当前位置:首页 > 行业报告 > 正文

高盛AI生态报告:美国仍是主导,中国正高速成长(附下载)2016-12-13 10:15:13 | 编辑:hely | 查看: | 评论:0

人工智能(AI)是信息时代的尖端技术。在最新的「创新简介」(Profiles in Innovation)系列文章中,我们将对机器学习和深度学习的进展进行研究考察。

创新人工智能的驱动者:谷歌、亚马逊

谷歌在做些什么?

谷歌的搜索算法在过去二十年里进展迅速。从 1998 年的 PageRank 到 2015 年的 RankBrain,基于链接的网络排名已经进化成人工智能驱动下的查询匹配系统,后者能够不断适应那些独特的搜索(占谷歌所有搜索的 15%)。在云技术方面,公司五月份公布了针对平台的定制化硬件加速器方面取得的进展,一种定制化的 ASIC,亦即 TPU,这一进展对 2015 年开源的机器学习软件库 TensorFlow 进行了补充。过去三年中,在与人工智能相关的收购战中,公司也当仁不让。被收购的公司中,最知名的当属 DeepMind,它提升了 Alphabet 的神经网络功能并已经将其应用于各种人工智能驱动的项目中。

为什么重要?

在搜索中使用算法,谷歌可谓先行者。将自然语言处理应用到配备用户搜索意图和可欲结果方面,公司一直处于领先地位,这也不断加强了公司在该领域的竞争优势。在进一步推进人工智能领域的融合。在促进人工智能一体化(AI integration)方面,公司的开源应用 TensorFlow 已经为其他云平台以及研究社区利用公司资源提供了先例。同时,谷歌正通过自身优势,比如 TPU,充分利用开源世界为公司提供竞争优势,尽管其机器学习库是开源的。因为 DeepMind, 公司提升了端到端的强化能力;2015 年末击败职业围棋选手的 AlphaGo。将人工智能带到更为广泛的研究社区,同时也通过软硬件方面的自身优势进行创新,谷歌是最好例子。

亚马逊在做什么?

亚马逊正在公司内部和云端使用机器学习技术。2015 年 4 月,公司发布 Amazon ML,这款机器学习服务能够为对云数据的使用提供机器学习功能(无需之前的客户经验)。公司紧随谷歌的开源步伐,今年 5 月开源了 DSSTNE,一个针对推荐深度学习模型的的库。通过改善搜索、定制化产品推荐以及语音识别、增加有质量的产品评价,公司内部也在使用机器学习改善端到端的用户体验。

为什么重要?

借助 AWS,亚马逊成为全球最大的云服务商,可能也是最成熟的人工智能平台。借助 Amazon ML,公司成为作为服务的人工智能(AI-as-a-service)生态系统的领先者,将复杂的推理能力带到之前几乎没有机器学习经验的公司办公室当中。无需基于定制的复杂应用,AWS 用户就能使用机器学习训练模型,评估以及优化潜力。亚马逊推荐引擎使用了机器学习,在匹配用户意图以及可欲结果方面,具有竞争优势,也为公司创造了商机。公司正更加高效地利用收集到的数据合理化用户购物体验,也让电子商务体验更具互动性。随着 DSSTNE 的开源,亚马逊也与其他科技巨头一起,推动科技社区的人工智能进步。

苹果在做什么?

去年,苹果已经成为最活跃的人工智能公司收购商,比如 Vocal IQ, Perceptio, Emotient, Turi, 以及 Tuplejump。几乎同时收购了 Vocal IQ 和 Perceptio,公司请来了 Johnathan Cohen,当时还是英伟达 CUDA 库以及 GPU 加速软件项目的负责人。近期,据报道,公司请来 Ruslan Salakhutdinov 担任人工智能研究总监,这也标志着公司人工智能战略的转型。在此之前,公司最初人工智能成果之一是 Siri , 第一款嵌入移动技术的虚拟助手,2014 年,其语音识别技术被移入神经网络系统。

为什么重要?

直到去年,苹果已经取得相对专有的机器学习成就;2015 年 10 月,Bloomberg Businessweek 报道,在大众消费方面,苹果研究人员还没发过一篇与人工智能有关的论文。不过,这一策略转型多少与新的、与人工智能相关的雇佣与收购有关,科技记者 Steven Levy 在 Backchannel 的一篇报道强调公司已经在人工智能领域活跃一段时间了。特别是,公司收购 Turi 突出了公司要按规模推进非结构数据和推论,以及开放给更为广泛的人工智能研究社区。这次收购,配以基于收购公司技术的较小应用,反映出苹果致力于用这些新技术创新公司产品。

微软在做什么?

CEO Satya Nadella 表示,微软正在大众化人工智能(democratizing AI)。公司的人工智能和研究团队(总人数大约 5 千多),关注改变人类体验和与机器的互动。微软已经积极地将新的、融合人工智能的功能嵌入公司核心服务中,并在对话计算(比如 Cortana)、自然语言处理(SwfitKey)等方面取得进展。公司正进一步打造基于 GPU 和 FPGA 的云(Azure),在公司所谓的更高水平的人工智能服务,比如语音识别、图片识别以及自然语言处理当中,为机器学习提供动力和速度。

为什么重要?

两个单词:人工智能大众化(democratizing AI)。由于这个行业中的公司将研究计划甚至库开放给人工智能研究社区,微软发明了这一表述,用来解释许多领先的人工智能创新者的举动。去年,微软在人工智能领域颇为活跃,正式发布了产品以及研究计划,并宣布了一个新的人工智能和研究小组(2016 年 9 月下旬)。微软的 FPGA 表现突出了人工智能可以为普通商业或个人带来什么;不到十分之一秒,它就翻译完了整个维基百科(30 亿个单词和 500 万条条款)。而且伴随着虚拟助理 Cortana, Siri, Alexa 以及其他助理之间的竞争,进一步将人工智能研发融入广泛使用的产品中去,通过产品进步吸引客户似乎是必须的。

Facebook 在做什么?

Facebook 人工智能研究部门(FAIR,2013 年)的策略是在更广泛的研究社区背景下研发技术。这个团队以推进无监督表征学习(比如,观察世界、而不是借助人类算法干预,借助对抗网络进行学习)的进步而为众人所知。应用机器学习部门(AML)在 FAIR 之后成立,聚焦将研究应用到公司产品中,时间限制为月或季度(而不是年)。公司正将机器学习功能应用到各种垂直领域中,比如面部识别,机器翻译以及深度文本(DeepText)语言或文本学习。

为什么重要?

公司已经发布了多个无监督学习方面的研究成果,随着机器学习超越从「正确答案」中学习,开始聚焦独立的模式识别,无监督学习已经成为一个重要的焦点领域。无监督学习有望去除更多的、与大数据有关的人类成分,公司在 Yann Lecun 的带领下,正引领该领域的研究。今年五月,公司发布的 FBLearner FLow 合理化了端到端 UI(从研究到工作流程、实验管理以及视觉化和比较输出)。公司的人工智能项目和工作流程应用不限于 AML 成员,公司各部门领域都可以使用借鉴。这样一来,公司就可以利用研究部门之外所取得的人工智能进步。

Salesforce 在做什么?

在 2014 年和 2015 年,Salesforce 开始解释自己的 Apex 开发平台如何可被用在 Salesforce1 云上完成机器学习任务。从此,该公司开始在人工智能上投入更多的资源,收购了多家人工智能公司,包括 Minhash、PredictionIO 和 MetaMind。在 9 月份,Salesforce 推出了 Einstein——一个面向多平台的基于人工智能的云计划。该计划专注于将人工智能融入销售云、市场云、服务云、社区云、IoT 云和 app 云。

为什么重要?

Salesforce Einstein 有潜力促进商业使用数据的方式。在销售云中,该公司希望让各个组织通过预测销售线索得分、洞见机会以及自动捕捉活动来优化销售机遇。市场和服务云将提供预测参与度得分,来分析消费者使用情况。还能提供预测客户,从而帮助定位市场,并基于趋势和用户历史通过自动案例分类更快解决消费者服务事件。Salesforce 用微妙的使用案例将机器学习带到云中,强调它对公司核心竞争力的影响。

英伟达在做什么?

英伟达已经从之前电子游戏 GPU 生产商转型为机器学习应用硬件厂商。2015 年年底,公司表示,较之使用传统 CPU,使用了 GPU 神经网络的训练速度提升了 10 到 20 倍。尽管英特尔重金投入的 FPGA(作为 GPU 的替代产品)加入硬件市场角逐,但是,GPU 的机器学习应用能实现更加密集的训练。相对而言,FPGA 可以提供更快、计算密集程度更低的推理和任务;这说明市场会根据实际应用案例区分对待。过去五年,到 2016 年 6 月为止,英伟达所占 GPU 市场份额已经从二分之一上升到近四分之三。

为什么重要?

在人工智能创新公司和学术机构中,GPU 加速的深度学习一直是许多项目的前沿。英伟达所占据的市场份额意味着,随着人工智能越来越成为未来几年中大型商务的中心议题,公司可以从中获益。使用公司产品的一个例子,俄罗斯的 NTechLab,使用 GPU 加速的深度学习框架来训练面部识别模型,识别密集集会中的个人,并在 AWS 中利用这些 GPU 进行推理。

作为一种选择,许多大学也使用英伟达 Tesla 加速器来模拟可能的抗体突变,这种变异可能会击败进化中的伊波拉病毒,将来研究会进一步关注流感病毒。

英特尔在做什么?

英特尔的战略比较独特,其使用的案例多种多样。2016 年年中,公司发布了第二代 Xeon Phi 产品系列,以其高性能计算(HPC)能力著称,它可以让人工智能扩展到更加大型的服务器网络和云端。在硬件不断进步的同时,公司也下重金投资 FPGA,这主要归功于其推理速度和灵活的可编程性。英特尔令人瞩目的收购包括 Nervana(深度学习),以及 Altera——该公司将 FPGA 的创新带入了英特尔。

为什么重要?

英特尔关注 FPGA 创新补足了英伟达对 GPU 的关注。当处理大型数据库(微软等许多大公司用来测试大数据分析的边界),FPGA 能够提供更加快速的推理速度。在物联网的应用环境中,公司也宣布了一个计划,旨在将学习技术融入可穿戴微芯片中(显然是通过 Xeon Quark)。物联网和人工智能的衔接有助于为公司和个人日常使用案例的数据搜集机制提供机器学习解决方案。

Uber 在做什么?

Uber 正在使用机器学习优化 UberX ETA 以及接送地点的准确性。为了实现这一点,需要数百万之前搭乘记录的数据点来探测常规交通模式,从而可以相应调整 ETA/接送地点。今年 9 月,Uber 展开了一个自动驾驶试点项目,地点位于匹兹堡,由来自 CMU 的研究人员(受雇于 Uber)负责该项目,很多大型汽车制造商业参与了进来。该公司还和沃尔沃达成了一项合作(金额 300 万美元),研发协作也为这个试点项目提供了机遇。不过,公司并不止步于小轿车。公司收购了一家自动卡车创业公司 Otto,今年十月在科罗拉多,公司试点快递了 5 万瓶啤酒。

为什么重要?

Uber 的机器学习负责人 Danny Lange 在接受 GeekWire 的采访中提及,他们的团队正在将这种技术无缝供给公司的其他团队,这些团队无需具备机器学习背景就可以使用 APIs。这也能让公司不同部门能高效利用机器学习基础架构,例如,UberX、UberPool、UberEats 以及自动驾驶工具都使用到了公司的人工智能技术。

IBM 在做什么?

IBM 在全球有 3000 多名研究人员。过去十年,IBM 在认知计算上超过有 1400 项专利,下一代云上有 1200 项,在硅/纳米科学上有 7200 项专利。IBM Watson 利用自然语言处理机器学习技术识别模式,并提供在非结构数据上的洞见,据该公司表示这代表如今所有数据的 80%。其他 Watson 产品包括 Virtual Agent,一个响应分析的自动消费者服务体验;Explorer,这是一个分析并连接大量不同数据集的工具。

为什么重要?

IBM 一直是该领域的先驱,有着极大的成就,包括上世纪 90 年代的 DeepBlue 和 2011 年的 Watson。Watson 的应用包括医疗中的病人治疗分析,基于 twitter 数据的股票推荐,零售中消费者的行为分析,以及对抗网络安全威胁。据财富报道,GM 将 Watson 加入到了汽车中,在 OnStar 系统上结合了 Watson 的能力。

百度在做什么?

百度的人工智能研究由百度大脑所推进。它包含 3 个元素:1)一个模拟人类神经网络的人工智能算法,有着在百十亿的样本上训练的大量参数;2)能在数十万台服务器与大量 GPU 集群上进行高性能计算(HPC)的运算能力。HPC 能容纳更多可扩展的深度学习算法。百度是首家宣布这种架构的公司,并正与 UCLA 合作;3)标记数据,借此技术,百度收集到了数以亿计的网页,包括百亿的视频/音频/图像内容碎片,还有数十亿的搜索请求和百亿的定位要求。为特定模型训练一台机器可能需要很高的(exaFLOPS 级)计算能力以及 4T 的数据。

为什么重要?

人工智能正在改进百度全线产品的用户体验和提升用户粘性,也在推动针对每一用户的定制化高质量内容。建立一个内部平台来运行从网页搜索到广告投放的带有标签数据的深度学习实验,能够预测点击率(CTR),这会直接影响百度的广告投放,因此也是它们目前的主要收益。此外,基于人工智能的技术也能带来更高的 CTR,而且每点击成本的降低也能促进变现。

上一篇:Skill Up | 数据科学与商业智能的薪资与技能报告 最难抢票年,你要提前知道这些春运大数据下一篇:

公众平台

搜索"raincent"或扫描下面的二维码