尽管互联网的普及打造了包括谷歌、亚马逊、百度、阿里、腾讯、京东等一批巨头以及数量更为庞大的中小企业，基于网络的创新应用和服务类型也多种多样，但技术瓶颈的制约已经越来越明显：生活方面需求痛点的解决、生产领域具有适应性和资源效率的智慧工厂的建立、物流体系中更加方便快捷的配送方式建设等问题，都面临智能化程度不足带来的障碍。只有人工智能才能为“万物互联”之后的应用问题提供最完美的解决方案。

人工智能的价值如此重要，以至于我们可以毫不夸张地说，它将成为IT领域最重要的技术革命，目前市场关心的IT和互联网领域的几乎所有主题和热点（智能硬件、O2O、机器人、无人机、工业4.0），发展突破的关键环节都是人工智能。

下面我们将通过一些例子和应用场景来更形象具体地展示上述瓶颈以及AI的重要性：

1.1.1 智能冰箱还不能告诉我们做什么

由于生活节奏加快人们的空闲时间大为减少，做家务的时间日益显得不足，我们需要一款聪明的冰箱，让冰箱告诉我们做什么。来自奥维咨询的《中国家用冰箱食品浪费调查报告》显示，“每个家庭平均每年发生176次食物浪费现象。70%受访者表示，造成浪费的主要原因是一次购买太多和放入冰箱后忘记。智能冰箱的出现，不仅可以自行“清理门户”，采购新鲜食品，还能统筹安排，减少食材浪费，制作个性化食谱。它会根据食材新鲜与否，把不新鲜的食材调动到距离冰箱门最近的地方，提醒主人“它该吃了”。此外，智能冰箱能对用户的膳食合理性进行分析，制作菜谱。同时提示需要补充的食材，如果与生鲜电商联网的话，可以自动选择送货上门，直接实现食物的配送发货收获自动化和智能化。2014年美菱率先推出全球首台云图像识别智能冰箱ChiQ，，突破全球智能冰箱技术门槛，该冰箱具备变频功能，可以用语音搜索、自动推荐等多种方式进行食谱推荐，并实现手机的远程查看和控制。

智能冰箱功能法的升级，提升用户体验和价值，背后的最大核心是自动识别技术的突破。图像识别技术通过图像采集系统得到食材图片，运用图像识别算法，转化成食品的信息列表。而通过图像识别技术，判断食材的种类是实现冰箱智能化的拐点。

可见，不是用户对智能家居的需求不存在，而是现有的技术无法支撑家居的智能化，这个瓶颈无法突破，智能家居永远是纸上谈兵。那么，解决这个问题的钥匙在哪里？人工智能技术的突破：图像识别背后的底层技术就来自于人工智能的算法和应用！

1.1.2 O2O尚未实现生活服务智能化

试想这样一个场景，你想选择一个地方和朋友吃饭，首先你会打开一个应用，在这个过程中它会自动确定你所在的位置，然后你通过语音开始向其发出请求“我想在这附近找一家中式餐厅，下午将要与朋友一起就餐，消费价格适中。”应用根据你发出的请求及过往的生活习惯为你寻找到数十家备选方案优选列表，然后你可以根据兴趣与爱好选择直接确定方案，或者实时打开查看各家的类型、折扣、评分、环境、位置、菜品、用户评价等综合信息并进行筛选，这些信息综合在一起形成了你对某家餐厅的判断和最终的决策。这时你可以就一些问题与餐厅的服务人员进行实时的沟通，然后交付押金轻松的进行预订。预订好了餐厅之后，通过语音控制，你可以将信息转发给朋友。当你到了该出发赴约的时候，这个应用开始提醒你，并可以选择是否开启地图语音导航模式，为你提供位置和路线服务。从本质上说，消费者和商户存在各自信息获取不对称的问题，而O2O在于把服务业互联网化，将商户与消费者之间连接的更好，让信息不对称的问题都能解决，这不仅能够帮助商户，也能够帮助消费者。消费者对O2O的最大诉求主要是在前端信息的检索和获取，而商家的目的在于持续获取消费者，这主要通过前端提供消费者信息影响其购买决策，并通过后期客户管理增强与用户关系。

互联网的O2O商业模式气势汹汹的颠覆传统行业，似乎发展到现在好像开始止步不前了。目前点评网站、地图导航、预定网站、优惠券网站等很好地满足了消费者信息获取来源，但移动搜索引擎却未能很好满足消费者检索的需求，使他们可以方便地查找餐厅以及优惠地享受服务。综合来看，未来的O2O会是一个融合线下信息聚合、语音识别、自然语言解析、搜索引擎、点评信息聚合、预订服务、地图导航、NFC、CRM、语音以及实时沟通等功能为一体的基于位置的服务平台。然而，至今仍然悬而未决的技术瓶颈是：自然语言的解析。如何通过对用户的自然语言（文本+语音）等数据，结合知识图谱，推理出用户的需求并精准的推送用户所需的本地化生活服务？这扇大门的钥匙也是在人工智能技术的突破！

1.1.3无人机尚不能自主飞行
目前无人机虽然在军事和民用领域都得到了应用，但其智能化程度还远远不够，仍然需要人遥控操纵，尚未实现自主飞行。
设想一下你打开家里的窗子，一架无人机恰巧停在窗外，你从无人机上取下自己购买的物品，然后拿出手机确认收到，无人机才缓缓飞走，去寻找下一个客户。或者，下午你要去某咖啡馆与客户交流，恰巧有一个快递要送来。你提前通知快递公司，让无人机指挥中心更改送货路线，通知无人机将快递送到咖啡馆。物流体系使用无人机取代人工，实现货物派送的设想一旦实现，将大大提高配送效率，减少人力、运力成本，可以说承载了人们对于未来物流的梦想。但这一梦想如果要得以实现，必须要使无人机具备感知和规划的智能。
低空以及在建筑物内部飞行会遭遇很多的障碍物，即使预先设定飞行线路，也无法避免临时出现的障碍（比如写字楼里突然关上的门），这就需要无人机具备视觉功能、不确定性环境下的路线规划以及行动能力。此外，为保证准确投递，无人机或许还要具备人脸识别的能力，可以通过预先发送的照片识别出收货人。这些感知、规划和行动能力都属于人工智能技术。
1.1.4智能化是工业4.0之魂
第一次工业革命是随着蒸汽机驱动的机械制造设备的出现；第二次工业革命是基于劳动分工的，电力驱动的大规模生产；第三次工业革命是用电子和IT技术实现制造流程的进一步自动化；而如今，第四次工业革命正在来临！
“工业4.0”，是一个德国政府提出的高科技战略计划。这个概念包含了由集中式控制向分散式增强型控制的基本模式转变，目标是建立一个高度灵活的个性化和数字化的产品与服务的生产模式。在这种模式中，传统的行业界限将消失，并会产生各种新的活动领域和合作形式。创造新价值的过程正在发生改变，产业链分工将被重组。
从以上的描述中不难看出，工业4.0对智能化的要求涵盖更广，涉及机器感知、规划、决策以及人机交互等方面，而这些领域都是人工智能技术的重点研究方向。

2．人工智能技术“奇点”到来

在宇宙大爆炸理论中，“奇点”是指由爆炸而形成宇宙的那一点，即宇宙从无到有的起点。而在美国著名科学家雷·库兹韦尔（Ray·Kurzweil：发明了盲人阅读机、音乐合成器和语音识别系统；获9项名誉博士学位，2次总统荣誉奖；著有畅销作品《奇点临近》，现任奇点大学校长）的理论中，“奇点”是指电脑智能与人脑智能相互融合的那个美妙时刻。我们认为，这个美妙时刻正在到来。

2.1什么是人工智能：从“smart”到“intelligent”

目前市场上所谓“智能”的设备或概念很多，从智能手机到智能家居等，但这些“智能”实际上是“smart”的含义，即灵巧；真正意义上的智能应该是“intelligent”的含义。

“人工智能”一词最初是在1956年达特茅斯学会上提出的。从学科定义上来说，人工智能（ArtificialIntelligence）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。

人工智能的概念和定义有多种，下图中沿两个维度排列了AI的8种定义。顶部的定义关注思维过程和推理，而底部的定义强调行为。左侧的定义根据与人类表现的逼真度来衡量成功与否，而右侧的定义依靠一个称为“合理性”（Rationality）的理想的表现量来衡量。

如果从比较容易理解的角度来概括的话，人工智能是指计算机系统具备的能力，该能力可以履行原本只有依靠人类智慧才能完成的复杂任务。

人工智能的应用领域主要包含以下几个方面的内容：

自然语言处理（包括语音和语义识别、自动翻译）、计算机视觉（图像识别）、知识表示、自动推理（包括规划和决策）、机器学习、机器人学

2.2人脑的精密结构难以复制，人工智能技术曾一度受阻

2.2.1超大规模并行结构使得人脑功能强劲

人类的大脑中有数百至上千亿个神经细胞（神经元），而且每个神经元都通过成千上万个“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行计算（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人脑远超计算机，成为世界上到目前为止最强大的信息处理系统。

2.2.2计算机的传统结构制约人工智能的发展

美籍匈牙利科学家冯·诺依曼（John Von·Neumann）是数字计算机之父，首先提出了计算机体系结构的设想，目前世界上绝大多数计算机都采取此种结构，它也被称之为冯·诺依曼体系结构。简单来说，冯·诺依曼体系结构的基本特征有以下几点：

1、采用存储程序方式，指令和数据不加区别混合存储在同一个存储器中，指令和数据都可以送到运算器进行运算，即由指令组成的程序是可以修改的。

2、存储器是按地址访问的线性编址的一维结构，每个单元的位数是固定的。

3、指令由操作码和地址组成。操作码指明本指令的操作类型，地址码指明操作数和地址。操作数本身无数据类型的标志，它的数据类型由操作码确定。

4、通过执行指令直接发出控制信号控制计算机的操作。指令在存储器中按其执行顺序存放，由指令计数器指明要执行的指令所在的单元地址。指令计数器只有一个，一般按顺序递增，但执行顺序可按运算结果或当时的外界条件而改变。

5、以运算器为中心，I/O设备与存储器间的数据传送都要经过运算器。

6、数据以二进制表示。

人工智能对计算机性能的要求很高，尤其是在非数值处理应用领域。冯·诺依曼体系的串行结构和人脑庞大复杂的并行结构相去甚远，使得现有计算机系统难以迅速有效地处理复杂的感知、推理、决策等问题。硬件体系能力的不足加上发展道路上曾经出现偏差（希望直接在通用型的人工智能方面取得突破），以及算法的缺陷，使得人工智能技术的发展在上世纪80年代末到90年代曾经一度低迷。
2.3四大催化剂齐备，人工智能发展迎来转折点
近几年来，随着技术的进步，人工智能的发展出现了显著的复苏趋势。我们认为，下述4个方面的原因带来了人工智能发展的向上拐点：
2.3.1云计算使成本低廉的大规模并行计算得以实现
上文中提到，冯·诺依曼体系的串行结构使得计算机无法满足人工智能对硬件的要求，而近年来云计算的出现至少部分解决了这个问题。
从概念上讲，可把云计算看成是“存储云+计算云”的有机结合，即“云计算=存储云+计算云”。存储云的基础技术是分布存储，而计算云的基础技术正是并行计算：将大型的计算任务拆分，然后再派发到云中的各个节点进行分布式的计算，最终再将结果收集后统一处理。大规模并行计算能力的实现使得人工智能往前迈进了一大步。
云计算的实质是一种基础架构管理的方法论，是把大量的计算资源组成IT资源池，用于动态创建高度虚拟化的资源供用户使用。在云计算环境下，所有的计算资源都能够动态地从硬件基础架构上增减，以适应工作任务的需求。云计算基础架构的本质是通过整合、共享和动态的硬件设备供应来实现IT投资的利用率最大化，这就使得使用云计算的单位成本大大降低，非常有利于人工智能的商业化运营。

值得特别指出的是，近来基于GPU（图形处理器）的云计算异军突起，以远超CPU的并行计算能力获得业界瞩目。

CPU和GPU架构差异很大，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。CPU中大部分晶体管主要用于构建控制电路（比如分支预测等）和高速缓冲存储器（Cache），只有少部分的晶体管来完成实际的运算工作；而GPU的控制相对简单，而且对Cache的需求小，所以大部分晶体管可以组成各类专用电路、多条流水线，使得GPU的计算速度有了突破性的飞跃，拥有了惊人的处理浮点运算的能力。现在CPU的技术进步正在慢于摩尔定律，而GPU的运行速度已超过摩尔定律，每6个月其性能加倍。

CPU的架构是有利于X86指令集的串行架构，从设计思路上适合尽可能快的完成一个任务；对于GPU来说，它最初的任务是在屏幕上合成显示数百万个像素的图像——也就是同时拥有几百万个任务需要并行处理，因此GPU被设计成可并行处理很多任务，天然具备了执行大规模并行计算的优势。

现在不仅谷歌、Netflix用GPU来搭建人工智能的神经网络，Facebook、Amazon、Salesforce都拥有了基于GPU的云计算能力，国内的科大讯飞也采用了GPU集群支持自己的语音识别技术。GPU的这一优势被发现后，迅速承载起比之前的图形处理更重要的使命：被用于人工智能的神经网络，使得神经网络能容纳上亿个节点间的连接。传统的CPU集群需要数周才能计算出拥有1亿节点的神经网的级联可能性，而一个GPU集群在一天内就可完成同一任务，效率得到了极大的提升。另外，GPU随着大规模生产带来了价格下降，使其更能得到广泛的商业化应用。

2.3.2大数据训练可以有效提高人工智能水平

机器学习是人工智能的核心和基础，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。该领域的顶级专家Alpaydin先生如此定义：“机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。

我们已经进入到大数据时代，来自全球的海量数据为人工智能的发展提供了良好的条件。

根据IDC的监测统计，2011年全球数据总量已经达到1.8ZB（1ZB等于1万亿GB，1.8ZB也就相当于18亿个1TB的移动硬盘，人均200 GB,这些信息的量相当于可以填充572亿个32GB的iPad），而这个数值还在以每两年翻一番的速度增长，预计到2020年全球将总共拥有35ZB的数据量，增长近20倍。

2.3.3“深度学习”技术的出现

“深度学习”是机器学习研究中的一个新的领域，它模拟人类大脑神经网络的工作原理，将输出的信号通过多层处理，将底层特征抽象为高层类别，它的目标是更有效率、更精确地处理信息。深度学习自2006年由Geoffrey Hinton教授和他的两个学生被提出后，使得机器学习有了突破性的进展，极大地推动了人工智能水平的提升。2013年，《麻省理工技术评论》把它列入年度十大技术突破之一。

人脑具有一个深度结构，认知过程是逐步进行，逐层抽象的，能够层次化地组织思想和概念。深度学习之所以有如此大的作用，正是因为它较好地模拟了人脑这种“分层”和“抽象”的认知和思考方式。

深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。因此，“深度模型”是手段，“特征学习”是目的。区别于传统的浅层学习，深度学习的不同在于：1）强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；2）明确突出了特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据的丰富内在信息。

深度学习使得人工智能在几个主要领域都获得了突破性进展：在语音识别领域，深度学习用深层模型替换声学模型中的混合高斯模型（Gaussian Mixture Model, GMM），获得了相对30%左右的错误率降低；在图像识别领域，通过构造深度卷积神经网络（CNN），将Top5错误率由26%大幅降低至15%，又通过加大加深网络结构，进一步降低到11%；在自然语言处理领域，深度学习基本获得了与其他方法水平相当的结果，但可以免去繁琐的特征提取步骤。可以说到目前为止，深度学习是最接近人类大脑的智能学习方法。