Company评为“2019年度全球最具创新力企业”。如此耀眼的一家创业公司突然倒闭，也是让人匪夷所思。

据机器人文明了解，Anki由毕业于卡内基梅隆大学机器人研究所的三位博士生创立，曾是机器人学和人工智能领域炙手可热的创业公司。

公司成立于2010年，2013年推出的首款产品Anki DRIVE（智能汽车玩具）便登上了苹果WWDC，库克评价称，它“打造了一种全方位的玩具新体验”。次年，这款产品成为亚马逊上第二畅销的玩具。

由此可见，Anki自诞生以来，便受到了业界巨头的关注。而在当时，机器人也正是非常当红的产业方向。

2016年，Anki推出的小机器人Cozmo更是引领一阵热潮。它不仅成为卡内基梅隆大学官方认证的教学机器人，这个会撒娇会卖萌还有点小脾气的“戏精”机器人还在社交媒体上受到极高的关注，测评视频被刷爆。

在这一年，Anki DRIVE的二代产品Anki OVERDRIVE发布，以及Cozmo热销，Anki的名字推上了2016年假日季四大畅销高档玩具的榜单。

2017年，亚马逊玩具销售排行榜上，Cozmo成为卖得最好的那一个，这家公司透露，公司这一年的收入已经接近1亿美元。

Anki并没有在此停下脚步，2018年，他们推出了家用机器人Vector。

虽然跟Cozmo长得很像，但实际上Vector更接近市面上语音精灵类的产品，也就是说它既能实体卖萌，又能帮你拍照、计时、定闹钟。

但值得注意的是这一次Anki选择在Kickstarter上发起了众筹，官方的解释是，他们希望能将Vector放到更大的设计平台和技术社区当中。

截止到现在， Anki已经卖出了650万台机器人，仅2018年8月，就卖出了150万台。

据Recode报道， Anki首席执行官Boris Sofman周一在会议上告知其员工公司即将被迫关门停业。

至于关门的原因，Anki发言人表示：“尽管我们过去取得了成功，但我们追求各种融资途径，为我们未来的产品开发提供资金，并在我们的平台上进行扩展。一个重要的金融交易在最后阶段与战略投资者失败，我们无法达成协议。我们正在尽最大努力照顾每一位员工及其家人，我们的管理团队继续探索所有可供选择。”

Anki表示，该公司在2017年的收入接近1亿美元，预计将在2018年达到顶峰。该公司获得了超过2亿美元的风险投资资金，其中包括Andreessen Horowitz，其联合创始人Marc Andreessen曾短暂成为Anki董事会成员。据报道，Anki的高层管理人员声称亚马逊、康卡斯特和微软等巨头对其有收购兴趣，但此次收购未能实现。

据机器人文明了解，消费级机器人从2014年开始兴起，2015年引爆创业圈，2016年到达顶峰，但在2017年遇冷，其发展可谓是跌宕起伏。

对于Anki公司而言，其进入时间较早，获得资本的青睐也很正常。但从本质上讲，消费机器人并没有解决实际的应用痛点，甚至长期和“玩具”概念混在一起，主要的市场还是儿童等，缺乏快速成长的爆点。

实际上也是如此，在一股创业潮之后，TickTock 、Kuri、Jibo等消费机器人先后倒闭。而 Anki也只是这一股浪潮之后的又一家！

本文由机器人文明公众号整理，素材来自量子位、TechWeb、cnBeta等，仅供交流学习之用，感谢分享！

更多干货内容，长按扫描关注公众号！

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

这篇AI“图文简史”涵盖了AI从概念起源到诞生、发展过程中的重要里程碑和技术节点，对AI技术的主要分类方式和重要技术应用方向。70年AI发展史，一文纵览。

1943年，阿兰·图灵发明了“图灵机“，为智能机器的判定设置了基准：”能够成功骗过人类，让后者以为自己是人类的机器，称为智能机器。”

1950年，科幻作家阿西莫夫发表短篇科幻小说集《我，机器人》，书中提出了影响深远的“机器人三原则”。

1956年，约翰·麦卡锡首次提出“人工智能”的概念，当时盛行“由上至下“的思路。即由预编程的计算机来管治人类的行为。

1968年，首个通用式移动机器人诞生，能够通过周围环境来决定自己的行动。

1969年，MIT人工实验室创始人马文·明斯基为导演斯坦利·库布里克的电影《2001漫游太空》担任顾问，塑造了片中超级智能计算机HAL9000的银幕形象。

1973年 AI“寒冬“论开始出现。在AI上的巨额投入几乎未收到任何回报和成果，对AI行业的资助开始大幅滑坡。

1981年，“窄AI”的概念诞生。更多的研究不在寻求通用智能，而转向了面向更小范围专业任务的“窄AI“领域。

1990年，Rodney Brooks提出了“由下自上”的研究思路，开发能够模拟人脑细胞运作方式的神经网络，并学习新的行为。

1997年，超级计算机“深蓝”问世，并在国际象棋人机大战中击败人类顶尖棋手、特级大师加里·卡斯帕罗夫

2002年，iRobot公司打造出全球首款家用自动化扫地机器人。

2005年，美国军方开始投资自动机器人，波士顿动力的"机器狗"是首批产品之一。

2008年，谷歌在iPhone上发布了一款语音识别应用，开启了后来数字化语音助手（Siri、Alexa、Cortana）的浪潮。

2010年，上海世博会上，来自NAO公司的20个跳舞机器人献上了一段长达8分钟的完美舞蹈。

2011年，IBM Watson在Jeopardy答题竞赛中战胜了表现最优秀的人类选手。

2014年，在图灵测试诞生64年后，一台名为Eugene Goostman的聊天机器人通过了图灵测试。谷歌向自动驾驶技术投入重金，Skype推出实时语音翻译功能。

第一种AI分类方式：强AI和弱AI

强AI，又称“通用AI”，具备通用化的人类认知能力，具备足够的智能解决不熟悉的问题。

弱AI，又称“窄AI”，指专门针对特定任务而设计和训练的AI，比如苹果的虚拟语音助手Siri。

第二种AI分类方式：从反应式机器到自我意识

反应式机器。代表性范例：深蓝。能够识别棋盘上的形势，并做出预测，但没有记忆。

有限记忆。能利用过去的记忆为未来决策提供帮助。代表性范例：自动驾驶

意志理论：能够理解影响自身决策的观点、欲求和目的。目前这类AI尚不存在。

自我意识：具有自我意识的机器，能够理解自身目前的状态，并能利用现有信息推测他人的感觉。目前这类AI也不存在。

自动化机器人：对机器进行编程，使其高质量地完成一般由人完成的重复性任务，同时具备对不同任务条件的适应性。

机器视觉：让计算机能够“看见”的技术，利用摄像头捕获并分析视觉信息，完成模-数转换与数字信号处理。

机器学习：让计算机在未经编程的情况下运行。机器学习的子领域之一是深度学习，其目标是实现自动化的预测性分析。

自然语言处理：利用计算机程序处理人类语言。垃圾邮件检测、文本翻译、语义分析和语音识别等都属于该领域。

机器人技术：机器人能够比人类更精确、更持久地完成困难的重复性任务。

1、DeepMind：目前居于AI研究企业第一位

2、谷歌：旗下设谷歌大脑团队，在每个可能的领域聚焦长期AI研发。

3、Facebook：主要关注语言领域的问题，如动态记忆，问答系统开发等。

4、OpenAI：团队规模虽然不大，配置属于全明星级别。

5、百度：在语音交互、自动驾驶等领域表现出色。

6、微软：在AI领域耕耘多年，目前聚焦实时翻译。

7、苹果：正在研发面部识别技术，分析用户面对设备上出现广告的面部反应。

8、IBM：利用AI技术从照片、视频、语音和文本中提取语义。

9、亚马逊：目前多个部门业务向AI倾斜，比如无人商店、无人机货物配送，以及Alexa语音助理等业务。

10、英伟达：机器学习计算资源和硬件领域的领军者。

1、美国：每年有100亿风投资金进入AI领域

2、中国：在过去5年中，中国与AI相关的专利数量上涨了190%。

3、日本：制造业部门的自动化程度可能高达71%。

4、英国：英国政府每年资助1000位AI专业的博士。

5、德国：首都柏林的AI初创公司数量位居世界第四。

6、法国：到2022年，法国政府对AI行业的投资将达18亿美元。

7、加拿大：正在兴建价值1.27亿美元的AI研究设施。

8、俄罗斯：到2025年，俄罗斯30%的军事装备将实现机器人化。

9、以色列：自2014年以来，AI初创公司的数量增长了3倍。

10、爱沙尼亚：在处理与解决与AI相关的法律问题上走在世界前列。

全面自动化的交通：AI技术将让未来的交通走向全面智能化和自动化。

赛博技术：AI和机器人技术将成功助我们超越认知和身体上的极限。

代替人类从事危险职业：机器人和无人机将代替我们完成炸弹拆除等危险任务，我们不必为了完成这些任务冒上生命危险。

解决气候变化问题：有朝一日，AI可以利用大数据获得判断趋势的能力，并利用这些信息解决气候变化这样的重大问题。

探索新的边界：机器人可以帮我们进一步探索太空和海洋。

预测未来：机器学习利用过去的信息预测未来，谁将开启一段浪漫之旅？谁将面临离婚等等。

本文来自新智元，仅供交流学习之用，不代表本公众号观点及主张，感谢分享！

更多干货内容，长按扫描关注公众号！

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

美东时间4月16日下午2点55分左右，苹果和高通决定和解专利使用费的纠纷。两家公司联合发布的声明称，高通和苹果已经达成协议，放弃在全球层面的所有法律诉讼。除此之外，两家公司已经达成了为期六年的全球专利许可协议，已在2019年4月1日生效，并有两年的延期选项。苹果将向高通支付一笔一次性的款项，两家公司还达成了一份多年的芯片组供应协议，但上述具体金额均未知。

这一消息是在收盘前1小时左右公布。从两家的股市行情来看，高通股价大涨23%，创下1999年以来高通最大单日涨幅，市值单日增加约145亿美元，达到852.66亿美元。而苹果股价在短暂震荡之后，最终收涨0.01%。

高通股价大涨

通过资本市场的表现，我们也能非常明显地看到，此次和解对于高通而言获益更大。至于苹果，在与高通一些列诉讼之后，该买的芯片还是得买，该交的专利许可费还是得交。

根据相关资料消失，2010年到2016年之间，苹果为高通芯片支付了161亿美元，以及72.3亿美元的专利许可费。而在这期间，苹果研发投入一直在快速增长，每年数以十亿计的资金投入，大部分都花在研发各种诸如芯片、传感器的基础技术上。

由此可见，苹果对于自研芯片觊觎已久。而在取得进展之后，那些强烈依附苹果生态的供应商也就好日子到头了，其中Imagination和Dialog就是非常典型的两个案例。

而这一次，在基带芯片上，苹果显然是暂时还“离不开”高通。

虽然说早在2017年就有传闻，苹果将自主研发4G基带芯片，2018年iPhone就会采用这种4G基带技术，从而彻底放弃高通的基带芯片。但是从最后结果来看，显然苹果在4G基带芯片方面还没有做好准备。以致于在与高通撕破脸皮之后，仓促地导入英特尔基带芯片，并由此引发了消费者的抱怨。

毕竟，英特尔在基带芯片方面，还无法很好地替代高通。而在5G时代，这一现象显得愈发明显。根据之前消息，英特尔5G基带芯片出现延期，最快也得到2020年，这就导致了苹果一段时间内无法推出5G手机的尴尬。相反，2019年下半年预计将会有多款5G智能手机推出，这对于苹果而言，显然是难于接受的。

虽说苹果有很强的硬件研发能力，并且有出色的A系列处理器，但苹果并不具备基带研发能力，在挖了高通和英特尔的大量研发人才后，苹果也很难造出5G基带芯片。毕竟，基带是一个技术壁垒很高的产品。

多年前，TI、Marvell、NVidia、Freescale、Broadcom和ADI等多家企业都尝试做基带芯片，最后都没有成功。目前，能够提供5G基带的只有高通、三星、华为、联发科和英特尔等几家。这也是之前传出华为有望向苹果供货5G基带芯片的原因，放眼全球苹果的选择并不多。

在苹果与三星、华为、联发科和英特尔都传过绯闻之后，显然现在的苹果还离不开高通基带芯片。

就在苹果和高通发布联合声明之后，英特尔也发布了最新的消息，正式宣布退出5G智能手机市场，称将聚焦在网络基础设施和其他数据为中心业务的机会。

英特尔公告

在公告中，英特表示：“将继续向当前客户履行其现有4G智能手机基带产品线的承诺，但预计不会在智能手机领域推出5G基带芯片产品，包括最初计划于2020年推出的产品。”

英特尔CEO鲍勃·斯旺（Robert Swan）也表示：“我们对5G的机会以及网络的云化感到非常兴奋，但在智能手机调制解调器业务中，很明显没有明确的盈利机会和良好的回报。5G仍然是英特尔的战略重点，我们的团队开发了一系列有价值的无线产品和知识产权。我们正在评估实现我们创造的价值的选择，包括5G世界中各种以数据为中心的平台和设备的机会。”

至此，英特尔在移动端的尝试，再一次以“失败”告终。其实在智能手机之前，提起处理器基本上都会想到英特尔。直至今天，英特尔在PC和服务器领域，仍然是难于撼动的霸主。但是在移动市场，英特尔却始终难有大突破。

在移动芯片领域，2011年英特尔才宣布推出Atom系列处理器。与高通相比，显然是错失了先机。最要命的是，英特尔Atom系列处理器在前期出现了兼容性问题，并且工艺制程上一直落后于竞争对手，市场反馈可想而知。

到了2014年，英特尔在智能手机领域没有太大动作之后，又转向了平板电脑领域，并且祭出“补贴”大旗。这种补贴之高，在每部Atom平板上超过300元人民币，接近整部售价的1/4。虽然在强势补贴下，也取得了千万级的出货，但是合作企业很多是小品牌，并没有达到预期的效果，同时也造成了移动业务部门相当大的亏损。

回到此次事件，毫无疑问英特尔在移动市场又一次遭遇了失败。从新任CEO的表述中也可以明显看出，5G基带芯片英特尔是不准备在做了。毕竟失去苹果之后，也很难有大的手机厂商愿意给英特尔机会，高通在移动端的霸主地位依旧难于撼动！

可以这样说，苹果和高通重回旧好，最伤心的恐怕是英特尔了。对于苹果而言，按照近些年的一贯做法，其在基带芯片领域的研发很有可能仍在继续，毕竟完全依赖一家供应商不符合苹果供应链管理的大战略。

相爱相杀的苹果和高通，这才是“真爱”啊！

更多干货内容，长按扫描关注公众号！

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

目前，人工智能芯片技术领域的国内代表性企业包括中科寒武纪、中星微、地平线机器人、深鉴科技、灵汐科技、启英泰伦、百度、华为等，国外包括英伟达、AMD、Google、高通、 Nervana Systems、Movidius、IBM、ARM、CEVA、MIT/Eyeriss、苹果、三星等。（以下排名不分先后）

寒武纪科技成立于 2016 年，总部在北京，创始人是中科院计算所的陈天石、陈云霁兄

弟，公司致力于打造各类智能云服务器、智能终端以及智能机器人的核心处理器芯片。阿里巴巴创投、联想创投、国科投资、中科图灵、元禾原点、涌铧投资联合投资，为全球 AI 芯片领域第一个独角兽初创公司。 

寒武纪是全球第一个成功流片并拥有成熟产品的 AI 芯片公司，拥有终端 AI 处理器 IP 和云端高性能 AI芯片两条产品线。2016 年发布的寒武纪 1A 处理器（Cambricon-1A）是世界首款商用深度学习专用处理器，面向智能手机、安防监控、无人机、可穿戴设备以及智能驾驶等各类终端设备，在运行主流智能算法时性能功耗比全面超越传统处理器。

1999 年，由多位来自硅谷的博士企业家在北京中关村科技园区创建了中星微电子有限 公司，启动并承担了国家战略项目——“星光中国芯工程”,致力于数字多媒体芯片的开发、 设计和产业化。 

2016 年初，中星微推出了全球首款集成了神经网络处理器（NPU）的 SVAC 视频编解 码 SoC，使得智能分析结果可以与视频数据同时编码，形成结构化的视频码流。该技术被广泛应用于视频监控摄像头，开启了安防监控智能化的新时代。自主设计的嵌入式神经网络处理器（NPU）采用了“数据驱动并行计算”架构，专门针对深度学习算法进行了优化， 具备高性能、低功耗、高集成度、小尺寸等特点，特别适合物联网前端智能的需求。 

地平线机器人成立于 2015 年，总部在北京，创始人是前百度深度学习研究院负责人余 凯。 

BPU（BrainProcessing Unit）是地平线机器人自主设计研发的高效人工智能处理器架构 IP，支持 ARM/GPU/FPGA/ASIC 实现，专注于自动驾驶、人脸图像辨识等专用领域。2017年，地平线发布基于高斯架构的嵌入式人工智能解决方案，将在智能驾驶、智能生活、公共安防三个领域进行应用，第一代BPU芯片“盘古”目前已进入流片阶段，预计在2018年 下半年推出，能支持 1080P 的高清图像输入，每秒钟处理 30 帧，检测跟踪数百个目标。地 平线的第一代 BPU采用 TSMC的 40nm工艺，相对于传统 CPU/GPU，能效可以提升 2~3个 数量级（100~1,000倍左右）。

深鉴科技成立于 2016 年，总部在北京。由清华大学与斯坦福大学的世界顶尖深度学习 硬件研究者创立。深鉴科技于 2018年 7月被赛灵思收购。 

深鉴科技将其开发的基于 FPGA 的神经网络处理器称为 DPU。到目前为止，深鉴公开 发布了两款 DPU：亚里士多德架构和笛卡尔架构，其中，亚里士多德架构是针对卷积神经 网络 CNN而设计；笛卡尔架构专为处理 DNN/RNN网络而设计，可对经过结构压缩后的稀疏神经网络进行极致高效的硬件加速。相对于 Intel XeonCPU 与 Nvidia TitanX GPU，应用 笛卡尔架构的处理器在计算速度上分别提高 189 倍与 13 倍，具有 24,000 倍与 3,000 倍的更 高能效。

灵汐科技于 2018 年 1 月在北京成立，联合创始人包括清华大学的世界顶尖类脑计算研 究者。公司致力于新一代神经网络处理器（Tianjic）开发，特点在于既能够高效支撑现有 流行的机器学习算法（包括 CNN，MLP，LSTM 等网络架构），也能够支撑更仿脑的、更具成长潜力的脉冲神经网络算法；使芯片具有高计算力、高多任务并行度和较低功耗等优点。软件工具链方面支持由 Caffe、TensorFlow 等算法平台直接进行神经网络的映射编译， 开发友善的用户交互界面。Tianjic 可用于云端计算和终端应用场景，助力人工智能的落地 和推广。 

启英泰伦于2015年11月在成都成立，是一家语音识别芯片研发商。启英泰伦的CI1006 是基于 ASIC 架构的人工智能语音识别芯片，包含了脑神经网络处理硬件单 元，能够完美支持DNN运算架构，进行高性能的数据并行计算，可极大的提高人工智能深 度学习语音技术对大量数据的处理效率。 

百度 2017 年 8 月 Hot Chips 大会上发布了 XPU，这是一款 256 核、基于 FPGA 的云计 算加速芯片。合作伙伴是赛思灵（Xilinx）。XPU 采用新一代 AI 处理架构，拥有 GPU 的通 用性和 FPGA 的高效率和低能耗，对百度的深度学习平台 PaddlePaddle 做了高度的优化和 加速。据介绍，XPU 关注计算密集型、基于规则的多样化计算任务，希望提高效率和性能， 并带来类似 CPU的灵活性。但目前 XPU有所欠缺的仍是可编程能力，而这也是涉及 FPGA 时普遍存在的问题。到目前为止，XPU尚未提供编译器。 

麒麟 970 搭载的神经网络处理器 NPU 采用了寒武纪 IP。麒麟 970 采用 了 TSMC 10nm工艺制程，拥有 55亿个晶体管，功耗相比上一代芯片降低 20%。CPU架构 方面为 4核 A73+4核 A53组成 8核心，能耗同比上一代芯片得到 20%的提升；GPU方面采 用了 12 核 Mali G72 MP12GPU，在图形处理以及能效两项关键指标方面分别提升 20%和 50%；NPU采用 HiAI移动计算架构，在 FP16下提供的运算性能可以达到1.92 TFLOPs，相 比四个 Cortex-A73核心，处理同样的 AI任务，有大约具备 50 倍能效和 25 倍性能优势。 

英伟达创立于 1993 年，总部位于美国加利福尼亚州圣克拉拉市。早在 1999 年，英伟 达发明了 GPU，重新定义了现代计算机图形技术，彻底改变了并行计算。 

深度学习对计算速度有非常苛刻的要求，而英伟达的 GPU 芯片可以让大量处理器并行 运算，速度比 CPU 快十倍甚至几十倍，因而成为绝大部分人工智能研究者和开发者的首选。 自从 Google Brain采用 1.6万个 GPU核训练 DNN模型，并在语音和图像识别等领域获得巨 大成功以来，英伟达已成为 AI芯片市场中无可争议的领导者。 

美国 AMD 半导体公司专门为计算机、通信和消费电子行业设计和制造各种创新的微 处理器（CPU、GPU、APU、主板芯片组、电视卡芯片等），以及提供闪存和低功率处理器 解决方案，公司成立于 1969 年。AMD 致力为技术用户——从企业、政府机构到个人消费 者——提供基于标准的、以客户为中心的解决方案。 

2017年 12 月 Intel和 AMD宣布将联手推出一款结合英特尔处理器和 AMD图形单元的 笔记本电脑芯片。目前 AMD拥有针对AI和机器学习的高性能Radeon Instinc加速卡，开放 式软件平台 ROCm等。 

Google 在 2016 年宣布独立开发一种名为 TPU 的全新的处理系统。TPU 是专门为机器学习应用而设计的专用芯片。通过降低芯片的计算精度，减少实现每个计算操作所需晶体管数量的方式，让芯片的每秒运行的操作个数更高，这样经过精细调优的机器学习模型就能在芯片上运行得更快，进而更快地让用户得到更智能的结果。在 2016 年 3 月打败了李世 石和 2017年 5月打败了柯杰的阿尔法狗，就是采用了谷歌的 TPU系列芯片。 

Google I/O-2018开发者大会期间，正式发布了第三代人工智能学习专用处理器 TPU 3.0。 TPU3.0 采用 8 位低精度计算以节省晶体管数量，对精度影响很小但可以大幅节约功耗、加快速度，同时还有脉动阵列设计，优化矩阵乘法与卷积运算，并使用更大的片上内存，减少对系统内存的依赖。速度能加快到最高 100PFlops（每秒 1000万亿次浮点计算）。 

在智能手机芯片市场占据绝对优势的高通公司，也在人工智能芯片方面积极布局。据

高通提供的资料显示，其在人工智能方面已投资了 Clarifai公司和中国“专注于物联网人工 智能服务”的云知声。 

而早在 2015 年 CES 上，高通就已推出了一款搭载骁龙 SoC 的飞行机器人—— Snapdragon Cargo。高通认为在工业、农业的监测以及航拍对拍照、摄像以及视频新需求上，公司恰好可以发挥其在计算机视觉领域的能力。此外，高通的骁龙 820芯片也被应用于 VR 头盔中。事实上，高通已经在研发可以在本地完成深度学习的移动端设备芯片。 

Nervana创立于 2014年，公司推出的 The Nervana Engine是一个为深度学习专门定制和 优化的 ASIC芯片。这个方案的实现得益于一项叫做 High Bandwidth Memory的新型内存技 术，这项技术同时拥有高容量和高速度，提供 32GB 的片上储存和 8TB 每秒的内存访问速 度。该公司目前提供一个人工智能服务“in the cloud”，他们声称这是世界上最快的且目前已被金融服务机构、医疗保健提供者和政府机构所使用的服务。他们的新型芯片将会保证 Nervana云平台在未来的几年内仍保持最快的速度。 

2016 年 9 月，Intel 发表声明收购了 Movidius。Movidius 专注于研发高性能视觉处理芯 片。其最新一代的 Myriad2 视觉处理器主要由 SPARC 处理器作为主控制器，加上专门的 DSP 处理器和硬件加速电路来处理专门的视觉和图像信号。这是一款以 DSP 架构为基础的视觉处理器，在视觉相关的应用领域有极高的能耗比，可以将视觉计算普及到几乎所有的嵌入式系统中。 

该芯片已被大量应用在 Google 3D 项目的 Tango 手机、大疆无人机、FLIR 智能红外摄 像机、海康深眸系列摄像机、华睿智能工业相机等产品中。 

IBM 很早以前就发布过 watson，投入了很多的实际应用。除此之外，还启动了类脑芯 片的研发，即 TrueNorth。 

TrueNorth 是 IBM 参与 DARPA 的研究项目 SyNapse 的最新成果。SyNapse 全称是 Systems of Neuromorphic Adaptive Plastic Scalable Electronics（自适应可塑可伸缩电子神经系 统，而 SyNapse 正好是突触的意思），其终极目标是开发出打破冯·诺依曼体系结构的计算 机体系结构。 

ARM 推出全新芯片架构 DynamIQ，通过这项技术，AI 芯片的性能有望在未来三到五 年内提升 50倍。

ARM的新CPU架构将会通过为不同部分配置软件的方式将多个处理核心集聚在一起， 这其中包括一个专门为 AI算法设计的处理器。芯片厂商将可以为新处理器配置最多 8个核 心。同时为了能让主流 AI在自己的处理器上更好地运行，ARM还将推出一系列软件库。 

CEVA 是专注于 DSP 的 IP 供应商，拥有众多的产品线。其中，图像和计算机视觉 DSP 产品CEVA-XM4是第一个支持深度学习的可编程DSP，而其发布的新一代型号CEVA-XM6， 具有更优的性能、更强大的计算能力以及更低的能耗。 

CEVA 指出，智能手机、汽车、安全和商业应用，如无人机、自动化将是其业务开展 的主要目标。 

Eyeriss 事实上是 MIT 的一个项目，还不是一个公司，从长远来看，如果进展顺利，很 可能孵化出一个新的公司。 

Eyeriss 是一个高效能的深度卷积神经网络（CNN）加速器硬件，该芯片内建 168 个核 心，专门用来部署神经网路（neural network），效能为一般 GPU的 10 倍。其技术关键在于 最小化 GPU 核心和记忆体之间交换数据的频率（此运作过程通常会消耗大量的时间与能 量）：一般 GPU 内的核心通常共享单一记忆体，但 Eyeriss 的每个核心拥有属于自己的记忆 体。 

目前，Eyeriss 主要定位在人脸识别和语音识别，可应用在智能手机、穿戴式设备、机 器人、自动驾驶车与其他物联网应用装置上。 

在 iPhone 8和 iPhone X的发布会上，苹果明确表示其中所使用的 A11处理器集成了一 个专用于机器学习的硬件——“神经网络引擎（Neural Engine）”，每秒运算次数最高可达 6000 亿次。这块芯片将能够改进苹果设备在处理需要人工智能的任务时的表现，比如面部 识别和语音识别等。 

2017 年，华为海思推出了麒麟 970 芯片，据知情人士透露，为了对标华为，三星已经

研发了许多种类的人工智能芯片。三星计划在未来三年内新上市的智能手机中都采用人工智能芯片，并且他们还将为人工智能设备建立新的组件业务。三星还投资了 Graphcore、深 鉴科技等人工智能芯片企业。   

更多干货内容，长按扫描关注公众号！

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

一个好的GPU可以让你快速获得实践经验，而这些经验是正是建立专业知识的关键。如果没有这种快速的反馈，你会花费过多时间，从错误中吸取教训。

那么，现在问题来了。

如果你想购买新的GPU，应该关注哪些指标呢？GPU RAM，内核，还是Tensor Core？

各种厂商五花八门。英伟达，英特尔，还是谷歌？我又应该选择哪家的产品？

本文将深入研究这些问题，并将为你提供建议，帮助你做出适合的选择。

本文结构如下：

首先，我会讨论拥有多个GPU的用处，然后讨论所有相关的硬件选项，如英伟达和AMD GPU，Intel Xeon Phis，Google TPU和初创公司的硬件。然后我会讨论哪些GPU规格指标是深度学习性能的良好指标。最后，我会总结GPU的选购建议。

只想阅读最终采购建议的同学可以直接跳到文末。

多个GPU能让我的训练更快吗？

我的核心观点是，卷积和循环网络很容易并行化，特别是当你只使用一台计算机或4个GPU时。然而，包括Google的Transformer在内的全连接网络并不能简单并行，并且需要专门的算法才能很好地运行。

图1：主计算机中的设置：你可以看到三个GPU和一个InfiniBand网卡。这是一个很好的深度学习配置吗？

像TensorFlow和PyTorch这样的现代库非常适合并行化循环和卷积网络。以卷积为例，2/3/4 块GPU的期望加速大约分别是1.9x / 2.8x / 3.5x。对于循环网络，序列长度是最重要的参数，在常见的NLP问题中，对应的加速比与卷积网络相似或稍差。

然而，全连接网络（包括Transformer）通常具有较差的数据并行性能，并且需要更高级的算法来加速网络的这些部分。如果你在多个GPU上运行Transformer，你应该也尝试在单个GPU上运行，并比较查看是否真的有加速。

在不考虑并行性的情况下使用多个GPU

除了并行运算，拥有多个GPU能带来的更显著帮助是，让你可以在每个GPU上单独运行多个算法或实验。

高效的超参数搜索是多个GPU的最常见用途。虽然你没有获得加速，但你可以获得有关不同超参数设置或不同网络架构的性能的更快信息。这对新手来说也非常有用，因为你可以快速获得训练不熟悉的深度学习架构的见解和经验。

以这种方式使用多个GPU通常比通过数据并行在多个GPU上运行单个网络更有用。购买多个GPU时，请记住这一点：当你购买多个GPU时，用于提高并行性的指标（如PCIe通道数量）并不重要。

另外，请注意，单个GPU应该足以满足几乎所有任务的要求。单GPU的体验范围与4个 GPU的体验不会差太多。唯一的区别是，你可以在给定时间内使用多个GPU运行更多实验。

你该如何选择：英伟达 vs AMD vs 英特尔 vs 谷歌 vs 亚马逊 vs 微软 vs 初创公司

英伟达：领导者

英伟达的标准库使得在CUDA中建立第一个深度学习库非常容易，而AMD的OpenCL没有这样强大的标准库。这一早期优势与英伟达强大的社区支持相结合，迅速增加了CUDA社区的规模。这意味着只要你使用英伟达 GPU，如果出现问题，你将很容易找到支持；如果你自己编写CUDA，你会找到支持和建议；并且你会发现大多数深度学习库都对英伟达 GPU提供最佳支持。在过去的几个月里，英伟达仍将更多的资源投入到软件中。例如，Apex库支持在PyTorch中实现稳定的16位梯度，还包括融合快速优化器，如FusedAdam。总的来说，软件是英伟达 GPU非常强大的一步。

另一方面，英伟达现在有一项政策，即只允许Tesla GPU在数据中心使用CUDA，而不允许GTX或RTX卡。目前外界尚不清楚“数据中心”的严格定义，但这意味着，由于担心法律问题，组织和大学将被迫购买价格昂贵且性价比低的Tesla GPU。然而，Tesla卡与GTX和RTX卡相比没有真正的优势，成本却高达10倍。

英伟达可以在没有任何重大阻力的情况下做到这一点，正表明了他们垄断的力量——他们可以随心所欲地做，我们必须接受这些条款。如果你选择了英伟达 GPU在社区和支持方面的主要优势，你也需要同时接受随时可能出现的各种限制。

AMD：功能强大但缺乏支持

HIP通过ROCm将英伟达和AMD GPU统一为一种通用编程语言，在编译成GPU组件之前编译成相应的GPU语言。如果我们将所有GPU代码都放在HIP中，这将是一个重要的里程碑，但这很困难，其中就包含了移植TensorFlow和PyTorch代码库。 TensorFlow和PyTorch对AMD GPU有一些支持，所有主要网络都可以在AMD GPU上运行，但如果你想开发新网络，可能会遗漏一些细节，这可能会阻止你实现你需要的东西。 ROCm社区也不是太大，因此很难直接解决问题。 AMD对他们的深度学习软件投入很少，因此不能指望英伟达和AMD之间的软件差距将在未来缩小。

目前，AMD GPU的性能还可以。它们现在具有16位计算能力，这是一个重要的里程碑，但英伟达 GPU的Tensor核心为Transformer和卷积网络提供了更高的计算性能（不过对于词级循环网络而言，没有提高那么多）。

总的来说，我认为对于那些只希望GPU能够顺利运行的普通用户，我不太推荐AMD GPU。更有经验的用户应该可以减少问题，并且通过支持AMD GPU和ROCm / HIP开发人员，他们有助于打击英伟达的垄断地位，因为这将使每个人长期受益。如果你是GPU开发人员并希望为GPU计算做出重要贡献，那么AMD GPU可能是长期发挥良好影响力的最佳方式。对于其他所有人来说，英伟达 GPU可能是更安全的选择。

英特尔：努力追赶

以我的亲身经历而言，我对英特尔Xeon Phis非常失望，我不认为它们是英伟达或AMD显卡的真正竞争对手，因此我只简单描述一下：如果你决定使用Xeon Phi，你可能会遇到以下问题：很差的技术支持，代码运行得比CPU还慢，编写优化代码困难，没有完全支持C ++ 11特性，不支持某些重要的GPU设计模式，难以兼容依赖BLAS例程的其他库（NumPy和SciPy）等等。

除了Xeon Phi之外，我非常期待英特尔的Nervana神经网络处理器（NNP），因为它的规格对GPU开发人员而言非常强大，并且它将允许新的算法，这可能重新定义神经网络的使用方式，但这一项目已经无休止地延迟，有传言称大部分研发都打了水漂。NNP计划于2019年第三季度/第四季度开始。如果你想等待那么长时间，请记住，从AMD和英特尔自己的Xeon Phi可以看出，好的硬件并非一切。可能直到2020年或2021年，NNP才有能力与GPU或TPU竞争。

谷歌：强大，廉价的按需处理

Google TPU已发展成为一种非常成熟的基于云的产品，具有成本效益。理解TPU的最简单方法是将其视为打包在一起的多个专用GPU——而且只为了一个目的：进行快速矩阵乘法。如果我们看一下Tensor-Core-enabled V100与TPU v2的性能指标，我们发现两个系统在运行ResNet50模型时的性能几乎相同。

但是，Google TPU更具成本效益。由于TPU具有复杂的并行化基础架构，如果你使用多于1个云TPU（相当于4个GPU），TPU将比GPU具有更大的速度优势。

尽管仍在试验中，但PyTorch现在也支持TPU了，这将有助于加强TPU社区和生态系统。

TPU仍然存在一些各种各样的问题，例如，2018年2月的一份报告称，当使用LSTM时TPUv2没有收敛。我至今没有找到该问题已经解决的报道。

另一方面，在TPU上训练大型Transformer取得了巨大成功。GPT-2，BERT和机器翻译模型可以在TPU上非常有效地进行训练。根据我的估计，TPU比GPU快约56％，并且由于它们与云GPU相比价格较低，因此它们是大型Transformer项目的绝佳选择。

然而，在TPU上训练大型模型的一个问题可能是累积成本。TPU具有高性能，最适合在训练阶段使用。在原型设计阶段，你应该关闭云端来降低成本。因此，最佳选择是，在你的个人GPU上进行原型设计，然后在TPU训练最终模型。

总而言之，目前TPU似乎最适合用于训练卷积网络或大型Transformer，并且应该结合其他计算资源共同使用，而不是作为主要的深度学习资源。

亚马逊AWS和微软Azure：可靠但昂贵

来自Amazon AWS和微软Azure的GPU实例非常具有吸引力，因为你可以根据需要轻松扩展和缩小实例。这对于赶paper或者更大的一次性项目非常有用。然而，与TPU类似，成本会随实例数增长而迅速累加。目前，GPU云实例太昂贵而无法单独使用，我建议在云中启动最终训练工作之前，使用一些专用的廉价GPU进行原型设计。

初创公司：具有革命性的硬件概念但缺乏软件

有一系列初创公司旨在生产下一代深度学习硬件。这些公司通常拥有出色的理论设计，然后被谷歌、英特尔或其他公司收购，以获得完成设计和生产芯片所需的资金。下一代芯片的开发成本十分昂贵（约10亿美元）。一旦这个阶段完成，软件就成了主要问题。目前，还没有初创公司能够生产出适用于当前深度学习硬件的软件。需要开发一个完整的软件套件才能具有竞争力，这一点从AMD与英伟达的例子中可以清楚地看出：AMD拥有出色的硬件，但只有90％的软件——这还不足以与英伟达竞争。

目前，没有任何公司能够完成所有的硬件和软件步骤。英特尔NNP可能是最接近的，但目前来看，我们不能指望在2020年或2021年之前出现有竞争力的产品。所以目前我们需要继续使用GPU和TPU。

因此，你就先别指望初创公司的新硬件了。

一个优秀的GPU应该拥有什么性能？

训练深度学习模型时，GPU性能中最重要的特性到底是什么？是CUDA Core吗？还是时钟频率？或是RAM大小？

GPU的选择实在令人困惑：16位计算能力，Tensor Core，没有Tensor Core的16位GPU，多代GPU仍然可行（Turning，Volta，Maxwell）。

所幸我们仍然有一些可靠的性能指标，我们可以使用这些指标作为经验法则。这里有一些针对不同深度学习架构的优先级指南：

卷积网络和Transformer：Tensor Core> FLOP>存储器带宽> 16位计算能力

循环网络：存储器带宽> 16位计算能力>Tensor Core> FLOP

解释如下：如果我想使用卷积网络，我应该首先优先考虑具有Tensor Core的GPU，然后是高FLOP指数，然后是高内存带宽，然后是具有16位计算能力的GPU 。在确定优先级时，你也需要根据模型大小选择具有足够内存的GPU。

为什么优先级是这样的呢？

GPU可以快速实现两个最重要的张量操作：矩阵乘法和卷积。

考虑矩阵乘法A * B = C。将A，B的存储器复制到芯片上比计算A * B更昂贵。这意味着，如果你想使用LSTM和其他经常进行大量小矩阵乘法的循环网络，则内存带宽是GPU最重要的特性。矩阵乘法越小，内存带宽就越重要。

相反，卷积受计算速度的约束。因此，GPU上的TFLOP是ResNets和其他卷积架构性能的最佳指标。Tensor Core可以明显增加FLOP。

图2：GPU和TPU的标准化性能数据。越高越好。RTX卡假定16位计算。RNN编号指的是长度小于100的短序列的biLSTM性能。使用PyTorch 1.0.1和CUDA 10完成基准测试。

性价比分析

GPU的性价比可能是选择GPU的最重要标准。本文的性能分析如下：

1.对于Transformer，我对Transformer-XL和BERT进行了基准测试。

2.对于词级和字符级RNN，我对最先进的biLSTM模型进行了基准测试。

3.（1）和（2）中的基准测试是针对Titan Xp，Titan RTX和RTX 2080 Ti进行的。对于其他卡，我线性地缩放了性能差异。

4.我使用现有的CNN基准。

5.我使用亚马逊和eBay的平均成本作为GPU的参考成本。

图3：卷积网络（CNN），循环网络（RNN）和Transformer的标准化性能/成本。越高越好。RTX 2060的成本效率是Tesla V100的5倍以上。RNN编号指的是长度小于100的短序列的biLSTM性能。使用PyTorch 1.0.1和CUDA 10完成基准测试。

从这些数据中，我们看到RTX 2060比RTX 2070，RTX 2080或RTX 2080 Ti更具性价比。为什么会这样呢？使用Tensor Core进行16位计算的能力远远超过拥有更多Tensor Core核心的更大的硬件。使用RTX 2060，你可以以最低的价格获得这些功能。

然而，这种分析存在一些应该考虑的偏差：

1.这种分析强烈倾向于较小的显卡。较小而经济高效的GPU可能没有足够的内存来运行你真正感兴趣的模型！

2.GTX 10xx卡标价过高：目前，由于游戏玩家不喜欢RTX卡，GTX 10XX卡似乎加价格被哄抬过高。

3.单GPU偏置：一台具有4个低成本卡（4x RTX 2080 Ti）的计算机比具有最高成本/效率卡（8x RTX 2060）的2台计算机更具性价比。

警告：多GPU RTX发热问题

如果你使用多个彼此相邻的GPU，那么RTX 2080 Ti和其他具有标准双风扇的RTX GPU就存在问题了——尤其是一台计算机中的多个RTX 2080 Ti。多个RTX 2080和RTX 2070也会受到影响。

RTX卡上的风扇是由英伟达开发的一种新设计，用于改善运行单GPU的游戏玩家的体验（静音，低发热）。但是，如果你使用具有此开放式双风扇设计的多个GPU，那么这种设计非常糟糕。如果你想使用多个彼此相邻的RTX卡（直接在下一个PCIe插槽中），那么你应该获得具有“鼓风式”单风扇设计的版本。对于RTX 2080 Ti卡尤其如此。华硕和PNY目前市场上有RTX 2080 Ti型号，带有鼓风式风扇。如果你使用两个RTX 2070，你可以使用任何风扇，但是，我仍愿意选择使用一个鼓风式风扇，以便在彼此旁边运行2个以上的RTX 2070。

所需内存大小和16位训练

GPU上的内存对于某些应用程序（如计算机视觉，机器翻译和某些其他NLP应用程序）至关重要，你可能认为RTX 2070具有性价比，但其内存太小，只有8 GB。但请注意，通过16位训练，你几乎可以拥有16 GB的内存。任何标准型号都可以被轻松放入RTX 2070。

RTX 2080和RTX 2080 Ti也是如此。但请注意，在大多数软件框架中，16位运算并非默认选项，因为某些框架以32位存储权重以执行更精确的梯度下降。一个好的经验法则是，使用16位计算往往可以节省50％的内存。因此，16位8GB内存的大小与12 GB 32位内存大致相当。

GPU推荐

目前，我的主要建议是购买RTX 2070 GPU并使用16位训练。我永远不会建议购买XP Titan，Titan V，任何Quadro显卡或任何Founders Edition GPU。但是，有一些特定的GPU也有它们的用武之处：

1.如果要额外内存的话，我建议使用RTX 2080 Ti。如果你真的需要大量的内存，RTX Titan是最好的选择——但要确保你真的需要那么多内存！

2.如果想要额外的性能，我建议使用RTX 2080 Ti。

3.如果你缺钱，我会推荐eBay上的任何便宜的GTX 10XX卡（取决于你需要多少内存）或RTX 2060。如果太贵，可以看看Colab。

4.如果你只想入门深度学习，GTX 1060（6GB）是一个很好的选择。

5.如果你已经拥有GTX 1070或更高版本，请再等等。除非你使用大型Transformer，否则升级是不值得的。

6.如果你想快速学习深度学习，建议使用多个GTX 1060（6GB）。

云端深度学习

AWS / Azure上的GPU实例和Google Cloud中的TPU都是深度学习的可行选择。虽然TPU稍微便宜一点，但它缺乏云GPU的多功能性和灵活性。

TPU可能是训练物体识别或Transformer模型的首选武器。对于其他工作负载，云GPU是更安全的选择——云实例的好处是你可以随时在GPU和TPU之间切换，甚至可以同时使用两者。

但是，请注意这样做的代价：如果你一直使用AWS / Azure完成工作，那么你将无法学到如何在个人GPU上工作的技能，并且你也无法获得使用TPU的技能。如果你一直使用个人GPU，则无法学会通过云扩展到更多GPU / TPU的技能。

如果你使用TPU，当你需要完整功能时，你可能就只能使用TensorFlow了。学习云GPU / TPU工作流的代价是很高，如果你正在面临TPU、云GPU和个人GPU的选择，你应该意识到这个代价。

另一个问题是，何时使用云服务？如果你试图学习深度学习，或者你需要搭建原型，那么个人GPU可能是最好的选择，因为云实例可能很昂贵。

但是，一旦你找到了良好的深度网络配置，并且你只想使用数据并行性训练模型，那么使用云实例是一种可靠的方法。小型GPU足以进行原型设计，而人们可以依靠云计算的强大功能来扩展到更大的实验。

如果你的资金不足，云计算实例也可能是一个很好的解决方案：在CPU上进行原型设计，然后在GPU / TPU实例上实验，以便快速进行训练。这不是最好的工作流程，因为在CPU上做原型设计十分痛苦，但它可以是一个具有高性价比的替代方案。

结论

总的来说，在GPU选取上，我推荐以下三个策略：

1.坚持使用GTX 1070或更好的GPU

2.购买RTX GPU

3.使用某种GPU进行原型设计，然后在TPU或云GPU上进行并行训练。

更多建议：

最佳GPU：RTX 2070

最差GPU：任何Tesla卡、任何Quadro卡、任何初创公司的卡; Titan RTX，Titan V，Titan XP

高性价比但价格昂贵：RTX 2070

高性价比且价格便宜：RTX 2060，GTX 1060（6GB）

有点小钱：GTX 1060（6GB）

没钱：GTX 1050 Ti（4GB）或者：CPU（原型）+ AWS / TPU（训练）；或者Colab。

参加Kaggle：RTX 2070。如果你没有足够的钱，可以从eBay购买GTX 1060（6GB）或GTX Titan（Pascal）进行原型设计，然后使用AWS进行最终训练。使用fastai库。

计算机视觉或机器翻译研究员：GTX 2080 Ti（采用鼓风机设计）。如果你训练非常大的网络，请使用RTX Titans。

NLP研究员：16位的RTX 2080 Ti。

想认真学习深度学习：从RTX 2070开始。在6-9个月后购买更多RTX 2070。根据你接下来选择的领域（创业，Kaggle，研究，应用深度学习），卖掉你的GPU，并在大约两年后购买更合适的东西。

只想玩一玩试深度学习：GTX 1050 Ti（4或2GB）。这通常适合你的标准桌面，不需要新的PSU。如果装得下的话，不要购买新电脑。

来源：大数据文摘，感谢分享！

更多干货内容，长按扫描关注公众号！

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

【导读】最新的2019年全球AI人才流动报告显示，全球约有44%的AI人才在美国获得的博士学位，在中国获得博士学位的人才占比不到11%，并且，培养更多的AI博士并不一定会让本国受益。

有很多证据表明，顶级AI人才供不应求。然而，这类人才究竟有多么稀缺，或者他们都集中在世界各地哪些地方，却几乎不为人知。

近日，加拿大Element AI首席执行官发布了最新的2019年《全球AI人才流动报告》，对AI人才的数量、分布范围等情况做了总结，可以说是目前最全的报告，主要采集了三个数据源。

• AI领域21个主要学术会议发表的论文，比如AAAI、CVPR等，并分析了作者的概括。

• 有针对性地分析了LinkedIn搜索结果，这些搜索显示了有多少人自称拥有博士学位，以及世界各地要求哪些AI技能。

• 参考了外部报告和其他辅助来源，以帮助了解背景，并更好地了解全球人工智能领域快速变化的人才库。

报告研究结果显示，2018年，在机器学习领域一个或多个顶级会议上发表论文的人数达到2.24万人，比2015年增长了36%，仅去年一年就增长了19%。LinkedIn上个人资料的补充调查显示，共有36524人符合AI专家资格，这比2018年的报告增长了66%。

中国方面：

• 在中国获得博士学位的论文作者占比接近11%，全球排第二；

• 超过11%的AI人才在中国工作，在就业人数最多的国家中排名第二；

• 顶级AI研究人员有225位集中在中国，数量排名世界第二。

报告还提出了一些有价值的观点和现象。比如培养那么多AI博士，不一定会让本国受益、AI顶级会议中女性总体占比仅18%，性别失衡严重。

以下是详细报告。

这项AI人才报告的主要数据来源是机器学习领域的学术会议，报告一共涵盖了21个会议，调查了过去一年在该领域主要国际学术会议上发表论文的作者。

这21个会议分别是：

• 计算语言学协会北美分会年会 (NAACL)

• 人工智能促进协会会议 (AAAI)

• 计算语言学协会会议 (ACL)

• 计算机视觉及模式识别会议 (CVPR)

• 自然语言处理经验方法会议 (EMNLP)

• 学习理论研讨会 (COLT)

• 神经信息处理系统会议 (NeurIPS)

• 人工智能不确定性会议 (UAI)

• 遗传和进化计算会议 (GECCO)

• 国际声学、语音和信号处理会议 (ICASSP)

• 国际人工智能与统计会议 (AISTATS)

• 自主智能体和多智能体系统国际会议 (AAMAS)

• 国际计算机视觉会议 (ICCV)

• 智能机器人与系统国际会议 (IROS)

• 国际机器学习会议 (ICML)

• 医学图像计算与计算机辅助干预国际会议 (MICCAI)

• 国际机器人与自动化会议 (ICRA)

• 国际人工智能联合会议 (IJCAI)

• Interspeech

• 机器人学: 科学与系统 (RSS)

• 计算机视觉应用冬季会议 (WACV)

结果显示，2018年在上述一个或多个以上顶会上发表论文的作者有22400人，这意味着平均每个会议有超过一千人位作者。

AI研究人员Top 5的国家 (在所调查的21个顶会上发表论文的作者人数)：

• 美国：15747 人

• 中国：2725 人

• 英国：1475 人

• 德国：935 人

• 加拿大：815 人

作为比较，报告也统计了2015、2016和2017年这三年在同样21个会议上发表论文的作者数据，结果显示出明显的增长趋势：与2015年相比，作者数量增长36%，与2017 年相比，增长了19%。研究也在增加：在这21个会议上发表的论文总数比2015年增加了25%，比前一年增加了16%。

同时，同行评议论文的数量也同步增长：比2015年增长25%，比去年增长16%。

不过，在这些会议上发表论文的研究人员中，女性比例十分不足，仅占18%。

在调查的 21 个会议的所有作者中，女性占 18%。西班牙、中国台湾和新加坡的女性作者比例最高，但从绝对数量来看，美国的女性作者几乎占了一半。

斯坦福大学不久前发布的AI Index 2018 Report也显示了同样的情况，女性在本科人工智能和机器学习课程中的比例也很低：

• 斯坦福大学2017年开设的人工智能入门课程中，74%是男性；

• 加州大学伯克利分校开设的这门课程中，男性比例为73%。

参加机器学习入门课程的女性比例更低，在斯坦福和加州大学伯克利分校的学生中，男性分别占76%和79%。同一份报告还发现，在美国，申请AI类工作的大多数是男性，占比71%。

从绝对数量看，美国是女性作者最多的国家，其次是中国、英国、德国、加拿大、法国、澳大利亚、印度、意大利和新加坡。

对会议论文作者的数据分析也能对作者在哪里接受教育进行一些观察。

首先，发表论文的作者中，在美国获得博士学位的人数最多：有44%以上的作者在美国获得博士学位。

其次，在中国获得博士学位的作者占比接近11%，紧随其后的是英国 (6%)、德国 (5%)和加拿大、法国和日本 (4%)。

就业数据也有类似的地理分布。

调查显示，美国雇主继续吸引研究人员前来工作，其中46%的人为美国雇主工作；超过11%的人在中国工作，在就业人数最多的国家中排名第二，其次是英国 (7%)。加拿大、德国和日本各占4%。

AI 专家工作的地方。美国、中国、英国、德国和加拿大这5个国家的作者数量占了总数达到72%。

总的来说，18个最大的国家占了作者总数的94%。排名前五的国家——美国、中国、英国、德国和加拿大——占了作者总数的72%。

此外，会议论文作者样本中在学术界工作 (77%)，23%在工业界工作。

数据显示，有大约27%的拥有博士学位的研究人员，其雇主所在国和学位获取国是不同的国家。在报告中超过150人的国家，这一比例上升至32%。这是为何？

首先，数据显示，有些国家对于深度学习领域的研究人员具有特别大的吸引力。美国公司最有可能吸引海外学成的博士为自己工作，中国排名第二位，中国吸引的研究人员的绝对数量大约相当于美国的四分之一。

数据显示，以下十个国家或地区的AI人才流入比例要高于流出比例，分别为：中国台湾地区、瑞典、韩国、西班牙、美国、瑞士、中国、日本、英国和澳大利亚。

在本国AI人才在外国接受学术训练的比例上，瑞士、瑞典和英国排名前三，比例分别为50%、49%和44%。

AI人才流入率和流出率这两个指标可以在一定程度上反映一个国家吸引外来AI人才和留住本地AI人才的能力。

如上图所示，用X轴表示人才流入，Y轴表示人才流出，数值表示与均值的标准差。本图中将全球国家或地区划分为4类

“AI人才吸引国”：位于图中右上角的是澳大利亚、西班牙、瑞典和中国台湾地区，该区域表示这些国家的AI人才呈净流入趋势，说明这些国家或地区在吸引外来人才和留住本国（或本地区）的AI人才上方面都具有优势。

“AI人才产生国”：左下方的主要国家是法国和以色列，这两国AI人才流出比例大于流入比例，并高于本国AI人才库的比例。不过，从图中位置看，这两个国家AI人才流出仅仅比流入略低，净流出很少。

“AI人才锚定国”：美国的AI人才流出率和流入率都很低，基本上对本国的AI人才库不构成大的影响，在绝对数量上，美国仍是世界AI人才的最大聚居地，美国的AI人才库总体保持稳定。同样具备这一特点的国家还有中国、德国、日本、印度、韩国和意大利等。

“AI人才平台国”：最后，还有一类国家的AI人才流出和流入比例都在上升，这些国家正在吸引越来越多的海外AI人才，同时其本国博士生的向外流动也高于平均水平。考虑到这些生态系统的状态和趋势，处于这一类型的国家包括加拿大、荷兰、新加坡、瑞士和英国等。

今年的调查发现，顶级国际学术会议的作者总数比去年增加了19％。为了评估这些作者目前在该领域的影响，报告分析了他们2017年和2018年发表论文的引用情况：

有18％的顶级学术会议作者的研究对该领域产生了显著影响，他们的知识足够深入，可以继续为该研究领域做出实质性贡献，这些专家也可能是致力于将理论应用于团队的潜在应用人才来源。

数据显示，这些顶尖研究人员更集中在一些国家。排名前五位的国家依次是美国（1095），其次是中国（255），英国（140），澳大利亚（80）和加拿大（45）。

下一个关注点是，在特定国家中影响力最大的AI研究人员占该国研究人员总数的比例，这个指标可能在一定程度上反映出该国在培养顶级AI人才上的成功程度。

在这个指标上，澳大利亚名列前茅，该国的AI人才中，有18％发表了高影响力的成果。之后是美国、英国和中国（13％）、瑞士（11％）、新加坡（9％）、瑞典和西班牙（各占8％）、以色列、加拿大和意大利（各占7％）。

在所有国家中，最有影响力的研究更有可能来自学术界，而不是产业界。中国是来自学术界的高影响力研究占比最高的国家（90％），其次是意大利（86％）、美国（84％）、德国（83％）和台湾地区（81％）。

法国是来自产业界的高影响力研究占比最高的国家（30％），其次是印度和以色列（29％）、西班牙（28％）和英国（27％）。

社交网络LinkedIn数据显示，共有36524人在个人资料中将自己定位为AI专家，而去年这个数字只有22064人，同比增长66%。

从全球来看，有三分之一的AI人才将计算机科学作为学术训练的相关学科

数据表明，这些自称AI专家的人接受过各种学科知识的训练。有28%的人将计算机科学列为自己相关学科领域。在一些国家，这一比例尤其较高，包括法国（47％）和中国（44％）。

同样，另一些国家的AI人才中，将其他学科作为相关领域的比例较高，比如物理学：总体而言，9％的AI人才表示自己接受过物理学训练，但在德国，这个比例高达28％。对于数学和统计学，总体比例为18％，但在以色列和美国的比例为27％，在俄罗斯更高达35％。

不过，LinkedIn数据的局限性也是显而易见的。

LinkedIn上关于AI人才的所有个人介绍信息和相关资料都是被调查者自己填写的，并且LinkedIn在世界各国的普及程度有很大不同。比如在美国，目前约有1.44亿人在LinkedIn上建立个人资料，占美国总人口的44％以上，在加拿大，这个比例也高达38%。相比之下，在俄罗斯和中国，Linkedin并不受欢迎，人群覆盖率仅有3-5%。

中国和美国之间的AI交流特别活跃，双方彼此的人才流入流出总体上保持平衡：在22400名研究人员中，大约500名专家在中国获得博士学位，然后去为美国的雇主工作，也有500多人在美国获得博士学位，然后去为中国雇主工作。在美国和英国之间也存在类似现象。

同时，美国的大学收到了大量来自国外的研究生。例如，2015年，国际学生在美国获得了大约三分之一的科学和工程研究生学位，76％的毕业生表示他们希望留在该国。在一些大学，外国研究生的比例明显更高。

总体而言，在过去一年中，无论是在AI领域发表的作者数量、高影响力的论文数量，以及在Linkedin上的AI专业人才数量上都呈显著增加的态势。

从事AI研究的女性人数仍显不足，但有些国家已经离两性平等的目标更近了一步。

从AI人才的地域分布来看，美国在几乎每个指标的绝对数量上都处于领先地位。 

不过，当今全球的AI领域已经高度国际化，每个国家或地区的AI生态系统都有自己独特的优势和战略地位，专注于大力推进AI专业知识建设的国家，需要在未来推动AI领域发展所需的全球化AI人才培养上投入。

来源：Element AI

更多干货内容，长按扫描关注公众号！

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

图：百度人力资源部执行总监、百度大学执行副校长伍晖和清华大学全球产业研究院副院长朱恒源教授，及学员代表共同发布白皮书

百度公司创始人、董事长兼CEO李彦宏对此表示，“在这样一个‘新旧动能转换的时间点’，对于互联网公司也好，非互联网公司也好，成长最终是依靠智能化。AI在每一个行业都能够助力企业提升效率。我非常相信，人工智能会彻底的改变今天能够看到的每一个行业。”

图：百度公司创始人、董事长兼CEO 李彦宏

在采访中，清华大学全球产业研究院副院长朱恒源形容目前的的智能化产业是“有战场没地图”。他对记者表示，“通过抢先填补智能产业价值应用链上的结构洞，为业界寻找产业发展的切入口，中国有望最早形成完整的智能产业链。”

朱恒源介绍称，《白皮书》中独创的TUMC模型，是一个从产业演进视角研究新产业成熟度和新兴技术产业化成熟度的工具，综合考察技术、用户效用、市场以及产业链4个维度，每个维度又根据成熟程度分为2个节点。TUMC模型可深入到产业结构的内部，分析新兴技术产业化发展的动力机制，评估新产业的成熟度，探讨新兴技术的产业化情况。

借助TUMC 模型，《白皮书》研究发现，包括智能推荐、计算机视觉、智能语音语义等技术在内的主要人工智能的热点技术产业化成熟度较高，其AI相关技术与产品能够很好的融合到已有产业链中，新的产业要素和新的产业链结构正在形成。

据悉，《白皮书》长达80页，有两万余字，分为研究篇和商业实践篇两大部分，详细阐述对产业智能化的战略思考和商业实践方法论。其中，研究篇讨论了人工智能的发展历程，并提出独创的TUMC 模型。这是一个从产业演进视角研究新产业成熟度和新兴技术产业化成熟度的

以下为人工智能产业化成熟度研究报告 ：

1、人工智能概述:从实验室到产业应用

从20世纪50年代起，人工智能的方法、研究路径经历了好几次重大变化，行业发展也经历了好几次兴衰循环。当前新一轮快速发展，人工智能正从实验室走向广泛的产业应用。

当前人工智能技术在很多产业和领域中已经得到广泛应用，人工智能产业化发展的地形已经初现端倪。

从产业角度看，人工智能技术按照结构划分为基础层、算法层、技术 层和应用层。

当前人工智能发展浪潮主要有4个驱动因素:

全球数据量爆发性增长

计算能力提升

算法的进步

政策支持、科技巨头和资本追逐

中美两国是人工智能发展最领先的国家，也是推动人工智能产业化最活跃的国家。人工智能技术的产业化将是中国的重要机遇。AI技术在医疗健康、金融、商业、教育、工业和安防 各个领域得到越来越多的广泛应用。中国巨大的市场，人工智能有着异常丰富的应用前景。

2、TUMC模型:新兴技术产业化成熟度的评估框架

目前，人工智能的增长不断加速，正在逼近产业化应用爆发的“临界点”。衡量人工智能技术的产业化成熟度，无论对于企业家、研究者还是国家相关 产业政策的制定者都具有重要意义。

TUMC模型是一个基于战略节奏理论，从产业演进视角研究新产业成熟度和新兴技术产业化成熟度的工具。

战略节奏理论将产品市场的发展分为小众市场、大众市场、分众市场和杂合市场4个阶段。TUMC模型将AI技术应用的研究焦点放在“尚未进入小众市场”到“即将开启大众市场”的阶段上。

TUMC模型综合考察技术、用户效用、市场以及产业链4个维度：

技术:实现商业化的性能阈值

用户效用:特定场景中的特定价值

市场：市场起飞的关键规模

产业链:新的分工协作系统

每个维度又根据成熟程度分为2个节点，如图所示：

3、人工智能热点技术及应用场景产业化成熟度评估

在《白皮书》的这一部分，研究应用TUMC模型，从技术和应用场景两个角度，分别讨论智能推荐、计算机视觉、智能语音语义技术、智能家居、智慧城市的产业化成熟度。

(1)技术角度

智能推荐、计算机视觉、智能语音语义等AI的主要热点技术目前的产业化成熟度较高。这些AI相关技术与产品能够很好地融合到已有产业链中，新的产业要素和产业链结构正在形成。

(2)应用场景角度

在直接面对新需求的、开拓性综合应用场景中，人工智能技术的产业化成熟度要低一些。比如智能家居、智慧城市等，尚未出现清晰的应用场景及对应的“杀手级应用”。这也相当于给人工智能企业指出了下一片市场蓝海。

4、结论与启示

人工智能技术仍在快速发展。应用层的厂商需要和算法层的厂商建立更多的合作和连接，培养敏捷的应变能力。算法厂商也需要和应用厂商建立广泛连接，理解具体需求，催化技术发展。

人工智能和大数据、云、物联网共同组成智能产业革命通用技术最关键的部分。它们的协同发展和应用推动产业智能化新范式的最终实现。拥有算法技术和大数据、云技术的大型科技型企业在产业智能化中具备巨大的发展潜力。

通过对人工智能产业化发展的研究，为在产业智能化转型中致力于发展人工智能的企业提出如下建议:

(1)从企业业务(to B业务)入手，这是人工智能厂商当前时期发展的一个合适起点。

(2)在已有产业中发掘适合自己人工智能产品的应用场景，这是人工智能产业化的“锚点”。

(3)“锁定”早期用户，跟随用户成长。在业务发展中理解需求并打磨产品。

(4) 随着产业化的发展，与人工智能相关的新产业要素会逐渐出现，企业可选择、建设或投资与自身业务协同的产业新要素，为未来市场爆发做好准备。

(5)市场爆发做好准备。

《白皮书》指出，人工智能和大数据、云计算、物联网共同组成智能产业革命通用技术最关键的部分，它们在实际的产业应用中是紧密相连的。人工智能的厂商要密切关注大数据、云计算等新一代信息技术的发展，它们的协同发展和应用推动产业智能化新范式的最终实现。拥有人工智能算法和大数据、云计算的大型科技企业在产业智能化中具备巨大的发展潜力。

更多干货内容，长按扫描关注公众号！

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

近期比特币价格涨回5000美元，让2018年底经历“矿机轮斤卖”和关机潮的矿圈稍微松了一口气。不过，这口气可能松不了多久，产业政策的“利剑”又来了。

图片来源于国家发改委网站

4月8日，国家发改委发布《产业结构调整指导目录（2019年本，征求意见稿）》，涉及鼓励类、限制类、淘汰类三个类别的产业活动，中国证券报记者发现，虚拟货币“挖矿”活动（比特币等虚拟货币的生产过程）赫然出现在淘汰类之中。

图片来源于国家发改委网站

该指导目录还显示，未标淘汰期限或淘汰计划的条目为国家产业政策已明令淘汰或立即淘汰。而虚拟货币“挖矿”活动这一条没有标上“淘汰期限或淘汰计划”，侧面反应出国家产业政策鲜明态度。

虚拟货币挖矿造富的神话会就此破灭吗？

2008年中本聪发布了《Bitcoin: A Peer-to-Peer Electronic Cash System 》，从此“挖矿”和“矿工”便有了不同于以往的全新定义。“挖矿”不再是一种体力劳动，而是一种高速计算活动。简单地说，大家共同去解同一道数学题，而这道题需要一定的计算量才能做的出来，能率先得到答案的“矿工”就可以分享“比特币”奖励。

比特币诞生的这十年时间，价格曾涨到2万美元，后来又出现暴跌。比特币挖矿也从最早的电脑CPU挖矿，到GPU挖矿再发展到专门的ASIC挖矿芯片。全球最早量产的7nm芯片不是手机芯片、不是AI芯片，而是挖矿芯片。“挖矿”的火爆成就了诸如比特大陆、嘉楠耘智这些蜚声海内外的矿机霸主，矿工矿场也从家庭式小作坊发展到大型矿场。虚拟货币“挖矿”已经成为一个完整产业链。

虚拟货币“挖矿”看似颇具科技感，实际上是典型的资源依赖型产业。

矿场主为了追求低廉电价，均“逐电而居”。中国西北、西南等低电价地区布局了不少矿场。比如四川西部，水电资源丰富，大大小小水电站星罗棋布，闲置的水电、低廉的人工和场地吸引了大量矿场住前来布局。不过，随着比特币价格下行，很多地区开始“关机”。

摩根士丹利曾在2018年初给出数据，挖比特币成本大约三分之一来自电费，2018年比特币乃至其他数字货币的挖矿用电需求将达到120-140万亿瓦时 (terawatt-hours)，而全球电动车的能源消耗到2025年预计才不过125万亿瓦时。根据国际能源署2015年的数据，阿根廷全国一年的用电量也才不过125万亿瓦时。

2018年10月发表在期刊Nature Climate Change上的一篇论文显示，仅挖比特币一项就将导致2033年全球气温上升2℃。

图片来源于nature climate change网站

但2019年开春，情况似乎有了转机。4月以来，萎靡不振的比特币开始有所回暖。据公开数据显示，4月1日比特币单价约4100美元，十天不到，比特币价格飙升20%，4月9日升至近5200美元，这也是2018年11月后，比特币首次升破5000美元。

4月8日价格一度升至5285美元（图源：谷歌）

路透社称，自2017年以来，全球陆续加强了虚拟加密货币监管，中国监管机构先是禁止发行新货币，后来又着手关闭虚拟货币交易所。

中国是世界上最大的计算机硬件市场，因此也存在大量使用“矿机”“挖掘”比特币和其他加密货币的活动，此前“挖矿”一直处于监管的灰色地带。

某些中国公司也是全球最大的比特币“矿机”制造商，据商务部介绍，2018年，曾有3家中国公司（比特大陆“Bitmain”，嘉楠耘智“Canaan Inc”和艾邦国际控股“Ebang International Holdings”）在香港申请首次公开募股（IPO），打算筹集数十亿美元。

2017年8月，延安国家电力盗窃案件，“矿机”接在油田矿区生产电缆上，耗电量惊人（图源：视觉中国）

正值比特币价格再破5000美元之际，中国准备限制“挖矿”（比特币等虚拟货币的生产过程）活动，从根本上淘汰虚拟货币产业。

国家发改委4月8日公布《产业结构调整指导目录(2019年本，征求意见稿)》，向全社会征集意见，准备将虚拟货币“挖矿”活动列入“淘汰类产业”。

央视财经援引文件表述，所谓“淘汰类”，主要是指不符合有关法律法规规定，不具备安全生产条件，严重浪费资源、污染环境，需要淘汰的落后工艺、技术、装备及产品。这意味着，未来虚拟货币“挖矿”将成为立即淘汰的产业类别。

目前，中国的比特币“矿场”和算力约占全球的7成左右。 专家分析，虚拟货币“挖矿”被列入淘汰类产业很可能与其巨大的潜在能源消耗以及挖矿带来的大量二氧化碳排放、电子垃圾生成相关，这与官方当前鼓励节约资源、保护环境、产业结构优化升级的可持续发展战略有所不符。

“挖矿”的火爆成就了诸如比特大陆、嘉楠耘智这些蜚声海内外的矿机霸主，矿工矿场也从家庭式小作坊发展到大型矿场。虚拟货币“挖矿”已经成为一个完整产业链。

虚拟货币“挖矿”看似颇具科技感，实际上是典型的资源依赖型产业。矿场主为了追求低廉电价，均“逐电而居”。中国西北、西南等低电价地区布局了不少矿场。比如四川西部，水电资源丰富，大大小小水电站星罗棋布，闲置的水电、低廉的人工和场地吸引了大量矿场住前来布局。不过，随着比特币价格下行，很多地区开始“关机”。

挖矿产业链的上游是矿机和挖矿芯片生产商。

中国三大矿机提供商也是全球排名前三的矿机生产商比特大陆、嘉楠耘智、亿邦国际均在2018年向港交所递交了上市申请。根据艾瑞咨询，这三家矿机生产商的销售收入和已售算力占2017年全球的90%。

不过，伴随2018年数字货币行情下行，三家公司的首次上市申请已经全部失效。2018年12月20日，亿邦国际再度向港交所提交了招股书。今年3月26日，比特大陆发布内部信宣布未来公司会在合适的时间，重新启动上市工作。

比特大陆信中还宣布组织架构调整，董事会任命王海超担任公司首席执行官，詹克团继续担任公司董事长，吴忌寒继续担任公司董事。

此外，比特大陆表示，虽然公司IPO申请失效，但目前公司拥有充足的现金，供应链运转正常，随着新产品的推出，销售业绩开始逐月上升。按照Frost & Sullivan研究显示，比特大陆已经是中国第二大和全球前十大无晶圆芯片设计公司。

比特大陆2018年9月在港交所披露的招股书显示，2018年上半年，比特大陆总营收达到28.455亿美元，超过2017年全年（25.177亿美元），占全球矿机专用芯片市场74.5%份额；净利润为7.427亿美元，同比增长795%，手握现金等价物超过34亿美元，净资产超过161.7亿美元。

亿邦国际二次递交的招股书显示，2018年上半年，亿邦国际实现收入21.38亿元人民币，，同比增长8倍，实现净利润9.32亿元人民币，2017年同期约5224万元。

不过2018年下半年以来，数字货币价格走势便不再那么好看，三大矿机生产商减产、亏损、裁员的负面消息传闻也不绝于耳。

亿邦国际2018年12月披露的招股书中并未陈述在加密数字货币价格整体下跌背景下第三季度具体财务情况。但其中有提到：尽管BPU（比特币矿机）客户已确定采购订单的平均每月新合约价值与第二季度略为增加，我们自2018年第三季度录得平均每月新合约价值却大幅下降，且与截止2018年6月30日前三个月相比，截止2018年9月30日前三个月的收益及毛利大幅下跌。

为应对单一数字货币业务不确定性，比特大陆、嘉楠耘智曾在招股书中披露了多元化发展方案，均纷纷转型AI芯片业务以图自救。嘉楠耘智在招股书中称，公司未来增长将很大程度上取决于能否渗透到比特币挖矿应用以外的新市场，特别是对高效能和高计算能力有需求的其他类型加密货币，或人工智能应用市场。

比特大陆自2017年开始发布AI专用芯片“SOPHON（算丰）”系列。比特大陆联合创始人之一吴忌寒曾对《彭勃商业周刊》表示，预计未来5年内，比特大陆40％的收入将来自AI芯片。

本文来自中国证券报，感谢分享！

更多干货内容，长按扫描关注公众号！

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

苹果最近成功挖来了人工智能领域最炙手可热的人物之一。“GAN之父”Ian Goodfellow已宣布从谷歌加入苹果。这一重大人事动态表明，苹果公司比以往更加重视机器学习技术。如此重磅的人物加盟，不禁让人们猜想，苹果下一步多半是又要搞什么大动作了。

目前很少有人知道Goodfellow谷歌离职加入苹果的具体情形。在谷歌，他曾两次与OpenAI合作。目前，两家公司都没有公开评论此事。Goodfellow上周更新了LinkedIn状态，证实了自己换了东家，更新后的职业信息表明，Goodfellow现在是苹果的“特别项目团队的机器学习负责人”。

那么，这个“特别项目”究竟是什么？Goodfellow现在究竟在做什么？由于他本人和两家公司都没有透露出确切信息，我们只能猜一猜。

第一种可能：自动驾驶业务，苹果下一个“one more thing”？

苹果的“泰坦”造车计划一直备受关注

最保险的猜测可能是，他正在帮助苹果建造更好的自动驾驶汽车。这个车可能不使用像特斯拉那样的自动驾驶系统。目前苹果几乎肯定还在开发“Titan项目”，但目前苹果可能并不需要Goodfellow来完成自动驾驶车的开发。

那么苹果是不是已经在开发下一代自动驾驶汽车了？我们说的不是特斯拉那样的自动驾驶车，而是像“蝙蝠侠”座驾的那种能够“招之即来”的车。

答案是肯定的，苹果可能就在开发这种全新的自驾车。从Goodfellow本人的专长来看，他非常适合开发更像“仆人”而非“工具”的车辆。还记得苹果支持本地机器学习的A11和A12仿生芯片吗？它们可能会派上用场，将苹果的设备变成无人驾驶汽车的“钥匙链”。

苹果最近申请的专利包括“自动捕捉驾驶员关注点”的传感器技术

从苹果最近的专利申请来看，再加上“特别项目部门”的人事动荡，以及最近Goodfellow的加入，很可能Goodfellow就是来把Titan项目从测试阶段带到实施阶段。目前来看最有可能的猜测是，在2020年到2025年之间，蒂姆·库克（或未来的掌舵人）有望发布苹果在自动驾驶汽车界的“iPhone”级产品。

来自苹果社区的一些较为普遍的看法是， Titan项目可能会是某种共享车服务。这些服务会涉及所在城市范围内的自动驾驶车网络，苹果客户可以以便宜的价格叫车（无需支付无人驾驶汽车的工资）。想象一下价格更便宜的Uber或Lyft，这些服务可以自动安全地整合到苹果的便携式硬件设备中。这样看来，确实是个大手笔。

第二种可能：主持AR/VR软硬件开发，提升用户体验

但是苹果有时候就喜欢出人意料，人们都以为它会往东的时候，它偏偏往西走。比如Air Pods就是一个惊喜，我们大多数人都没有想到。也许上面说的“像蝙蝠侠座驾一样”的可以随时召唤的自动驾驶车，作为“One more thing”显得太过明显，没有新意。这样来看，Goodfellow的到来也可能有其他的目的，比如AR / VR业务。

苹果很可能在未来推出智能眼镜等AR硬件设备

苹果是AR场景技术领域中的重要一员，这说明苹果至少对VR领域保持着一定的兴趣和关注。 Goodfellow的GAN技术（以及其他专业技术）无疑会帮助苹果打造更好的AR体验。未来苹果会不会推出Apple Glasses、头戴式耳机或新的软件，以增强AR硬件的体验呢？目前我们也只能猜测。但至少在一定程度上，AR可能会是苹果的下一个大事件。

其他可能：智能手表，还是摄像头？

还有一种可能是Apple Watch。Apple Watch是苹果“特别项目”团队开发的另一款产品。Goodfellow在深度学习领域前沿成果可以帮助Apple Watch开发更多的健康和保健功能，帮助人们延长寿命。这一点意义重大，因为更健康的生活是人们对工作满意度评价的一个重要决定因素。

而且，Goodfellow的加入可能是苹果在其摄影垂直领域开发突破性产品的一揽子计划的一部分。 iPhone正在与谷歌的Pixel等顶级公司旗舰产品展开激烈竞争，以赢得“拍照最出色的智能手机”的桂冠。 Goodfellow提出的GAN模型可能会让使用仿生芯片的新型iPhone摄像头算法带来一些革命性的突破。

无论如何，无论我们上面的哪种猜测最终成为现实，可以说Goodfellow加入苹果这件事都将给苹果、以至于业界带来不小的改变。如果你以前没有关注苹果的AI部门，现在是时候关注一波了。

不知各位读者觉得“GAN之父”选择跳槽苹果，究竟是为何而来，欢迎各位小伙伴发表自己的观点。

本文来自thenextweb，感谢分享！

更多干货内容，长按扫描关注公众号！

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

国外媒体近日盘点了全球20家引领人工智能革命的公司，有12家日本公司上榜。

人工智能是计算机科学的一个分支，其目标是创造出能够像人类那样学习、工作和响应的计算机和机器。该技术的可能性是无穷无尽的，这可以从该领域不断扩展的研究和进步中得到证明。1960年至2018年初，与人工智能相关的科学论文共计发表了160多万篇。

世界知识产权组织(WIPO)最近发布了第一份关于人工智能技术趋势的报告。这份名为《2019年世界知识产权组织技术趋势：人工智能》(WIPO Technology Trends 2019: Artificial Intelligence)的报告对提交人工智能发明专利申请最多的全球机构组织进行了排名。那些专利申请通常包含几项专利，即“同族专利”（另称“专利家族”）。在专利申请最多的20家机构中，除了两家以外，其余全都是公司。

前20名中有12家日本公司，3家美国公司，两家来自韩国，两家来自德国，还有一家来自中国。值得注意的是，在人工智能专利申请量最高的20所大学和公共研究机构中，有17所来自中国，另外3所来自韩国。

WIPO的研究人员使用FAMPAT数据库来收集和分析专利数据。需要注意的是，WIPO并没有公布这些机构组织的准确数据，因此在没有准确数据的情况中，这些总数是根据《2019年世界知识产权组织技术趋势：人工智能》发布的图表估算的。LAI同族专利(或同族专利申请)可以进一步归类为使用不同核心算法方法实现AI功能应用的AI技术，或AI功能应用本身。对于每个组织，我们分别列出了人工智能功能应用以及人工智能技术专利申请量最多的类别。

>全球同族专利申请量：1800份

>申请量最高的人工智能功能应用类别：计算机视觉，1086份

>申请量最高的人工智能技术类别：机器学习，329份

日本消费电子公司夏普推出了一款名为AIoT的软件，宣称将人工智能和物联网(IoT)结合在一起。AIoT是一个由支持人工智能的设备组成的网络，可不断监控设备的使用情况，并进行调整，以提供个性化服务和解决方案。该公司声称在宠物护理、视听系统等类别上拥有150多种产品。

>全球同族专利申请量：1900份

>申请量最高的人工智能功能应用类别：计算机视觉，687份

>申请量最高的人工智能技术类别：机器学习，298份

这家德国工程和电子公司计划2021年之前在全球范围设立三个人工智能中心，投资3.4亿美元用于人工智能研究。博世正在进行的项目之一是，为面向自动驾驶车辆传感器的视频和雷达信号处理打造一个深度网络。

>全球同族专利申请量：2200份

>申请量最高的人工智能功能应用类别：计算机视觉，1362份

>申请量最高的人工智能技术类别：机器学习，271份

韩国电子巨头LG的ThinQ品牌提供各种集成人工智能功能和服务的产品。该公司表示，这些产品“可以相互分享和研究分析信息”。与其它涉足人工智能智能家居的公司一样，LG在寻求训练这些设备来了解人们如何使用它们，以便为每位用户提供量身定制的体验。

>全球同族专利申请量：2500份

>申请量最高的人工智能功能应用类别：计算机视觉，1993份

>申请量最高的人工智能技术类别：机器学习，502份

作为一家成像和电子公司，理光公司（Ricoh）的人工智能项目一直专注于机器视觉和图像处理。例如，该公司开发了一种测量路面状况的摄像头系统，它可以用普通装置而不是专用装置来检测和安排维修。

>全球同族专利申请量：2700份

>申请量最高的人工智能功能应用类别：计算机视觉，1441份

>申请量最高的人工智能技术类别：机器学习，917份

除了与日立(Hitachi)在智能发电厂方面的合作以外，三菱还在计算机视觉、语音和音频处理以及数据分析方面开展人工智能研究。该公司还生产汽车，在今年的CES（国际消费电子展）上，三菱展示了其Emirai 4智能移动出行概念车。该款车型具备各种功能，包括增强现实、平视显示、智能家居和移动支付集成以及生物识别认证。

>全球同族专利申请量：2700份

>申请量最高的人工智能功能应用类别：计算机视觉，567份

>申请量最高的人工智能技术类别：机器学习，1770份

该中国国有电力公司专注于电网控制、配电利用网络、风电场、绿色能源等领域的人工智能开发。去年12月，该公司启动了一个连接数据中心和太阳能光伏电站的交流/直流配电网示范项目。该项目集成了智能电网和云计算技术，据该公司称该技术 “预示着未来电网发展的一种新形式”。

>全球同族专利申请量：2800份

>申请量最高的人工智能功能应用类别：计算机视觉，1336份

>申请量最高的人工智能技术类别：机器学习，1294份

这家日本最大的电信供应商在农业和医疗等诸多行业拥有人工智能产品和开发项目。它最近收购了NEC的NeoFace系统，并计划利用该系统演示一种高速5G网络面部识别系统的有效性。

>全球同族专利申请量：2900份

>申请量最高的人工智能功能应用类别：计算机视觉，1394份

>申请量最高的人工智能技术类别：机器学习，582份

丰田与人工智能相关的项目聚焦于移动出行领域，这并不奇怪。移动出行是业内最新的流行词，囊括了从小型摩托车到飞行汽车的所有交通方式。2017年，该汽车巨头在硅谷成立了一个风险投资部门，且已对机器人和人工智能初创企业进行了多项投资。

>全球同族专利申请量：3500份

>申请量最高的人工智能功能应用类别：计算机视觉，2477份

>申请量最高的人工智能技术类别：机器学习，923份

索尼在电视、游戏机、相机和智能手机等消费电子产品的销售上举步维艰。去年5月，索尼新任首席执行官吉田健一郎(Kenichiro Yoshida)承认了这个问题，并宣称索尼生存的关键“在于我们能在多大程度上控制数据和人工智能”。该公司的PlayStation网络及其8000万月度活跃用户将会推动索尼在这方面的努力。

>全球同族专利申请量：3600份

>申请量最高的人工智能功能应用类别：计算机视觉，1792份

>申请量最高的人工智能技术类别：机器学习，1689份

这家德国工业巨头专注于由人工智能驱动的工业流程，比如优化燃气轮机，改善智能电网监控，以及对工业设施进行预测性维护。西门子旗下医疗子公司Siemens Healthineers还利用深度学习和人工智能技术来自动化和标准化医疗诊断。

>全球同族专利申请量：3800份

>申请量最高的人工智能功能应用类别：计算机视觉，1568份

>申请量最高的人工智能技术类别：机器学习，1801份

谷歌母公司Alphabet在2014年将DeepMind收归门下，除了将该人工智能平台打造成为围棋大师以外(DeepMind的AlphaGo应用在2016年击败人类围棋冠军李世石)，该公司还应用人工智能和机器学习技术来将自己的能源消耗减少40%。在Alphabet旗下的人工智能和机器学习项目中， Waymo自动驾驶汽车子公司或许是最知名的。DeepMind的一些功能也被整合到该公司的“摇钱树”谷歌搜索当中。

>全球同族专利申请量：3900份

>申请量最高的人工智能功能应用类别：计算机视觉，3282份

>申请量最高的人工智能技术类别：机器学习，584份

佳能的绝大多数专利都与成像有关，这对于一家以相机闻名的公司来说并不奇怪。2016年，该公司收购了东芝的医疗成像业务，并于去年推出了一个基于人工智能的平台。该平台可从低剂量、低质量的CT扫描图生产出高质量图像。对患者来说，这意味着每次扫描检查受到的辐射更少；对于医生来说，这意味着能够更快速地做出诊断。

>全球同族专利申请量：4250份

>申请量最高的人工智能功能应用类别：计算机视觉，2726份

>申请量最高的人工智能技术类别：机器学习，1057份

由于扎根于消费产品领域，松下公司一直在寻找一种方法来将所有的这些设备整合到一个单一的控制系统中。去年年底，该公司发布了其HomeX智能家居控制器，该产品不仅可以与人交流，还可以让设备彼此交流。据松下总裁津贺一宏(Kazuhiro Tsuga)表示，公司的机器学习、人工智能和支持物联网的设备“将会开发服务和产品，未来这些服务和产品将能够根据它们的使用情况进行升级更新”。

>全球同族专利申请量：4250份

>申请量最高的人工智能功能应用类别：计算机视觉，2310份

>申请量最高的人工智能技术类别：机器学习，1302份

日立已与三菱(Mitsubishi)合作建设全自动数字发电厂，该发电厂有朝一日将由人工智能运营。它们目前还处于概念验证阶段，除维护外，无需人工干预。该发电厂将接受指令，或多或少地利用自动化电网系统发电，安排维护，并提前三年预测设备的性能和所需的资本支出。

>全球同族专利申请量：4300份

>申请量最高的人工智能功能应用类别：计算机视觉，2727份

>申请量最高的人工智能技术类别：机器学习，1070份

NEC将在东京奥运会上参与审查运动员、媒体和其他工作人员的入场资格，而富士通则可能在体操比赛中利用基于激光雷达的技术(许多自动驾驶汽车也使用这种技术)参与评分工作。这项技术利用图像来确定选手的身体姿势，并将这些信息传递给评委，帮助确定运动员的最终得分。

>全球同族专利申请量：4400份

>申请量最高的人工智能功能应用类别：计算机视觉，2778份

>申请量最高的人工智能技术类别：机器学习，1314份

NEC将为2020年东京夏季奥运会和残奥会提供面部识别系统，该系统是围绕该公司的NeoFace人工智能引擎开发的。该系统的设计目的是，通过将具有入场资格的人员携带的集成电路卡片中的照片数据连接起来，识别出约30万名运动员、媒体和其他的工作人员。

>全球同族专利申请量：5100份

>申请量最高的人工智能功能应用类别：计算机视觉，3365份

>申请量最高的人工智能技术类别：机器学习，1257份

在今年的CES上，三星展示了8个利用人工智能技术制作视频内容和香水的新项目。它还展示了一个人工智能应用程序，该应用可以从新闻文章中挑选关键词，并用它们生成事件的时间轴。去年5月，该韩国公司分别在英国、加拿大和俄罗斯开设了人工智能研究中心，以补充其原有的位于美国和韩国的研究中心。

>全球同族专利申请量：5200份

>申请量最高的人工智能功能应用类别：计算机视觉，3417份

>申请量最高的人工智能技术类别：机器学习，1229份

东芝去年11月宣布了一项五年计划，希望借该计划走出持续数年的低迷期。除了出售旗下存储芯片业务以外，东芝预计还将在物联网和人工智能等技术的设备、研发和研发上投入逾1500亿美元。根据行业研究公司Research&Markets的数据，到2023年，物联网将占人工智能芯片组市场的83%，嵌入人工智能的物联网设备市场的全球规模将达到262亿美元。

>全球同族专利申请量：5930份

>申请量最高的人工智能功能应用类别：计算机视觉，2428份

>申请量最高的人工智能技术类别：机器学习，3079份

这家Windows操作系统开发商对人工智能非常重视，在去年3月重组公司时，甚至专门设立一个新部门来专注于云计算和人工智能。该新部门的人工智能部分专注于人工智能计算基础设施、框架以及与感知、知识和认知相关的高级服务。

>全球同族专利申请量：8920份

>申请量最高的人工智能功能应用类别：自然语言处理，2962份

>申请量最高的人工智能技术类别：机器学习，3566份

2018年，蓝色巨人总共获得了9100项美国专利，创下了公司的记录。其中，约1600项专利与人工智能有关，很多都与IBM的自然语言处理和机器学习技术有关。2月11日，该公司的人工智能系统“项目辩手”(Project Debater)将就复杂的话题与人类辩论时，迎来它的第一个挑战者。

更多干货内容，长按扫描关注公众号！

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

专业代码080717T（T代表特设专业），学位授予门类工学。人工智能专业至此正式进入本科专业大家庭。

从名单来看，人工智能专业并非“高大上”院校的专属。获批建设高校中，既有上海交通大学、同济大学、浙江大学这样的全国性老牌名校，也有江苏科技大学、安徽工程大学这样专业特色鲜明的地方性高校，还有长春师范大学这样的师范类高校。

人工智能专业获批名单

此外还有101所高校获批“机器人工程专业”，203所高校获批“数据科学与大数据技术”专业，25所高校获批“大数据管理与应用”专业……可以说，人工智能教育建设已经掀起热潮。

从教育部今天的最新发布来看，在京高校共新增98个本科专业，其中新增备案本科专业79个、新增审批本科专业19个。

据统计，在新增备案本科专业名单中，部属高校共有42个专业，北京大学的马克思主义理论、电子信息工程、机器人工程，清华大学的药学（二学位）均位列其中。记者注意到，不少新增专业与眼下大热的“人工智能”、“大数据”密切相关。比如，北京大学、北京科技大学、北京化工大学、中国矿业大学（北京）等部属高校都新增设了机器人工程专业；北京理工大学新增数据科学与大数据技术、智能制造工程专业；北京科技大学、中国传媒大学等高校设立了大数据管理与应用专业，中央财经大学、北京林业大学等高校设立了数据科学与大数据技术专业。另外，市属高校新增备案本科专业有37个，其中北京工业大学、北京建筑大学等高校新增了智能制造相关专业，北京印刷学院新增设智能科学与技术专业等。此外，不少高校聚焦“一带一路”，新增了相关小语种专业，如北京语言大学的印度尼西亚语、罗马尼亚语，北京体育大学的匈牙利语、捷克语等。

此次在京高校新增审批本科专业共计19个，其中部属高校中，清华新增土木、水利与海洋工程专业，北京航空航天大学和北京理工大学都增设了人工智能专业，北京外国语大学新增爪哇语、旁遮普语专业；市属高校中，首都医科大学新增眼视光医学，北京城市学院新增航空服务艺术与管理专业。

更多干货内容，长按扫描关注公众号！

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

原文来源 |《1843》
译文来源 | 大数据文摘 

转载来源 | 机器之能

编译 | 橡树_hiangsug、林安安、小七、张秋玥

2010 年 8 月的一个下午，在旧金山湾，一个 34 岁的伦敦人大步流星地走上舞台。他深吸一口气，放松紧绷的神经，露出一个蹩脚的微笑，开口讲道：「今天，我要讲述如何用一个完全不同的方法去构建......」空气突然安静，好像在等待着一个意欲改变世界的人呐喊出自己重大的野心——「AGI」Demis Hassabis 说道。

AGI 指通用型人工智能，是一种拥有与人类相同智力水平或甚至超过人类的理想化计算机程序。AGI 能够出色地完成离散型任务，例如识别照片或翻译语言等，这与我们手机和计算机中所见到过的人工智能（AI）本质上是相同的。

但除此之外，它还会做加减运算、下棋、说法语；可以解物理论文、撰写小说、制定投资策略、陌生人进行愉快的交谈；它甚至可以监测核反应、管理电网和交通流量，毫不费力地在各个领域获得一个又一个的成就——AGI 将使当今最先进的 AI 融合成一个袖珍计算器。

目前，人类是唯一拥有完成所有这些任务能力的智慧生物，但人类的智力受限于身体所能提供的能量；而 AGI 是在计算机上运行的，所以它不会受到这些限制，AGI 的能力上限仅由处理器的数量决定。

AGI 将从完成监测核反应任务开始，按照其一秒阅读上万篇物理论文的速度吸收知识，不久便可以具备发现新能源的能力，而这一速度是人类经过千年进化也比不上的。当人类智能可以被计算机的速度和可扩展性辅助，目前看似不可解决的问题将被轻松解决。

Hassabis 曾向英国报纸《Observer》的记者描述，他希望 AGI 能够掌握「癌症、气象、能源、基因组学、宏观经济和金融系统」等学科知识。

Hassabis 发言的这场大会被称为奇点峰会。根据未来学家的说法，「奇点」指的是由于 AGI 出现引发的结果。由于 AGI 将以高速处理信息，很快它就将变得「聪明绝顶」。自我改善的快速循环将导致机器智能的「爆炸」，使人类窒息于「硅尘」之中。那么这个奇点将带来乌托邦还是地狱？这已经成为了一个宗教信仰一般的问题。

「如何建立人造思维」、「AI 解决老龄化问题」、「取代我们的身体」、「改变生与死的界限」……从会谈的标题来看，这场大会的与会者倾向于将人工智能视为救世主；相比之下，Hassabis 的发言似乎没有那么大的噱头——「基于神经科学的研究方法探究 AGI 架构」。

Hassabis 语速飞快，踱步于讲台和屏幕之间。他身着一件栗色套头衫和一件白色系扣衬衫，像极了一个在校的大学生，但他瘦小的身材下却蕴藏了极高的智慧和无限的力量。Hassabis 解释道：到目前为止，科学家已从两个大方向上探索 AGI。

一条支路可以称为*基于规则的人工智能*。在这一支路上的研究人员试图描述出一个可以像人类一样思考的系统所需的所有规则，并通过编程加以实现。这种方法在 20 世纪 80 年代和 90 年代很流行，但没有产生预期的结果。Hassabis 认为形成人类认知的神经结构太过于精妙，根本无法以这种方式描述。

另一条支路的研究人员试图*数字化复现大脑的神经网络*。这虽然有一定的道理，毕竟脑是人类智慧的所在；但 Hassabis 认为这些研究人员的这一企图就像想要绘制宇宙中的每一颗恒星，也走在了一个歪路上。更根本的问题是，这一研究方法就像试图通过凿开计算机检查晶体管的相互作用来了解 Microsoft Excel 的工作原理，他们所关注的大脑加工水平是错误的。

Hassabis 提出了一个中间立场：AGI 应该从大脑处理信息的宏观方法中获取灵感——而不是物理系统或它在特定情况下的应用规则。换句话说，它应该专注于理解大脑的软件，而不是硬件。

现有如功能性磁共振成像（fMRI）这样的新技术，使得研究人员可以探究人类在特定活动下的大脑活动，说明这一方向具有一定的可行性。他告诉观众，最新的研究表明，大脑会在睡眠期间通过重播经验学习一般原则，研究人员应该尝试模仿这种系统构造 AI。

在演讲幻灯片的右下角出现了一个圆形的蓝色漩涡，紧贴的两个单词 DeepMind 赫然出现在 Logo 之下——这是该公司第一次正式出现在公开场合。

这次发言远远没有看起来那么简单，Hassabis 为了这个邀请，努力了一年之久。他真正的目的是与硅谷亿万富翁彼得·泰尔（Peter Thiel）的一分钟会面，而 Thiel 正是这场会议的赞助方——Hassabis 想要 Thiel 的投资。

Thiel 似乎比 Hassabis 本人对 AGI 更有热情。在 2009 年奇点峰会的一次演讲中，Thiel 曾表示，他对未来最大的恐惧不是机器人起义（他在新西兰内陆地区拥有一个末日避难所，他其实比大多数人做好了充足的准备）。相反，他担心奇点来得太晚，世界更需要新技术来抵御经济衰退。

DeepMind 最终总募资 200 万英镑，其中 Thiel 投资了 140 万英镑。当 Google 以 6 亿美元的价格在 2014 年 1 月收购该公司时，Thiel 和其他早期投资者的投资收益率高达 5,000％。

对于许多创始人来说，这是一个圆满的结局。他们可能会放慢发展速度，甚至退后一步，花更多的时间和钱打交道。但对于 Hassabis 来说，谷歌的收购只是他建造 AGI 帝国的另一步进展。2013 年，他花了很多时间谈判交易的条款，使 DeepMind 独立于 Google 运营，DeepMind 在不失去控股权的前提下获得了 Google 提供的现金流和计算能力。

Hassabis 认为，DeepMind 将是一个混合体：它作为创业公司拥有强大的自我驱动力，又汇集了来自各大顶尖大学的聪明头脑，同时拥有世界上最有价值公司之一的雄厚资金支持——这些因素都将加速 AGI 的到来，解决人类所面临的难题。

Demis Hassabis 于 1976 年出生于伦敦北部，是三个兄弟姐妹中最大的一个。

父亲是生活在塞浦路斯的希腊人，经营着一家玩具店；母亲是生活在新加坡的华人，在英国百货公司约翰·刘易斯工作。他从小便体现出惊人的才能——在他四岁时，旁观了一场父亲和叔叔的国际象棋比赛，从此迷上了国际象棋，没过几周他竟然在棋局上击败了许多成年人，等到他 13 岁时，他已在世界同龄棋手中位居第二。而且在他八岁时，他已经可以在一台计算机上实现自己的代码，仅通过自学掌握了编程技术。

1992 年，Hassabis 比原计划提前两年完成了他的 A-levels 课程。他找到一份在 Bullfrog Productions 的电子游戏编程工作。

Hassabis 编写了一个名为主题公园（Theme Park）的游戏，在这个游戏里，玩家可以设计并运营了一个虚拟游乐园，这个游戏的销量高达 1500 万份。之后这家公司优化并开发了更大规模的虚拟城市游戏，Hassabis 编写的主题公园（Theme Park）成为这个大规模游戏的一部分。

除了编写游戏外，他还很擅长玩游戏，比如国际象棋、拼字游戏、扑克和西洋双陆棋。1995 年，在剑桥大学学习计算机科学时，Hassabis 多次在学生围棋锦标赛击败对手。围棋比国际象棋要复杂得多，玩家只有通过长期训练才能获得足够多的经验进而熟练制定游戏战略。没有人知道 Hassabis 以前是否玩过围棋。

Hassabis 很快称霸了初学者的比赛，然后又击败了经验丰富的围棋专业玩家，那位专业玩家对于自己败给一名 19 岁的新手颇为震惊。剑桥围棋大师 Charles Matthews 看了 Hassabis 的比赛后，决定开始培养他。

Hassabis 一次又一次在围棋比赛上展现他的天赋，渐渐地，他开始好奇计算机是否可以像人类一样通过不断积累的经验来学习。游戏提供了一个现实世界无法比拟的学习环境。游戏虽然是从现实世界中发展而来，但它们可以在没有外界干扰的情况高效进行。与现实世界相比，在游戏里，时间可以过得比现实生活中快很多：几天内，玩家就能组建一个团体，并在几分钟内就能进行战斗。

1997 年的夏天，Hassabis 去日本旅游。那年 5 月，IBM 的 Deep Blue 计算机击败了世界象棋冠军 Garry Kasparov。这是计算机第一次在国际象棋比赛中击败了一位大师。这场比赛引起了全世界的关注，同时还引发了人们对计算机不断发展和潜在威胁的担忧。

Hassabis 遇到日本棋盘游戏大师 Masahiko Fujuwarea，他谈到了一个将战略游戏和人工智能结合起来的想法：有一天他会建立一个计算机程序，这个程序会击败全世界最厉害的人类围棋玩家。20 岁的 Hassabis 认为，他目前的能力还不足以支持他实现自己的梦想，但他心中已经有了一个蓝图。

1998 年，他创办了一个名为 Elixir 的游戏工作室。Hassabis 专注于开发一个名为共和国革命 (Republic: The Revolution) 的政治模拟游戏。当 Hassabis 还在上学时，他告诉他的朋友 Mustafa Suleyman，这个世界需要一个能模拟复杂的社会动态并解决棘手社会问题的模型。现在，他尝试在游戏中这样做。

事实证明，这很难。Elixir 最终发布了这款游戏的精简版，但这款游戏没有火起来。其他类似的游戏也相继失败（比如一个名为 Evil Genius 的邦德恶棍模拟器）。2005 年 4 月，Hassabis 关闭了 Elixir。Matthews 认为，Hassabis 创立公司只是为了获得管理经验。现在，在 Hassabis 开始寻求 AGI 之前，他还不够了解一个至关重要的领域——人类的大脑。

2005 年，Hassabis 在伦敦大学学院（UCL）获得神经科学博士学位。他在博士期间进行了记忆和想象力方面的研究。一篇被引用超过 1000 次的论文表明，健忘症患者很难进行想象，这表明记忆和创造心理图像之间存在联系。为了解决 AGI，Hassabis 正在尝试理解大脑。他的大部分工作最后都回到了一个问题：人类大脑是如何获得并记住概念和知识？

Hassabis 于 2010 年 11 月 15 日正式成立了 DeepMind。

该公司的使命宣言与现在一样——「解决智能（solve intelligence）」，然后用它来解决其他问题。正如 Hassabis 告诉 Singularity Summit 的参会者，这意味着让计算机像人类大脑一样理解并执行任务。

Hassabis 并不觉得科学已经完全了解人类的思想。他认为不能简单地从数百项神经科学研究中提出 AGI 蓝图。他自信地认为以他现在的水平足够支撑他进行 AGI 的研究。然而，事实并非如此。我们对大脑的实际运作方式仍然知之甚少。2018 年，一群澳大利亚研究人员对 Hassabis 的博士论文研究结果提出质疑。他们认为文章的统计数据很糟糕。虽然质疑是针对一篇论文，但也足够表明 DeepMind 还有很长的路要走。

Suleyman 和 Shane Legg 是两个痴迷 AGI 的新西兰人，Hassabis 在伦敦大学学院认识了他们，他们后来成为了 DeepMind 的联合创始人。

Hassabis 很有天赋，DeepMind 在他的带领下发展地越来越快。DeepMind 前运营经理 Ben Faulkner 说：「Hassabis 有点像磁铁，吸引着越来越多的人才。」许多人拒绝了谷歌和 Facebook 等硅谷巨头的 offer，选择进入 DeepMind。也许 DeepMind 最大的成功就是聘请并留下最聪明和最优秀的人才。DeepMind 在布鲁姆斯伯里的罗素广场（Russell Square）里开设了商店，地址在伦敦大学学院（UCL）的马路对面。

DeepMind 所关注的一种机器学习技术——强化学习（reinforcement learning），源于 Hassabis 对游戏和神经科学的双重热爱。这种程序是为收集相关环境信息而建立的，通过重放积累的经验来进行学习，就像 Hassabis 在 Singularity Summit lecture 讲座中给出的人类大脑活动的描述一样。

计算机在强化学习领域还是一片空白。该程序展示了一个虚拟环境，和国际象棋或视频游戏的模拟一样，只有规则是已知的。该程序包含至少一个称为神经网络的组件，它由多层计算结构组成，这些计算结构可以筛选信息并识别特定的特征或策略。

每个层都以不同的抽象级别对环境进行检查。起初，这些网络的成功率很低，但重要的是，它们会不断的积累经验。在尝试不同的策略时，它们会变得越来越复杂，如果它们成功，就会获得奖励，而且一旦犯过一次错误就不会再犯。人工智能的最牛逼的地方在于重复做任务的速度。

2016 年，DeepMind 吸引了全世界的目光，它建立了一个结合强化学习和其他技术的 AI 程序来玩围棋。

这就是广为人知的 AlphaGo。2016 年，AlphaGo 在首尔的五场比赛中击败了世界冠军，全世界都为之震惊。次年，改进版的 AlphaGo 击败了中国围棋冠军。

像 1997 年的 Deep Blue 一样，AlphaGo 改变了人类对自我成就的看法，人类世界的冠军，已经不再是地球上最智慧的存在了。Hassabis 在将他的野心告知了 Fujuwarea 近 20 年后，实现了这一目标。Hassabis 说，这场比赛让他几乎要喜极而泣。传统来说，AlphaGo 的学生回报它的方式就是在一场比赛中击败它，而 Hassabis 就是通过赢得整场比赛来感谢 Matthews 的。

DeepBlue 是通过蛮力和高速运算的优势赢得的胜利，但 AlphaGo 却风格迥异，它看起来就很有艺术性，很具人性化。它的优雅和精致，及其超强的计算力，都表明在疾病治疗和城市管理的项目设计方面，DeepMind 要比其竞争对手更进一步。

Hassabis 坚信 DeepMind 会让这个世界变得更好。

但 AGI 具有很大的不确定性，即使有一天它实现了，我们也不知道它是好是坏，又或者它是否会服从人类的控制？即使它能被控制，那又应该由谁来控制它？

从一开始，Hassabis 就一直试图保护 DeepMind 的独立性，他坚持认为 DeepMind 应该留在伦敦。2014 年，当谷歌要收购该公司时，控制权问题变得更加紧迫。Hassabis 其实不需要向 Google 出售 DeepMind，他手头上有大量现金，而且他还想出了一个商业模式，可以让公司设计游戏来资助研究。

但是，就像许多创始人一样，他没能抵挡谷歌的巨额的资金吸引。Hassabis 并不愿交出他所精心创立的公司，因此*作为交易的一部分，DeepMind 制定了一项计划，来阻止谷歌单方面控制公司的知识产权。*据知情人士透露，在收购前一年，双方签署了一份名为「道德与安全审查协议」的合同。

审核协议规定，作为 DeepMind 的核心技术 AGI，无论其合何时能够研究成功，都将被一个称为道德委员会的理事会掌控。根据同一消息来源，道德委员会不仅仅是谷歌表面的让步，它还为 DeepMind 提供了坚实的法律支持，以控制其最有价值和最危险的技术。

小组成员的名字尚未公开，但另一个与 DeepMind 和 Google 关系密切的消息人士表示，DeepMind 的三位创始人都是委员会成员。（DeepMind 拒绝回答有关审核协议的一系列详细问题，但表示「道德监督和治理从一开始就是我们的首要任务。」）

Hassabis 能决定 DeepMind 命运的还有其他方式，那便是忠诚。无论是过去的老员工还是现在的新员工，都认为 Hassabis 的研究课题是 DeepMind 最大的优势之一。他的课程吸引了世界上数百名最有才华的专家，使其放弃自己的学术研究并心甘情愿地加入他的团队工作。DeepMind 在巴黎、阿尔伯塔和阿姆斯特丹均设有分公司。

许多员工认为与 Hassabis 和 DeepMind 的关系比与谷歌的关系更为亲密，毕竟谷歌收购 DeepMind 就是为了获益。他们都认为只要自己保持个人忠诚度，Hassabis 相比其唯一的股东就拥有较大的权力。对于谷歌来说，通过代理服务的 DeepMind 吸纳 AI 人才比从 Facebook 或 Apple 挖人更好。

DeepMind 有另一个杠杆来源，就是其公众影响力，但这是需要不断的增加曝光的。该公司最擅长的就是这一点，其中 AlphaGo 就是一场公关演出。自被谷歌收购以来，该公司一再引起全球关注。

其中一款火爆的应用产品，可以在眼睛扫描中发现作为黄斑变性指标的图案。另一个软件则学会了使用与 AlphaGo 相似的架构从头开始下棋，并成为了有史以来最伟大的国际象棋选手，仅用了 9 个小时它就可以对抗自己。2018 年 12 月，一项名为 AlphaFold 的计划比其他竞争对手更准确地预测了复合材料清单中蛋白质的三维结构，这很大程度上为治疗帕金森氏症和阿尔茨海默氏症等疾病提供了契机。

DeepMind 对其开发的算法感到特别自豪，该算法可以计算出最有效的方法来给谷歌的数据中心制冷，其数据中心包含大约 250 万台计算机服务器。DeepMind 在 2016 年表示，他们将谷歌的能源费用减少了 40％，但一些内部人士表示，这种吹嘘行为过于夸张。

早在 DeepMind 存在之前，谷歌就一直在使用算法来优化其数据中心。一位谷歌的员工表示「他们只想拥有一些所谓的在 Alphabet 中有价值增值的 Prso」。谷歌的母公司 Alphabet 为这些服务支付了 DeepMind 费用。2017 年，DeepMind 向 Alphabet 公司收取了 5400 万英镑。与 DeepMind 的管理费用相比，这个数字相形见绌。而那一年，它仅在员工身上花费了 2 亿英镑。总的来说，DeepMind 在 2017 年损失了 2.82 亿英镑。

这对现金充裕的巨人来说虽然微不足道，但其他出现赤字的子公司却引起了 Alphabet 的首席财务官 Ruth Porat 的注意。作为互联网服务提供商的谷歌光纤（Google Fibre）就陷入了财务困境，因为其明确表示需要数十年之后才能获得投资回报。私下里，人工智能研究人员都想知道 DeepMind 最后是否会成为独立的公司。

DeepMind 在人工智能推进方面很谨慎，这是其管理战略的一部分，这也向当权者表明了其声誉价值。在谷歌被指控侵犯用户隐私和传播假新闻的时候，这一点特别有价值。

DeepMind 也很幸运能够获得最高级别的认可——Larry Page，他是谷歌两位创始人之一，现在是 Alphabet 的首席执行官。Page 是 Hassabis 唯一的交集可能就是 Page 的父亲 Carl 在 20 世纪 60 年代研究过神经网络。Page 表示在他的职业生涯早期，他就是为了建立一家人工智能公司而建立的谷歌。

DeepMind 对发刊管理的严格控制并不符合公司普遍存在的学术精神。一些研究人员抱怨说，发表他们的作品很困难：他们必须先进行内部审批，然后才能将工作提交给会议和期刊。

DeepMind 认为，它需要谨慎行事，以避免吓跑公众，并破坏 AGI 的前景。但过于紧张可能会开始恶化学术氛围并削弱员工的忠诚度。在谷歌收购之后的第五年，谁控制 DeepMind 的问题显得至关重要。

该公司的创始人和早期员工即将获得分红，他们可以通过收购获得的经济补偿离开（Hassabis 的股票价值约为 1 亿英镑）。但一位与该公司关系密切的消息人士表示，Alphabet 已将创始人的收益发放推迟了两年。鉴于此，Hassabis 不太可能跳槽。他只对金钱感兴趣，因为钱可以帮助他实现自己的人生。但是有些同事已经离开了，自 2019 年初以来，已有三名 AI 工程师离职。

全球最著名的安全工程师之一 Ben Laurie 现已返回其前任雇主谷歌。这个数字虽然很小，但 DeepMind 提供了如此宝贵且令人振奋的工作机会和丰厚的薪酬情况下，任何人其实都应该不会离职的。

直至目前，谷歌都没有过于干涉 DeepMind。但近期的一件事情使人们开始怀疑 DeepMind 还能保持多久的独立性。

DeepMind 一直计划使用 AI 来改善医疗保健。

2016 年 2 月，它成立了一个新部门：DeepMind Health。该部门由该公司的联合创始人之一 Mustafa Suleyman 领导。Suleyman 的母亲曾是一位 NHS 护士。他希望创建一个名为 Streams 的程序，当患者的健康状况恶化时，该程序会警告医生。

DeepMind 从中获得基于程序效果分成的费用。由于这项工作需要访问有关患者的敏感信息，Suleyman 建立了一个由英国医疗保健与科技行业精英组成的独立审查小组（IRP）。DeepMind 这样谨慎行事是非常明智的——英国信息专员随后发现其中一家合作医院违反了处理患者数据的法律。尽管如此，截至 2017 年底，Suleyman 已与四家大型 NHS 医院签署了协议。

2018 年 11 月 8 日，谷歌宣布创建了自己的医疗保健部门 Google Health。五天后，又宣布 DeepMind Health 将被纳入其母公司。

DeepMind 似乎没有收到什么预警。根据信息自由要求（Freedom of Information Act）所得到的信息，它仅提前三天向合作医院发布了变更通知。DeepMind 拒绝透露有关合并的讨论是何时开始的，但表示从通知到发布正式公告如此短的实践是为了保证信息透明度的。

Suleyman 在 2016 年写道：「在任何阶段，患者数据都不会与谷歌的账户、产品或服务相关联。」他的承诺似乎已被打破。（回应 1843 杂志的问题，DeepMind 说「在这个阶段，我们的合同都没有转移到谷歌，而且只有得到我们合伙人的同意后他们才能转移合同。Streams 成为 Google 服务并不意味着患者数据...... 可被用于提供其他 Google 产品或服务。「）

谷歌的吞并激怒了 DeepMind Health 的员工。据知情人员表示，一旦吞并完成，更多员工将计划离开公司。IRP 的一名成员 Mike Bracken 已经离开 Suleyman 了。据多位知情人士透露，Bracken 于 2017 年 12 月辞职，是因为担心该独立审查小组更多的是为了装饰门面而并非真正为了应对信息隐私方面的漏洞。

当 Bracken 问 Suleyman 是否会给小组成员赋予非执行董事的问责制和治理权时，Suleyman 发出了嘲笑。（DeepMind 的一位发言人表示他们「并不记得存在」此事件）。IRP 负责人 Julian Huppert 认为，该小组的管理「比 Bracken 预期更为激进」，因为成员能够公开发言而不受保密义务的约束。

这一事件显示 DeepMind 的外围运营容易受到谷歌的影响。DeepMind 在一份声明中表示，「我们都同意，将多方力量凝聚一起共同努力能够增加资源。」这就引出了一个问题，即 Google 是否会将相同的逻辑应用于 DeepMind 的 AGI 工作。

大体上看，DeepMind 看起来已经取得了很大的进步。它已经搭建了可学习执行超人类任务的软件。Hassabis 经常引用 Breakout，这是 Atari 游戏机上的视频游戏。玩家控制一个可以在屏幕底部水平移动小平板，用它将一个球反弹到悬停在屏幕上方的方块，球撞击到方块时会摧毁它们。当所有块都被摧毁时，玩家获胜。

如果平板没有接到球那么玩家就输了。在没有人工指导的情况下，DeepMind 的程序不仅学会了玩这个游戏，而且还研究了如何将球反弹进方块背后的空间中，利用多次反弹来打破更多的方块。Hassabis 说，这证明了强化学习的力量和 DeepMind 计算机程序超越自然的能力。

这个演示非常令人惊讶，但 Hassabis 还是有所保留。

如果虚拟平板略微往上移动一点点，程序就会失败。DeepMind 程序所学到的技能是如此受限制——它甚至无法对环境的微小变化（比人类走路时对环境产生的微小影响还小）作出反应——至少在没有数千轮强化学习的情况下既是如此。但是现实世界已经内置了这样的应对系统。

对于智能诊断来说，没有两个身体的器官是完全一样的。对于智能机械，没有两个引擎可以以相同的方式进行调整。因此，将在虚拟空间中完善的程序发布到现实世界其实充满了困难。

DeepMind 很少谈到的第二个问题是，虚拟环境中的成功取决于奖励功能的存在：允许程序衡量其进展的信号。该程序学习到，发射小球到方块上方的空间使其多次反弹能够使得分上升。DeepMind 与 AlphaGo 的大部分工作在于构建与这种复杂游戏兼容的奖励功能。

不幸的是，现实世界并不提供如此简单的奖励。

进展很少能够通过单一分数来衡量。即使在存在此类度量的情况下，政治挑战也会使问题复杂化。将气候问题的奖励信号（大气中每百万的二氧化碳颗粒数）与石油公司的奖励信号（股价）相协调，需要同时满足许多有冲突动机的人。奖励信号往往非常弱。在身临其中时，人类大脑基本无法接收任务成功度的直接反馈。

花费了大量算力后，Deepmind 找到了解决的方法。

为学习任何东西，AlphaGo 都需要数千年的人类游戏时间。很多 AI 研究者对此提出质疑：这种解决方案是不可持续的。DeepMind 承认存在这种含糊之处。

它最近专注于星际争霸 2，一款策略计算机游戏。在游戏早期做出的决定会在后期产生影响，这更接近于那些类似许多现实世界任务的错综复杂的延迟反馈。

1 月份，DeepMind 软件在一场演示中击败了一些世界顶级的人类玩家；虽然许多功能依然受到大量限制，但这仍然令人印象深刻。该程序也开始通过遵循人工任务主管的反馈来学习奖励功能。但是，将人类指令置于流程循环中可能会丧失无人计算机处理所带来的规模与速度红利。

DeepMind 和谷歌的现任和前任研究人员（由于严格的保密协议而要求匿名）对于 DeepMind 通过这些方法达到 AGI 的可能性表示怀疑。这些人认为，过于关乎在模拟环境中的优秀表现使得奖励信号问题难以解决。然而，这种方法是 DeepMind 的核心。它有一个内部排行榜，互相竞争团队的程序争夺对虚拟域的掌控。

Hassabis 一直将生活视为一种游戏。他的职业生涯的很大一部分都致力于制作游戏，而他休闲时间的很大一部分都花在了打游戏上。DeepMind 是他选择开发 AGI 的工具。就像他的软件一样，Hassabis 只能从他的经历中学习。

追求 AGI 可能最终会导致失去方向——即使他们已经发明了一些有用的医疗技术，还超越了世界上最伟大的棋盘游戏玩家。这些确实是重大成就，但并非他渴望达到的。但他仍然可以将 AGI 引入现实应用——就在谷歌眼前却远超其掌控。如果 Demis Hassabis 这样做，他将赢得的是最艰难的比赛。

更多干货内容，长按扫描关注公众号！

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

深度学习三巨头成为新晋图灵奖得主！

ACM昨晚官宣，Yoshua Bengio、Geoffrey Hinton、Yann LeCun获得了2018年度图灵奖，表彰他们以概念和工程的突破，让深度神经网络成为计算关键部件。

图灵奖（A.M Turing Award）创立于1966年，是计算机界的最高荣誉。

ACM这样介绍他们三人的成就：

Hinton、LeCun和Bengio三人为深度神经网络这一领域建立起了概念基础，通过实验揭示了神奇的现象，还贡献了足以展示深度神经网络实际进步的工程进展。

ACM主席Cherri M.Pancake评价说，人工智能是现在科学领域发展最快的领域之一，也是社会上最受关注的话题之一。人工智能的发展很大程度上归功于Bengio，Hinton和LeCun奠定基础的深度学习的新进展。

近年来，深度学习方法在计算机视觉、语音识别、自然语言处理、机器人等等应有领域都带来了惊人的突破。这三个人也随之走上人工智能”教父“的神坛。

其实，现代神经网络、机器学习等AI技术背后的思想，可以追溯到第二次世界大战行将结束之际。彼时，学者们开始构建计算系统，旨在以类似于人类大脑的方式存储和处理信息。

而深度神经网络早在1980年代就已经提出，但很快遭受质疑。专注于这种方法的学者，是AI界的少数派，LeCun、Hinton和Bengio就在其中。

三十多年前，是他们一生的至暗时刻。

然而，这一小撮“顽固分子”始终坚持自己的信念，他们不怕被视作蠢货，一直相信神经网络会照亮这个世界，并改变整个人类的命运。

最终他们的信念，也改变了自己的命运。

Geoffrey Hinton

Geoffrey Hinton，1947年生，现年72岁，谷歌的副总裁和工程师，也是AI研究机构Vector Institute的首席科学顾问和多伦多大学的名誉教授。

在ACM颁奖辞博文中，主要提到了Hinton的三个贡献，如果你做过AI项目，肯定不会陌生，它们分别是：

• 反向传播（Backpropagation）：

1986年，在Learning Internal Representations by Error Propagation这篇论文里，Hinton证明了，反向传播能让神经网络发现自己内部的数据表征，这样便可以处理以往无法解决的问题。

如今，反向传播已经是神经网络的标准操作，Hinton也有了“反向传播之父”的名号。

• 玻尔兹曼机（Boltzmann Machines）：

1983年，Hinton和同伴一起发明了玻尔兹曼机，那是最早能够学习神经元内部表征的网络之一：那些表征既不来自输入，也不来自输出。

• 改进卷积神经网络：

2012年，Hinton和学生们一起，利用线性整流神经元（Rectified Linear Neurons）和dropout正则化改进了卷积神经网络。

在ImageNet比赛上，他们几乎把物体识别的错误率降到了从前的一半，让计算机视觉领域焕然一新。

在获得图灵奖之前，Hinton就已经获得了大量的荣誉，手握加拿大最高荣誉勋章（Companion of the Order of Canada），是顶级认知科学奖鲁梅哈特奖的首位获奖者，也获得了人工智能国际联合会（IJCAI）杰出学者奖终生成就奖等等。

此外，他也是英国皇家学会成员、美国工程院外籍院士。

一个有趣的轶事是，Hinton的高祖父是大名鼎鼎的乔治·布尔——布尔逻辑的创立者，因“布尔检索“而闻名于世。

而即将出场的人，曾经在Hinton的实验室里做过博士后。

Yann LeCun

Yann LeCun，1960年生，58岁，现在是Facebook首席AI科学家。卷积神经网络(CNN)之父，是他最为人熟知的名号。

ACM列举的成就，也是从这里开始。

• 卷积神经网络(CNN)：

1989年，在AT&T贝尔实验室工作的LeCun，以反向传播为基础，发表了一项研究，叫做“将反向传播用到手写邮编的识别上”。CNN的第一次实现，就是在这里诞生。

如今，CNN已经成为深度学习的基础技术了，不止在计算机视觉领域，在语音合成、语音识别这些应用中，也是行业标准操作。

• 反向传播雏形：

1985年，Hinton还没有成为反向传播之父的时候，LeCun在巴黎六大读博期间，发表过反向传播的一个早期版本，根据变分原理给出了一个简单的推导过程。

他用两种加速学习的方法，让反向传播变得更快了。

• 拓展了神经网络的视野：

LeCun不止把神经网络用在图像识别上，还解锁了许多其他任务。他提出的一些概念，如今已经成了AI领域的基础。

比如，在图像识别上，他研究了神经网络怎样学习分层特征表示(Hierarchical Feature Representation)，这也成为了如今许多识别任务中常用的概念。

另外，他和同伴Léon Bottou一起提出，学习系统可以由复杂的神经网络构成。在这样的系统里，反向传播是靠自动微分来实现。他们还提出，深度学习架构可以对结构化数据(比如图形)，进行处理。

LeCun博士毕业后，只在Hinton的实验室做了一年博士后，就进入了工业界。

不过，他在2003年成为了纽约大学的教授，还在2012年创办了纽大数据科学中心。即便加入Facebook之后，也继续在纽大兼职。

而下一位巨头，也和LeCun一样，横跨学界和产业界。并且，他也在赫赫有名的贝尔实验室工作过。

Yoshua Bengio

Yoshua Bengio，1964年生，55岁，现在是蒙特利尔大学计算机科学与运筹学系教授。

Bengio创建了蒙特利尔学习算法研究所（MILA），担任研究所的科学主任，主持加拿大高等研究院（CIFAR）机器与大脑学习项目的研究。同时，Bengio也担任着数据评估研究所（IVADO）的科学联合主任。

同样，ACM也总结了Bengio的三个主要贡献。

• 序列的概率模型：

上世纪90年代，Bengio提出了序列的概率模型。他把神经网络和概率模型（例如隐马尔可夫模型）相结合，用新技术识别手写的支票。外界认为，这是20世纪90年代神经网络的巅峰之作，当下语音识别技术就是在它的基础上扩展的。

• 高维词汇嵌入和注意机制：

Bengio参与发表了一篇里程碑式的论文，A Neural Probabilistic Language Model（神经概率语言模型），把高维词嵌入(High-Dimentional Word Embeddings)作为词义的表征。这对NLP研究（如翻译、问答和视觉问答等任务）产生了深远的影响。

• 生成对抗网络（GAN）：

2014年，Bengio与Ian Goodfellow一同发表的生成对抗网络(GAN)，引发了计算机视觉和图形学的革命。

据统计，Yoshua Bengio发表的300多篇学术文章的累计引用次数已经超过137000次。

作为教授，Bengio曾经和Ian Goodfellow、Aaron Courville等业界大神一起写出了Deep Learning，成为人手一本的“AI圣经”，不少人将这本书亲切称之为“花书”。

除了学术界，Bengio也活跃在产业界。

曾经，Bengio联合Jean-François Gagné创立了Element AI，为那些想给自家业务寻找机器学习解决方案的公司，找到AI领域的专家。

除此之外，Bengio也有许多荣誉在身。他不仅成为了加拿大皇家学院（RSC）及加拿大高等研究院（CIFAR）的院士，还在2017年获得了代表加拿大公民最高荣誉的“加拿大总督功勋奖”。

一小撮“蠢货”

从上世纪50年代开始，神经网络的发展起起伏伏，被人唾弃过，也被屡次唱衰过。

多亏了一批最早在黑暗中等待黎明的人，不断研究探索，才有了人工智能的今天。这是一段卧薪尝胆般的故事，将Hinton、LeCun和Bengio的命运交织在一起。

三十多年以来，他们仨一直徘徊在人工智能研究的边缘地带。像局外人一样坚守着一个简单的观点：计算机可以像人类一样，通过神经网络思考，依靠直觉而不是规则。

而当时主流学术界给出的答案，是一个震耳欲聋的No。他们说计算机最佳的学习方式，就是规则和逻辑。Hinton主张的神经网络，被他们“证明”是错的。

1972年，25岁的Hinton在爱丁堡大学攻读博士学位，并把神经网络作为研究重点。导师几乎每周都会提醒他在浪费时间。然而Hinton不为所动。

1980年代LeCun在巴黎读大学时，计算机就是瞎子，无法识别图片中的内容，也无法判断摄像头前方出现了什么。但就在那个时候，LeCun偶然涉足了探索人工智能领域的一种方法：“智能神经网络”。

这并不是一条新路，而且并不受待见。但在攻读博士学位时，LeCun顶着一片质疑声专注于研究神经网络。“我只是不相信他们所说的。”他说。

1985年，Bengio在加拿大麦吉尔大学时，根本没人教神经网络。他学的是经典的、符号化的人工智能（Symbolic AI），所以，想做神经网络，必须先说服教授来指导他。

Hinton在他的办公室

80年代末，神经网络曾有过一次小小的复苏。但由于计算力和可用数据的缺乏，人工智能再次进入寒冬。一直到2000年代初期，这群坚信神经网络的学者处境愈发边缘化。一些学术机构甚至不允许他们在会议上发表论文。计算机视觉的圈子将他们拒之门外。

在蒙特利尔大学任教的Yoshua Bengio发现，他很难找到愿意与自己共事的研究生。“我需要强迫学生从事这方面的研究，他们害怕在博士毕业后找不到工作。”

对Hinton、Bengio和LeCun来说，这是一段黑暗的时期。

“当然，我们一直相信它，也一直在研究它。”Hinton说。

“神经网络终有一天会回来——至少有很小一撮人心里是这么想的。”LeCun说。

Hinton出生于一个学术背景显赫的世家。在他长大成人的过程中，母亲给过他两种选择：“做学者，或是做失败者。”7岁就已经意识到要读博的Hinton说，自己一辈子都在压抑、沮丧中挣扎。

但他投入研究的神经网络，真真是经历过漫长而幽暗的岁月。除了面对学术上的不认可，他的两任妻子先后罹患了癌症。而他自己也深受背痛困扰。

2003年，Hinton在多伦多，被CIFAR招揽过去启动一个神经计算项目。于是，他们聚到了一起，决定努力奋斗，重新点燃这个领域的热情。

一直到大约2009年前后，计算机最终有了足够的算力挖掘大型数据库，从此神经网络开始在语音和图像识别方面战胜基于逻辑的系统。工业界很快注意到变化的发生，微软、Facebook、谷歌等科技巨头开始在这个领域投资。

LeCun拍摄：Hinton和Bengio

Bengio评价Hinton时说“他有时可以穿过黑暗看清事物。但他的个人生活非常不容易。他也有他的黑暗时代”。

在黑暗中穿行的日子里，他始终坚持一个信念：其他人都错了。

不过最终，他们都算是等到了春天。

在去年一次彭博社的采访中，Hinton说：未来是很难预测的。当你开始试图预测未来20年会发生什么事情，你基本就错得离谱了。但也有一些东西是可以预测的，比如人工智能技术将会改变一切。

本文内容来源于量子位，如有侵权，请联系删除！

更多干货内容，长按扫描关注公众号！

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

作为 AI 时代的两个主要的入口，计算机视觉是 AI 行业最具商业化价值的赛 道，智能语音产业即将进入爆发期。首先，计算机视觉在 AI领域中应用场 景最丰富，极具商业化价值。以下为国金证券针对AI视觉与语音专题分析报告，分析师唐川，感谢分享！

更多干货内容，长按扫描关注公众号！

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

为了支持美国与苏联的军备竞赛，1958年美国国防部下属的ARPA（高级研究计划局）正式成立，负责研发用于军事用途的高科技。ARPA的宗旨是“保持美国的技术领先地位，防止潜在对手意想不到的超越”。

当年ARPA成立后的第一个项目就是全球定位系统（GPS），而20世纪最伟大的发明之一——互联网（Internet）的前身就叫ARPA网，是由ARPA在1968年组建的计算机网，并在第二年正式联机，是互联网诞生的标志。

在90年代，人脸识别研究的高潮阶段，它的标志性事件就是ARPA成立了FERET（Face Recognition Technology）项目组，任务包括：资助若干项人脸识别研究、创建FERET人脸图像数据库、组织FERET人脸识别性能评测等。

该项目分别于1994年，1995年和1996年组织了3次人脸识别评测，几种最知名的人脸识别算法都参加了测试，极大地促进了这些算法的改进和实用化。

同在90年代，来自中国的年轻人汤晓鸥在美国第一次接触到了人脸识别。汤晓鸥1990年从中科大毕业后，选择到美国深造，并在1年后取得罗切斯特大学硕士学位，1992年他又到了计算机视觉（CV）研究的最高殿堂——麻省理工学院（MIT），在这里一待就是5年。

汤晓鸥后来谈及第一次到MIT的情景，“我加入的实验室做的是海底机器人，相当于在水下用声呐和视觉相机来探索海底世界。在我去之前，那个实验室刚刚发现了泰坦尼克号，所以我当时觉得这个很酷。”

创业：从实验室到商汤科技

博士毕业后，汤晓鸥被邀请到香港中文大学信息工程系任教，继续从事计算机视觉相关领域的研究，培养出了一大批的CV人才。最具跨时代意义的是，汤晓鸥教授于2001年7月建立香港中文大学多媒体实验室，从此港中大有了CV界黄埔军校的美誉。

2005年起，汤晓鸥同时兼任微软亚洲研究院（MSRA）视觉计算组负责人。他在北京和香港两地工作，才两岁的儿子是他最深的牵挂。为了表达爱意并弥补工作忙不能时常陪伴孩子左右的不安，他开始频繁地给儿子拍摄照片，相册几乎涵盖了孩子成长的每个瞬间。

“晒娃狂魔”

直到照片积攒到成千上万张时，他意识到分类成了难题，想在海量照片里找到某个时间段或某个有趣瞬间的照片非常困难。在CV技术还远没有今天成熟的时候，他决定一试，叫来几位学生开始研究名为Photo Tagging的课题，采用CV技术手段来给相册进行分类整理。

这是汤晓鸥人脸识别技术走向实际应用的开端。“我可以用人脸识别、人脸检测，用这种人工智能技术，帮助大家来管理、整理相册。”

2009年，汤晓鸥婉拒了微软的一再挽留，选择依托深圳先进院搭建联合实验室。这一年的汤晓鸥正式迈入了他学术生涯的巅峰，获电机及电子工程师学会（IEEE）推选为院士。

同年，汤晓鸥教授及其博士研究生何恺明，联同微软亚洲研究院的孙剑博士，凭论文“基于暗原色的单一图像去雾技术”夺得顶尖国际会议IEEE计算机视觉与模式识别大会（CVPR）该年度的“最佳论文奖”。该会议创办25年后，首次有亚洲学者获授这项最高殊荣。

汤晓鸥教授及其博士研究生何恺明

而在2010年，汤晓鸥遇到了今后最重要的合作伙伴，同时也是他的学生徐立。

上海人徐立，从小就是家长口中“别人家的孩子”，小学、初中，高中12年，他多次代表所在学校参加上海市中小学数学奥林匹克竞赛，并多次获得金牌。正是得益于此，2000年18岁的徐立被保送至上海交大计算机系就读本科，4年后他又一次被保送研究生。

2007年硕士毕业后，徐立先后在摩托罗拉、欧姆龙、微软研究院等机构工作，从事计算机视觉、模式识别、图像处理领域的研究和产品开发。当然，待遇也是一家比一家高。

但是，徐立并不满足，因为2007年后大数据、云计算、人工智能正高速发展。徐立清晰地认识到，“深度学习是未来的方向，人脸识别大有可为！”

徐立心之所往的，正是被誉为CV界黄埔军校的香港中文大学多媒体实验室。于是，2010年秋天，徐立毅然决然放弃一切工作，只身前往香港中文大学继续深造。从此，徐立将自己的命运紧紧地与人脸识别，与汤晓鸥教授连在了一起。

商汤科技联合创始人&CEO徐立

正是在汤晓鸥等诸位老师的悉心指导下，徐立图形识别的功力大涨，其三个算法获得视觉开源平台OpenCV收录，L0Smoothing为图形学期刊TOG五年论文引用之首（2011-2015）。

与此同时，港中大多媒体实验室也进入集中收获期，2011年起实验室的几十位博士、教师开始研究深度学习。2011~2013年间，实验室在计算机视觉领域两大顶级会议ICCV和CVPR上发表了14篇深度学习论文，占据这两个会议上深度学习论文总数（29篇）的近一半。

虽然这些研究成果还处在实验室阶段，但是当时的一个项目给了汤晓鸥团队信心，那是一个来自香港警方的项目，“一些高速行使的逃逸车辆，监控录像过于模糊，希望他们恢复出逃车辆的信息，警方愿意为服务埋单。”这种实践给予了团队巨大的成就感。

时间来到2014年，人工智能被学界公认为将带来一场新的技术革命，国际科技巨头诸如微软、英特尔、谷歌、Facebook纷纷加入战局。谷歌甚至耗资4亿英镑收购只有12位员工的DeepMind。要知道，这家公司没有具体产品，只从事深度学习的游戏研究。

2014年初，Facebook对外宣称，用750万人的数据对计算机进行训练后，其人脸识别准确率已接近人眼识别能力。而此时汤晓鸥团队用尽了几乎所有的资金和资源，才建立起20万人的数据库。

“只能赢不能输，Facebook是开源的，如果没有能赢过他们，就不能说服别人放弃开源的平台而选择我们。”汤晓鸥背水一战。“好，既然硬件和数据库都不如对手，那就拼计算能力！”在硬件和数据库都不如对手的情况下，汤晓鸥改进了自己的算法。

不到两个月之后，2014年3月，其团队发布GaussianFace人脸识别算法，在LFW数据库上准确率达98.52%，在全球首次突破人眼识别能力。2014年6月起，开始发表的DeepID系列算法，逐步将人脸识别准确率提升至99.55%，开启了整个人脸识别行业技术落地的时代。

在当时，汤晓鸥实验室的三个人脸识别算法占据了LFW识别率的前三名，而Facebook的DeepFace排在第四。港中大多媒体实验室与麻省理工、斯坦福等著名大学一道，入选世界十大人工智能先锋实验室。

2014年9月，汤晓鸥团队参加了“人工智能奥林匹克”ImageNet大赛，与包括百度、谷歌、微软在内的37个世界顶级团队竞争，取得了全球第二的成绩，谷歌是第一。但是汤教授认为，“其实在竞赛中，我们做到了的数据高于谷歌发布的成绩，所以只能屈居第二。”

计算机的识别准确率首次超过人眼，让汤晓鸥团队名噪一时，IDG资本合伙人牛奎光也慕名而来。牛奎光认为这是一个重要信号——意味着计算机视觉技术有可能商业化落地。他立即飞到香港，拜访汤教授。

IDG资本合伙人牛奎光

在港中大多媒体实验室里，他看到五六个计算机识别技术的Demo，研究方向有意识地与实际应用结合。比如一个Demo是把图片变成印象派画风，即现在流行的美图功能之一。研究团队还反复强调原创，“我们是底层算法突破的源头”。

而真正让牛奎光下定决心投资的则是徐立的“猫脑”、“猴脑”理论。

徐立解释道，如果说当下人工智能技术水平处于“猫脑”阶段，大部分公司正在做的就是“如何运用猫脑更完美地抓老鼠”；而他们的团队则是打造平台，把“猫脑”训练成“猴脑”，从本质上提升“大脑”的能力。大脑升级后，机器可以更快学习掌握更复杂技能。

在这次拜访之后，IDG资本掷出数千万美元，助推研究团队走出实验室，2014年10月，商汤科技正式成立。牛奎光当时承担了不小的风险，毕竟在2014年，AI产业还是冷门，谁也说不准，技术能否顺利转化为商业价值。

当听说汤教授要成立公司时，立马从实验室涌过来50多个学生，全部是博士、博士后。曾与汤晓鸥在微软研究院共事的杨帆也选择加入创业团队，还带去了一大波自己的清华学生。

商汤科技联合创始人杨帆

很快，以汤晓鸥教授为核心的联合创始人团队组建了起来。

徐立，香港中文大学博士，联合创始人&CEO；徐冰，香港中文大学博士，联合创始人&副总裁；杨帆，清华大学硕士，联合创始人&副总裁；徐持衡，清华大学，联合创始人&CTO，90后创业者；林达华，麻省理工学院博士，联合创始人&港中大-商汤联合实验室主任。

正名：不是只做人脸识别

商汤科技成立伊始，汤晓鸥对于他的人脸识别技术有着十足的把握，先后拿下小米、华为、美图秀秀以及图聊软件FaceU、Snow等客户。由于商汤科技主要从事B2B业务，多隐身于幕后，一直未为人所知，实际上，其服务客户量已达亿级规模。

2015年5月，融360联合商汤科技推出名为“天机”的风控系统,从用户身份认证、还款意愿和还款能力三个大维度,进行信用评分，再根据分值向放贷机构提出放款建议。

2015年8月小米推出操作系统MIUI7，其中发布的宝宝相册，正是联手商汤科技共同打造的新卖点。“宝宝相册中采用的人脸识别技术，主要在于三个核心算法：一是检测图库中的同一张脸，二是识别这张脸的特征,三是聚类相同的脸孔。”汤晓鸥在多年前的夙愿得以达成。

小米MIUI7面孔识别相册

2015年中国移动全面实行实名认证，主要通过身份证OCR识别，以及人脸识别两大技术实现。在中国移动的两项公开招标中，商汤科技最终在数十家竞标公司中胜出。

值得一提的是，商汤科技的商务团队起初不过四五人，在公司忙于接待问询的客户，直到2015年底，才开始有针对性地开发行业客户。

但商汤的目标不局限于一家人脸识别公司，而是致力于打造深度学习平台，要做“全能型”选手。徐立每次都会不厌其烦地解释，“我们是中国拥有原创技术的人工智能平台公司，不是一家人脸识别公司。”

2014~2106年，商汤科技主要投向两个地方：一是“人才垄断”，徐立找来这个领域所有能找到的顶尖科学家，垄断了150多位深度学习方向的博士；二是搭建硬件计算平台，从英伟达买入6000多块GPU，自建超算中心。

深度学习有三个大核心要素：一是深度学习的算法设计；二是高性能的计算平台；三是大数据。其中，大数据对于服务人群达亿级以上的商汤来说，完全不是问题，商汤的原创算法也得到了国际上的认可，所以关键就在于计算平台。

汤晓鸥认为，由于谷歌、Facebook等巨头的开源，使得人工智能、深度学习的门槛变得很低。很多技术人员利用谷歌、Facebook的开源系统来训练模型，做应用。

但是，使用谷歌、Facebook开源系统有许多的限制，还要受到开源系统的控制。这对有志于做大事的商汤来说是不行的。所以商汤科技自建超算中心，研发深度学习平台，砸钱自己搭建底层框架。就好比一家软件公司宣布，要在Windows之外单独开发一套操作系统。

商汤科技刚成立时，一开始没有GPU集群，往往要等1个月才能验证一个结果。在2014年5月，百度构建了当时世界最快的超算平台MINWA，实现144个GPU连接。

仅仅一年后，商汤科技建设的深度学习超算平台DeepLink，200块GPU的连接为当时全国最大，以前耗时1个月的运算只需5-6个小时即可完成。2015年11月，商汤科技深度学习框架SenseParrots也已成功搭建，并且做出了谷歌Tensorflow当时无法支持的功能。

2015年，商汤在全球顶级计算机视觉学术会议CVPR入选论文9篇；在ImageNet国际计算机视觉挑战赛中获检测数量、检测准确率两项世界第一，成为首个夺冠的中国企业。

ImageNet竞赛的夺魁，证明了商汤科技在两大领域的实力，“第一，我们脑子确实造得好；第二，超算平台能力强。”徐立相当自豪。

到2017年，商汤深度学习超算中心拥有超过6000块GPU。目前商汤的超算平台可承载超14000片GPU，是亚洲规模最大的AI超算平台，依托深度学习训练框架SenseParrots，支持千卡并行训练、千亿级参数模型、百亿训练样板、亿级类别分类任务。

商汤科技深度学习大规模训练系统

依托于强大的深度学习平台和超算中心，商汤研发了一系列AI技术，包括人脸识别、图像识别、文本识别、医疗影像识别、视频分析、无人驾驶和遥感等，已经在智慧城市、智能手机、互动娱乐及广告、汽车、金融、零售、教育、地产等多个行业得到应用。

在汤晓鸥看来，“并不存在AI这个行业，只有AI+这个行业。AI需要与传统产业合作，这种关系是结合、赋能，而绝不是颠覆。”商汤独创了“1（基础研究）+1（产品结合）+X（行业伙伴）”模式，以原创技术为基础，借助核心平台化能力多元赋能多个行业。

在基础研究方面，商汤先后与香港中文大学、清华大学、北京大学、上海交通大学和浙江大学建立联合实验室或开展科研合作。联手阿里巴巴及香港科技园联手成立AI实验室。

2017年在全球顶级计算机视觉学术会议CVPR和ICCV中共入选43篇论文，居亚洲第一，并超越谷歌、Facebook等国际巨头。2018年，商汤科技及联合实验室共有44篇论文入选CVPR会议，以及37篇论文入选ECCV会议，累计入选计算机视觉顶会论文数量高达81篇。

2018年2月，商汤科技与麻省理工学院宣布成立人工智能联盟，致力于共同促进人工智能的研究。商汤也是全球首家参与MIT Intelligence Quest计划的公司。

商汤科技联合MIT成立人工智能联盟

商汤与华东师范大学等共同发布全球第一本人工智能高中教材，并与清华大学附中、上海交大附中等40所国内重点中学签约，开设人工智能基础课程，推动AI在教育行业的落地。

2018年9月，商汤获中国科技部授予国家新一代人工智能“智能视觉”开放创新平台，其它四个国家AI平台分别为百度、阿里云、腾讯、科大讯飞。

第五家国家人工智能创新平台

盈利：做一只赚钱的“独角兽”

2016年上半年，商汤科技开始引入职业化的经理人来做职业化的管理，包括商务、HR、法务、财务、市场PR，每一个核心岗位，都是从大公司来的高管。用更多的现代化的管理手段去调整公司的架构，把产研和销售渠道打通，建立起有规模的销售团队。

在行业落地方向上，商汤目前专注于安防监控、金融、手机、移动互联网和深度学习芯片五大垂直领域。商汤以B2B2C的商业模式，与各行业领军企业合作，共同推进人脸识别在各行业的应用和变现。

“在垂直领域方面，商汤的打法是先找头部公司，摸索AI技术落地，从项目到产品；然后再垂直打通某个行业生态，做平台化。以安防领域为例，当我们把前端摄像头、后端云平台甚至芯片整个链条都打通，那就能做到最大的行业技术平台。”联合创始人杨帆解释道。

目前，商汤在SenseParrots平台、超算中心、以及其他AI产品基础上，结合智能手机、智慧城市、智能汽车、医疗、零售、教育、互动娱乐等18个行业应用场景，推出相应的行业解决方案，加速其技术和产品在场景里落地。

自2015年以来，商汤手机业务硕果累累，国内出货量前四的华为、小米、OPPO、vivo均是商汤的客户。商汤科技提供人脸解锁、智能美颜、智能滤镜、背景虚化、智能相册等影像技术。

例如，商汤科技利用人工智能手段，采用SensePhoto手机图像处理解决方案，为OPPO手机提供了人像拍照、双摄方案、人脸聚类相册等功能。

SensePhoto人脸应用

商汤是目前国内最大的互联网视频及直播平台供应商，服务90%以上的直播和短视频分享平台。例如，商汤基于人脸关键点检测跟踪技术，为抖音、新浪微博、FaceU、B612等实现脸部特效、美颜、手势识别、前背景分割等功能。

金融也是商汤最早涉足的领域，商汤科技以领先的证卡OCR识别、人证比对以及活体检测等技术，服务多家银行、互联网金融公司和移动运营商。目前，商汤科技为超过4亿人提供“刷脸”认证服务，业务量在AI创新企业中处于领先地位。

商汤为零售商提供SenseGo智慧商业解决方案，与苏宁未来店合作，实现了用户从刷脸入店到结账付款仅需“刷脸”一个步骤，进店人脸识别不超过0.5秒。

在去年4月25日举办的2018商汤科技人工智能峰会上，商汤以原创AI技术赋能百业，发布了多个最新产品：增强现实黑科技SenseAR，智慧城市、平安城市解决方案SenseFace3.0和SenseFoundry，以及智能汽车产品驾驶员监控系统SenseDrive DMS等。

SenseAR对标谷歌ARCore和苹果ARKit

其中，增强现实黑科技SenseAR是目前应用最为广泛的产品。此前用户在玩Faceu、小咖秀这些互联网直播、美图娱乐APP时只能为脸部加特效，到了去年6月，腾讯微视、抖音短视频纷纷上线“实时长腿”功能，商汤SenseAR快速占领市场。

SenseAR效果图

目前SenseAR已为近200家国内外App平台、手机厂商提供服务，亚太市场份额超过80%，每天搭载商汤AR技术的互联网终端用户高达10亿量级。

商汤科技SenseFace3.0、SenseFoundry两大智能安防产品，SenseFace3.0平台支持千路以上的监控系统进行长达数月的热数据实时轨迹还原，SenseFoundry则是城市级超大规模分布式视频分析平台。而这些，都是商汤科技智能城市战略的一小步。

早在2017年11月，商汤科技与上海市政府签署战略合作框架协议，表示5年内在沪投资不低于60亿元，形成人工智能产业聚集效应，并将全球研发总部落户上海，建立规模超过1000人的研发团队。此项协议达成后，商汤已经与上海仪电、上海临港等签署战略合作。

SenseDrive DMS是商汤科技发布的首款智能汽车产品驾驶员监控系统，通过深度学习技术和嵌入式芯片优化技术结合，实现对驾驶员疲劳驾驶、驾驶分心、危险动作等驾驶员状态的实时智能检测与提醒，为驾乘安全保驾护航。

SenseDrive DMS识别准确率98%

目前在上海各区的上百条“驿动班车”线路中，已有38条线路车辆完成了智能化改造，搭载商汤科技“智能车舱”后，即可实现驾驶员身份识别，疲劳、分心等状态实时监测与提醒。

而商汤科技的更大目标是自动驾驶。2017年12月，商汤科技宣布与本田汽车签订长期合作协议，共同深耕自动驾驶技术，双方将基于本田的车辆控制技术系统，融合商汤科技的视觉算法和开发平台，共同打造适合乘用车场景的L4级自动驾驶方案。

发布会上，商汤的重要合作伙伴也表达了对和商汤深度合作的看好，包括高通、本田、中国移动等。

高通中国副总裁孙刚表示：“商汤科技是高通在人工智能领域非常重要的合作伙伴。依托商汤科技创新的AI算法，结合高通人工智能引擎AI Engine所支持的强劲处理性能，双方的合作成果已经助力多家智能终端厂商推出了全新的终端侧AI应用。”

由商汤科技人工智能技术与高通人工智能引擎AI Engine支持的实时视频风格转换应用

商汤表示，2017年公司已经实现全年整体盈利，收入来源主要有三大块：智能安防、金融、手机移动互联网。徐立称，商汤科技2017年总营收在亿级以上，2018年的目标是增长300%、400%。汤晓鸥称商汤是唯一一家靠AI赚钱盈利的公司，认为烧钱就是“败家”。

“学术的东西，如果不能落地也没有什么用，好在我们不是烧钱的公司，是能赚钱的公司，可以自负盈亏，我们的融资不是用来烧的，而是做伟大的事。”

据商汤科技官网介绍，公司已经与全球700多家知名公司和机构建立合作，包括MIT、高通、英伟达、本田、阿里巴巴、苏宁、中国移动、银联、万达、华为、小米、OPPO、vivo、微博等。目前公司约五分之二的收入来自政府部门的合同（智能安防）。

不差钱：融资8轮26亿美元

“我们的融资不是用来烧的，而是做伟大的事。”

有一天，地平线机器人创始人余凯忍不住问商汤科技CEO徐立：你们确实投资这么大建设自己的超算中心？

超算中心特别烧钱。商汤研究员闫俊杰博士曾做过估算，按下那个标有“run”字样的按钮，一次数据训练迭代整体花费至少50万元。

“我们有150多个博士天天在算法平台上按‘run’。”徐立笑称，这还不算每年追加的数亿元GPU集群采购预算。

这些钱从哪儿来？毫无疑问是投资人的钱，这些投资人中有IDG、鼎晖、软银这样的顶级机构，还有阿里巴巴、苏宁等战略合作伙伴。截至目前，公司累计融资达到26亿美元，估值60亿美元，仍是全球最高市值的人工智能公司。

而最让人吃惊的是，演员出身的任泉竟是商汤科技最早的投资者之一，他的StarVC在A轮、B轮连续投资了几千万美元。虽然几千万美元在现在看来不显眼，但是当时却解决了商汤的燃眉之急。

任泉所在的StarVC规模不算大，但也是最知名的明星VC了，它的创始人是任泉、李冰冰和黄晓明，后来章子怡和黄渤加入成为合伙人。实际上StarVC的业务由任泉全权负责，而他有一个有意思的原则，就是不投影视公司。

在第一次接触商汤科技创始团队的时候，任泉和他们聊了几个小时，随行的还有StarVC的总裁韦魏。当时汤晓鸥给任泉讲了很多技术，他不是很懂，但在谈及美颜、人脸相机等已落地商业应用的时候，任泉眼睛突然放光，用他自己的话说就是“被洗脑了”。

那一晚任泉非常兴奋，因为他看到了一个让自己都觉得看得见的未来，能改变很多生活方式的一家公司。“当天毫不犹豫决定，我有多少钱就投这家公司。”

Star VC联合创始人任泉

2016年4月，StarVC投资千万美元，成为商汤科技A轮融资唯一的投资人。韦魏回忆，“商汤科技从成立时起就不便宜，刚成立一年的StarVC当时并不想‘吃独食’，但是在试图联系几家VC机构共同入股失败后，不愿错过机会的StarVC最终成为商汤科技A轮的唯一资方。”

A轮过后没多久，发生了一件轰动全球的事件：人类大败AlphaGo对弈，彻底颠覆了普罗大众对人工智能的想象与认知，直接带动人工智能成为风口。半年后的B轮，IDG和StarVC继续跟投，鼎晖和万达加入，融资总计1.2亿美元，远超B+轮1亿人民币的旷视科技。

此后商汤融资越发顺利，B+轮仅公开进入的投资方就有十几家，资金来源覆盖VC、券商、传统企业资本及个人等多种形式，融资总计2.9亿美元，公司估值水涨船高。

2017年11~12月，商汤科技连续公布三笔战略融资，包括高通、阿里巴巴和松禾资本，其中阿里巴巴投资15亿人民币，并在第二年4月领投6亿美元的C轮融资，海外机构淡马锡入局，商汤科技估值达到30亿美元。

有传言称，腾讯和阿里当时都在积极接触商汤，无论腾讯出怎样的价格，阿里都会以提高价格的方式逼退腾讯。据媒体报道，最终阿里以15亿人民币10%的股份强势进入，但是商汤否认了这一说法。

此外，徐立透露，本次商汤接受阿里的融资，主要是基于业务增长的考虑。商汤可以将自己的AI技术放在阿里云上，作为SaaS服务向用户提供。现阶段，业务增长对于商汤来说很重要。

去年5月底，在时隔不到两个月后，商汤科技再获6.2亿美元C+轮融资，投资方超过10家机构，包括其合作伙伴高通。此时商汤科技的估值已经超过45亿美元，继续拉大与身后AI公司的差距。

而在这之后不久的7月，外媒曾报道，软银愿景基金寻求向商汤科技投资近10亿美元。直到9月10日，软银中国宣布已投资商汤科技10亿美元，将商汤的估值抬至60亿美元。前不久又有外媒报道，商汤科技可能正在筹备新一轮融资，计划今年筹集约20亿美元资金。

不仅如此，商汤科技已经开始对外输血，进行投资布局。目前商汤对外公布的投资项目包括51VR、禾连健康、苏宁体育、影谱科技，实际上商汤已投资7个项目，计划投资标的还包括AI芯片、医疗、物联网、手机和互联网、游戏等。

商汤科技投资版图

有了资本的助力，以及深度学习平台和超算中心的搭建，自2018年以来，商汤科技全面布局平台化的规划路线，依托商汤人工智能平台，不仅实现了从技术、数据到产业落地的有效闭环，为自身创造了持续盈利能力，更成功搭建起平台化的行业参与模式。

当平台化的产业能力逐渐形成，很多算法生产的环节能够标准化生产，今天商汤才有机会做长尾的事情。高通全球副总裁沈劲，去年与商汤达成了全面战略合作后曾表示，“像商汤这样的巨头，它将会成为并且正在成为一个人工智能平台级的公司，它是‘发电厂’。”

上个月，CBInsights发布了第三届AI1002019报告，在这100家最有前景的AI初创公司名单上，商汤科技位列“全球AI独角兽”第一名。光环背后，是汤晓鸥、徐立们熊熊燃烧的野心。

更多干货内容，长按扫描关注公众号！

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

DeepMind是位于英国伦敦的人工智能（AI）初创企业，由AI程序师兼神经科学家德米斯·哈萨比斯(Demis Hassabis)等人联合创立。这家公司将机器学习和系统神经科学结合起来，建立强大的通用学习算法，并将其应用于模拟、健康、游戏开发等领域。自从被谷歌收购后，这家公司开发的程序先后在国际象棋、围棋等棋牌游戏中击败人类冠军，进而名声大噪。近日，经济学人集团旗下《1843》杂志撰文揭示了这家明星AI公司及其创始人的故事，以及与谷歌之间的爱恨情仇。

2010年8月的某个下午，在旧金山湾区边缘的一个会议厅里，34岁的伦敦人德米斯·哈萨比斯(Demis Hassabis)走上讲台。他显得有点儿小心翼翼，似乎在极力试图控制自己的神经，他咧着嘴笑了笑，并开始说：“今天我要讲的是以不同的方式构建……。”他突然停了下来，好像刚刚意识到他在大声说出自己的雄心壮志，然后才接着说“AGI”。

AGI的意思是“通用人工智能”，是一种假想的计算机程序，它可以执行相当于人类甚至超越人类智力水平的任务。AGI将能够完成独立任务，例如识别照片或翻译语言，这些都是我们当前手机和计算机上众多AI专注的焦点。但AGI也会加法、减法、下棋和讲法语，它还将理解物理论文、撰写小说、设计投资策略，并与陌生人进行愉快的交谈。AGI将监测核反应、管理电网和交通，并在其他方面毫不费力地取得成功。AGI将使当今最先进的AI看起来就像过时的计算器。

目前，人类是唯一能够尝试完成所有上述任务的智慧生物。但是人类智力受限于容纳大脑的头骨的大小，也受到身体所能提供的能量的限制。由于AGI将在计算机上运行，因此它不会受到这类限制，其智能将仅受可用处理器数量的限制。AGI可以从监测核反应开始。但很快，通过每秒消化比人类上万年理解的更多物理论文带来的知识，它将被用于发现新的能源。

相当于人类的智力水平，再加上计算机的速度和可扩展性，AGI将使目前似乎无法解决的问题迎刃而解。哈萨比斯表示，他预计AGI还将掌握“癌症、气候变化、能源、基因组学、宏观经济以及金融系统”等学科知识。

哈萨比斯发表演讲的会议被称为奇点峰会（Singularity Summit）。根据未来学家们的说法，“奇点”指的是AGI出现引发的最可能结果。因为AGI能够高速处理信息，所以它很快就会变得非常聪明。快速的自我改进周期将导致机器智能的爆炸性增长，使人类被“硅尘”窒息。由于这样的未来完全建立在未经检验的假设基础上，人们无法确认奇点到底是乌托邦还是地狱。

从演讲的题目来看，与会者倾向于“AGI可能成为救世主”的观点。这些演讲题目包括：“如何建立人造思维”、“AI防止衰老”、“替换我们的身体”以及“改变生与死之间的界限”等。相比之下，哈萨比斯的演讲题目显得平淡无奇，即“构建AGI的系统神经科学方法”(A Systems NeuroScience Approach To Building AGI)。

哈萨比斯在讲台和屏幕之间踱来踱去，语速很快。他穿着栗色的套头衫和白色的扣子衬衫，看起来就像个学生，但他瘦小的身材似乎蕴藏着无可比拟的才智。哈萨比斯解释说，到目前为止，科学家们已经从两个方向接近了AGI。第一被称为象征性AI，人类研究人员试图描述和编程能像人类那样思考的系统所需的所有规则。这种方法在20世纪80年代和90年代很流行，但并没有产生预期的结果。哈萨比斯认为，大脑的结构过于微妙，不能用这种方式来描述。

第二种方法是，研究人员试图以数字形式复制大脑的物理网络结构，这是非常有意义的。毕竟，大脑是人类智力的发源地。但哈萨比斯说，这些研究人员也被误导了，他们的任务实际上与绘制宇宙中的每颗恒星同样庞大。此外，这种方法关注的是大脑功能，本身就存在根本性错误，这就像试图通过拆开某台计算机并检查晶体管之间的相互作用来理解Microsoft Excel是如何工作的。

相反，哈萨比斯提出了中间立场：AGI应该从大脑处理信息的宏观方法中得到启发，而不是从物理系统或它在特定情况下应用的特定规则中获得灵感。换句话说，它应该专注于理解大脑的软件部分，而不是硬件功能。磁共振成像(FMRI)等新技术使人们在大脑活动时能够窥视其内部，从而开始使这种理解成为可能。他对听众说，最新的研究表明，大脑在睡眠时通过回放经验来学习，以便得出通用原则。AI研究人员应该仿效这种系统。

一个标志出现在哈萨比斯幻灯片的右下角，这是个蓝色的圆形漩涡。它下面印着两个封闭的单词——DeepMind，这是该公司首次被公开提及。哈萨比斯花了1年的时间试图获得奇点峰会的邀请，但他真正需要的是和资助这次会议的硅谷亿万富翁彼得·泰尔(Peter Thiel)会面，并希望获得后者的投资。

哈萨比斯从来没有说过他为何特别想要得到泰尔的支持。他通过发言人多次拒绝了记者的采访请求。最终记者采访了25名消息人士，包括现任雇员、前任雇员以及投资者。他们中的大多数人都保持匿名，因为他们没有被授权谈论公司的发展方向。但泰尔对AGI的热情比哈萨比斯更强烈。在2009年奇点峰会上的演讲中，泰尔曾说，他对未来最大的恐惧不是“机器人起义”，而是担心“奇点”会拖得太久才到来。世界需要新技术来抵御经济衰退。

DeepMind最终筹资到200万英镑，其中泰尔贡献了1.4万英镑。2014年1月，谷歌斥资6亿美元收购该公司时，泰尔和其他早期投资者的投资回报率达到5000%。

对许多创始人来说，这将是个圆满的结局。他们可以放慢脚步，甚至退一步，花更多的时间享受生活。但对哈萨比斯来说，谷歌的收购只是他追求AGI的目标又向前迈进一步。2013年的大部分时间里，他都在就这笔交易的条款进行谈判。DeepMind将作为独立于其新母公司的实体运营。它将获得谷歌提供所有的好处，如获得现金流和计算能力，但却不会失去控制权。

哈萨比斯原来认为，DeepMind将成为混合体：它将拥有创业公司的动力、最伟大大学的智慧，以及世界上最有价值公司之一提供的雄厚财力。每个要素都已到位，可以加速推动AGI的到来，并解决引发人类苦难的根源。

华裔血统，棋盘游戏样样精

哈萨比斯1976年出生于伦敦北部，父亲是希腊裔塞浦路斯人，母亲则是新加坡华人，他是三个兄弟姐妹中的长子。母亲在英国百货公司John Lewis工作，父亲经营着玩具店。四岁时看了父亲和叔叔下棋后，他在开始学下象棋。不到几个星期，他就可以与大人对阵。到13岁时，他已是世界同龄人中的第二优秀的棋手。八岁时，他在电脑上自学了编程。

哈萨比斯在1992年完成了高中课程，比普通人提前了两年。他在Bullfrog Productions公司找到了制作电子游戏的工作。哈萨比斯开发了《主题公园》（Theme Park），里面的玩家需要设计并经营虚拟游乐园。这款游戏取得了巨大成功，销售了1500万份拷贝，帮助打造了一种新的模拟游戏类型。在这种游戏中，目标不是击败对手，而是优化某个复杂系统(如企业或城市)的功能。

除了开发游戏外，哈萨比斯还擅长玩游戏。十几岁的时候，他经常参加棋类比赛，同时参加国际象棋、拼字游戏、扑克和双陆棋的比赛。1995年，哈萨比斯在剑桥大学学习计算机科学时，迷上了学生围棋锦标赛。围棋是一种古老的棋盘游戏，它比国际象棋复杂得多。要想成为大师，需要通过长期经验获得的直觉。没人知道哈萨比斯以前有没有玩过这种游戏。

首先，哈萨比斯赢得了初学者级别比赛冠军。然后，他击败了许多经验丰富的棋手。剑桥围棋大师查尔斯·马修斯(CharlesMatthews)是这项赛事的负责人，他回忆起专家级棋手被这名19岁新手狂殴时的震惊。马修斯随后将哈萨比斯收为弟子。

哈萨比斯的智慧和野心总是通过游戏表达出来。反过来，游戏又激发了他对智力的迷恋。当他反思自己在国际象棋上的表现时，他想知道计算机是否可以像他那样通过积累的经验来学习。游戏提供了现实世界无法比拟的学习环境：因为游戏是从现实世界中分离出来的，所以可以在不受干扰的情况下练习和有效地掌握它们。游戏速度加快：玩家在几天内建立起团体，并在几分钟内完成索姆河战役。