張一甲：人工智慧到底是一件多大的事？產業全貌是什麼？

07-11

我們先看看整個行業的一個宏觀背景，AI到底是一件多大的事。宏觀背景有一個常見的方法叫PEST分析，P就是politics，政治環境，E是經濟economy，S是社會society，還有T是技術technology，我簡單地把這四個環境，給大家分析一下。

一、政治對人工智慧的需求

首先中國是非常看重技術廣泛應用的，我們的各項政策是旨在推動人工智慧在各個領域的產業化，成為促進這個傳統產業體質、增效、控險、降耗，等等的這個戰略抓手，換句話說AI在中國的使命，更大意義上是服務於傳統產業升級的。對於日本來講，它受制於全球最嚴重的老齡化和資源的匱乏，所以日本的各項政策，其實是試圖引導人工智慧促進工業和服務機器人的普及，所以全世界有非常多很好的機器人公司誕生在日本，然後如果你去日本參加這個機器人博覽會，你會看到非常多可能比我們國家要先進很多的技術。

美國更強調希望通過理論的發展，來帶動產業變革。你去比較不同國家的人工智慧的初創公司，你會發現中國可能更多在應用層，而美國可能更多理論層也多一點，不同國家的政策環境，導致了不同國家的產業分布其實是不太一樣的。這是第一個，就是P，政治環境的分析。

二、經濟和社會環境的分析

我把它結合在一起說，我集中在中國環境的分析。我強調三件事，一個是人口老齡化，一個是城鎮化。

首先第一個，人口老齡化。我給大家說一個數字，國內60歲及以上人口現在多少人？超過兩億多人，佔到我們總人口數量大概百分之十六點多，那麼這個比重，比第六次全國人口普查上升了2.89個百分點，而國內的適齡勞動人口是多少人呢？九億出頭。

然後連續五年這個適齡勞動人口是在下降的。從這個角度來講意味著其實我們過去十年，中國的經濟發展，所依賴的那種高速的人口紅利其實是消失了，人口紅利消失意味著勞動力成本要上漲，用工成本增加，所有的低端的製造業都要受到極大的打擊，社會服務的成本在整體地上漲；那麼另外一個層面就是醫療、社保等等的社會管理的挑戰，也在不斷地產生很多的兌付的風險。

此外，我們從傳統行業來看，國家的對於用人工智慧等智能化的新一代的技術，希望它趕快為傳統產業服務，去升級它的製造方式，去升級它的商業決策能力。這個需求就與日俱增了，這也成為整個國家在大力地擁抱人工智慧的背後的一個重要原因。

在2012年到2016年期間，全球的整個對於工業機器人的銷售量，它是一個以年化增長16%的速度去增長的，而中國這個數字是超過是31%，也就是說中國對於工業機器人的需求，遠遠地高出其它的國家。在2019年年末，中國將吸收全球40%的機器人產能。

還有一個重要的趨勢「城鎮化」，城鎮化的趨勢大家都能感受得到，目前中國的居住在城鎮的人口是超過了7億6000萬人，城鎮化率是超過了57%的，而且北上廣深四個大城市加起來，常住人口就七千多萬人。在這樣的一個城鎮化率快速增加的一個環境當中，提出了什麼樣的挑戰，就是我們的城市治理的難度，公共服務的管理的要求，就逐漸提高了。城市的人、車流量巨大，交通擁堵必須得到緩解。

此外就是治安，治安的事件就必須得到更精準、更實時動態的控制，城市安防體系，智慧城市、平安城市，就需要極力得到建設。所以說從2016年就會明顯感到，大量人工智慧從業者在做一件事，做安防，整個安防產值到了一個什麼樣的規模，5000多億的一個市值，很誇張，這也是非常中國特色的一個市場。你去美國看，不會有那麼多的人工智慧公司在做安防的。

另外一個城鎮化趨勢帶來的影響就是，農村數量和農業人口的減少，農業人口減少會導致什麼？會導致我們不管是農業的生產，還是農業的公共服務、社會治理，都需要更有效率的技術手段和社會組織的形式。比如說我周圍有一些在做科技創新的朋友，他們在做什麼呢，他們在用衛星做大數據，然後用大數據的方式來去做農業的數據化，他們就是這個方式來預測產量，來進行無論是天氣還是各方面的預報，使得我們更知道我們每一年該生產多少什麼樣的糧食，使得整個農業的組織形式得到進一步的優化。所以相關的遙感的技術、衛星圖像、農村生產的大數據服務等等，都得到了非常大的市場需求的刺激，也越來越多的創業者湧入這樣的一個市場，這是第二個趨勢，就是城鎮化。

三、技術的拐點

最後一個就是技術，techenology，對於技術來講，當我們談到人工智慧的時候，我們一般談到的就是三點，數據、演算法和算力。為什麼會有過去的這樣一個高起低回的發展曲線呢？因為三個元素，數據、演算法和算力，在過去的六十年發展當中，它們都沒有湊齊。但是這一波為什麼人工智慧猛一下起來了呢，其實是這三波力量，在這個時間點上湊齊了。

簡單來講，數據：2011年起，我們的數據量已經達到了ZB的量級，ZB是一個什麼量級呢，一個ZB等於2的40次方GB的一個量級，然後數據顯示出到了2020年，我們的數據量將增至大概44ZB這樣一個數量級，我們無法想像。

而演算法效率來講，科學家們就發現，那人腦是怎麼樣去連接的，他們就圖讓演算法怎麼去連接，人們發現人們的腦是分層的，他們就試圖用一個多層深層的網路去連接。人們發現這個大腦在每個節點上每個神經元有運算，他們就試圖讓這個演算法當中的每個節點去做運算。大腦是非常複雜，有上千億的神經元，是一個非常複雜，我們無法去描繪的一個網路，但是當這種網路的各種節點連接起來，並且有各式各樣的數據我們進來學習。

那麼算力來講呢，其實與這幾年來的硬體計算能力的發展有很大的關係了。我們都知道在計算機的領域有一個叫摩爾定律的東西，摩爾定律意味著我們的計算能力，隨著晶元的製成逐漸增強。但是傳統的CPU晶元其實要求的通用性很高，延時性很低，當一個東西通用性越高，也就意味著它越不適合處理一些專用的問題。

所以CPU好像在做人工智慧的深度學習的時候並沒有什麼優勢，這個時候就誤打誤撞，有一個叫英偉達的公司就脫穎而出了。英偉達做的是一個跟CPU原理不一樣的一個GPU，但是GPU它最開始是用來做遊戲顯卡的，但是人們突然發現它非常非常適合用來處理深度學習所需要的矩陣計算，所以你看到英偉達就奮起直追，成為一家巨頭公司，一時風光無兩，可以說英偉達是這一波深度學習浪潮起來之後，受益最大的一個全球科技巨頭。

但是GPU它不是為人工智慧而生的，所以它也存在著一些不足，於是你會發現，人們又開始用別的晶元，比如說FPGA、ASIC等等的晶元，甚至有大量的玩家開始做晶元行業相關的創業。

以上就是我的分享，謝謝大家。