人工智慧60年：一文了解AI的過去、現在與未來(下)

點此閱讀：人工智慧60年：一文了解AI的過去、現在與未來(上)

下篇：未來「無窮大」的AI

基於自身轉型的需求和龐大的企業經濟體量，IBM正在真正拉動全球第一次人工智慧商業化浪潮。

儘管人工智慧已經有了60年的歷史，但是人工智慧的規模化商業浪潮卻一直遲遲沒有到來。之前，儘管有微軟、谷歌、Facebook等大公司不斷投資人工智慧技術，但大多把研究成果用於自身業務的優化與效率提升。因此，可以說2016年IBM在全球範圍內傾全力推出的「認知商業」，才是真正意義上的人工智慧商業化第一波浪潮。

早在1960年4月25日，在一份給IBM管理者的備忘錄中，當時的首席執行官小沃森談及IBM面臨的問題是製造「會思考的機器」。從大型機到小型機、從PC到POWER伺服器、從「深藍」到「IBM Watson」，IBM對「會思考的機器」的思考從未停止過。尤其自20世紀90年代人工智慧研究陷入低潮以來，IBM是少數堅持投入人工智慧研究的企業。

作為世界上第一家百年IT企業，IBM堅持每年研發經費投入超過60億美元。自從近年來遭遇轉型困境後，人工智慧研究成果的商業化自然成為了IBM的首選。

2016年3月1日，IBM大中華區董事長陳黎明在IBM論壇2016上，宣布IBM公司105年的歷史上第3個代表商業戰略的品牌「認知商業」落地中國。此前早在1997年，IBM就描繪了「電子商務」的願景；2008年，IBM推出了「智慧的地球」。

IBM大中華區董事長陳黎明宣布IBM認知商業戰略在中國正式落地

「認知商業」基於IBM推出的認知計算，其核心為新一代IBM Watson技術及Watson APIs。這個命名實際上來自IBM創始人 Thomas J. Watson 老沃森的姓氏，而IBM Watson則是繼「深藍」之後的下一個超級認知計算平台。提起「深藍」，可謂無人不知。1997年5月1日，國際象棋大師卡斯帕羅夫最終以25：35的比分輸給了IBM RS／6000SP「深藍」計算機，舉世震驚。

由於象棋是高度結構化遊戲，實際上「深藍」並不需要太高的學習能力。有關資料顯示，1997年版的「深藍」每秒鐘可以計算2億步，存儲了100多年來優秀棋手對局的200多萬棋局。在「深藍」成功後，IBM研究院進而挑戰人工智慧的深度問答（Deep Q&A），這是人工智慧的一個重要分支，具有極為廣闊的應用空間。

IBM Watson最早現身在2011年2月美國老牌益智節目「危險邊緣」（Jeopardy!），與節目史上最強的兩位答題高手一較高下，並最終以優異的表現打敗了人類選手。從2004年提出挑戰「Jeopardy!」的構想，到2011年IBM Watson真正打敗「Jeopardy!」，中間差不多經歷了6年的時間。為什麼會這麼困難？

Watson並不是簡單的機器學習系統，當IBM的研究員開始嘗試構造Watson時，發現傳統的機器學習演算法行不通。傳統的機器學習演算法先歸納知識，把知識形成規則，再讓機器根據規則進行響應。這不足以讓Watson在「Jeopardy!」節目中勝出，由於數據量過於龐大，IBM研究員意識到必須讓Watson能夠自行學習知識而盡量減少人工干預。

經過學習和訓練，Watson的Deep Q&A系統能夠從原始信息中自動抽取知識，對知識進行分類並且能夠分析和理解自然語言。如此，Watson就能夠像人類一樣學習，並從已經發生的事件進行推理和總結經驗。由於這樣的任務已經超出了前代超級計算機的能力，IBM的研究員從頭設計了IBM Watson系統，包括軟體和硬體體系。

2011年打敗「Jeopardy!」的時候，IBM Watson是由10台IBM商用伺服器Power750組成的計算系統。2014年初的時候，IBM Watson的體積已由1個卧室縮小到3個披薩盒子那麼大，運算速度是之前的 24 倍，智能水平是之前的24倍。

在小沃森的備忘錄里，強調「計算機永遠不會取代人的主動性，也不會取代人類的創造性思維。」計算機就是要把人類從無意義的、重複性的思維模式中解放出來。因此，在IBM Watson的商業化推廣中，IBM提出了「認知計算」，強調的人與機器共存。在認知計算時代，並不是機器取代人類，而是人機協作共同創造更好的結果。

2014年1月12日，IBM宣布將投資逾10億美元，創建一個新的IBM Watson 業務集團，基於雲計算交付模式，實現認知計算技術的商業化，從這一點開始標誌著IBM又一次拉開了世紀轉型。

位於紐約的IBM Watson大樓

在創建IBM Watson業務集團的同時，IBM公布了幾項基於Watson的新功能：IBM Watson Discovery Advisor、IBM Watson Analytics以及IBM Watson Explorer 等，分別用於大數據探索、基於自然語言的數據可視化分析和應用程序開發框架。目前Watson Analytics在全球已經擁有超過100萬註冊用戶，2016年3月在大中華區剛推出就獲得了近2萬個註冊用戶。

IBM Watson業務集團總部位於紐約的「硅巷」（Silicon Alley），總部大樓內為創業者提供了相關的孵化器，也為IBM客戶提供了客戶解決方案中心用於體驗認知技術，還有一個設計實驗室來幫助IBM客戶和合作夥伴持續提升認知應用及服務的用戶體驗。實際上，在宣布的10億美元投資中，還包括了1億美元的風險投資，用於構建IBM Watson生態圈。

為了擴展可用的Watson數據源，IBM Watson Content Marketplace結合了各種獨特且多樣化的第三方數據，其中的數據和信息可被IBM客戶、合作夥伴、開發者和其它機構用於Watson支持的應用和服務中。迄今為止，該市場接入了Wikivoyage、疾病控制中心、Cancer.gov、美國臨床腫瘤學會等多家醫療機構的合作內容，以及美聯社、Barchart.com、晨星機構（Morningstar）、RxWiki和WAND等新聞報道檔案、健康管理、金融服務、腫瘤學、醫藥、工程及其它領域的知識庫。IBM還與Twitter、Facebook、蘋果等公司建立戰略聯盟，以便能夠存取相關的數據。

IBM專門推出了AlchemyData，通過聚合超過7.5萬個來源的新聞和博客內容，利用自然語言處理（NLP）加以強化，讓Watson應用能夠採集市場信號、實現業務流程自動化和趨勢分析。IBM後來收購的AlchemyAPI，就是一家提供人工智慧文本和圖像分析服務的前沿公司。

2015年3月，IBM宣布將向物聯網投資超過30億美元。利用這一投資，在2015年10月IBM公司透露了收購The Weather Channel的B2B、移動和雲業務的計劃，並於2016年1月完成收購，IBM將向包括中國、印度、巴西、墨西哥和日本在內的5大新興市場擴展weather.com。氣象數據在業務運營、市場營銷、風險管理等商業領域，有著廣泛的價值。

2015年4月IBM成立Watson Health，加強在醫療和健康行業的布局，先後收購了包括Explorys（一家可以查看5000萬份美國患者病例的分析公司）、Phytel（處理各類健康數據及提供數據分析的雲軟體公司）、醫療影像公司Merge Healthcare 公司。其中，Merge的技術平台普遍應用在7500餘家美國醫院及全球眾多著名臨床研究機構和製藥公司。

2016年剛開年，IBM就宣布進行了郭士納以來一次大型的組織調整。這次調整涉及了IBM的三大部門——全球行業事業部門、整合認知解決方案部門以及雲計算部門，筆者認為其中的商業邏輯將會是全球行業事業部門梳理行業用戶需求、整合認知解決方案部門根據需求開發認知解決方案、雲計算部門提供平台支持。

2016年3月1日，IBM向中國市場推出「認知商業」品牌，在中國市場展開了鋪天蓋地的宣傳推廣活動。3月15日，IBM宣布基於認知計算的IBM營銷雲落地中國，特別加入了對於微信的支持。

演算法經濟時代的到來

IBM正在轉型為一家認知計算公司，其背後的大邏輯是全球正在進入一個演算法經濟時代。自去年以來，Gartner就在多份報告中強調，演算法連通了人、事物、業務及信息，將創造全新的商業價值。在未來，演算法將成為企業的核心資產，代替企業把大數據轉化為商業洞察、自動化業務流程以及差異化產品與服務。一句話，演算法將統治世界。

IBM正在拉動全球第一次人工智慧商業化浪潮

在一個演算法經濟時代，人工智慧演算法僅是眾多演算法中的一種。IBM董事長Ginni Rometty在去年10月的Gartner全球峰會上說，Watson並不僅僅是人工智慧，人工智慧演算法是Watson背後32個引擎中的一個。實際上在過去的幾年間，除了推動Watson認知計算的商業化之外，IBM一直在不余遺力的收購商業演算法公司，納入到IBM整體的演算法體系。

IBM於2011年花費近4億美元收購了一家叫做Algorithmics的公司，其業務就是用商業演算法來計量金融交易的風險。Algorithmics參與了國際巴寒爾協議的諮詢與建議，不斷跟蹤巴寒爾協議進展並把新的規範編入演算法中，再把演算法賣給各國的銀行用於金融風險監控。據有關統計，在收購Algorithmics之前，IBM就已經花費了140億美元用於收購25家分析公司。

當然，在整個IBM演算法體系中，Watson認知計算是「皇冠上的明珠」。IBM Watson業務集團高級副總裁Michael Rhodin說：「在IBM 100年的歷史上，Watson是我們最重要的創新之一。」 IBM 董事長 Ginni Rometty在去年10月的Gartner全球峰會上說，推動全球邁向「認知商業」時代，「這是我們的登月工程。」

在已經推出的Watson API中，包括：文本轉語音API，歷經12年的研發，最新加入的情商功能讓文本轉語音的時候能適應語境與情緒；語調分析器API，可對文本中的語調進行分析，獲得更好的觀察；情緒分析API，通過複雜的自然語言處理，感知外部環境中用戶情緒的變化；視覺識別API，可以定製化適應不同企業的圖像識別需求等等。據統計，Watson API每月被調用高達13億次，並且還在快速增長。

目前已經有36個國家、17個行業的企業在使用Watson的認知技術，全球超過7.7萬名開發者在使用Watson Developer Cloud平台，超過350家生態系統中合作夥伴及企業內部創新團隊正在構建基於認知技術的應用、產品和服務，其中100家企業已將產品推向市場。

可以說，基於自身轉型的需求和龐大的企業經濟體量，IBM正在真正拉動全球第一次人工智慧商業化浪潮。而在這次大浪潮之下，首先受益的將是商業智能演算法公司，包括IBM、SAS、QLIK、Tableau等商業智能軟體公司將迎來黃金時代。

AlphaGo戰勝人類圍棋高手李世石的事件，正好發生在60年這個時間節點上，可以說是全球人工智慧界承上啟下的里程碑式事件。簡單說，AlphaGo的演算法是前60年人工智慧研究都很少觸及的領域：增強學習，即無監督的深度學習，而前60年的主流演算法為有監督的深度學習。

而在60年這個節點上，經過了1980年和2000年兩次寒冬，全球人工智慧界又迎來了第三次浪潮。這一次，隨著前60年有監督深度學習演算法的理論研究和工程化的成熟，以及硬體計算能力的大幅提升和成本的飛速降低，在雲計算、大數據和移動互聯網的融合推動下，人工智慧在很多方面都有了突破性進展。

更為重要的是，除了微軟、IBM等大公司外，谷歌、Facebook、百度等互聯網巨頭紛紛向人工智慧領域投巨資進行研發，各國政府也開始意識到人工智慧是未來社會的戰略制高點，甚至人工智慧有可能成為未來社會的一部分。

當AlphaGo戰勝李世石的消息傳來，深藍之父Murray Campbell就此評價說：「這是人工智慧一個時代的結束。」

兩次人機大戰時隔20年，這其中最重要的差別在於象棋與圍棋的複雜度差異巨大。人工智慧之所以能夠先戰勝國際象棋冠軍，在於國際象棋可以窮盡接近所有可能的棋局，而圍棋就不一樣了。圍棋棋局究竟有多少種變化？普林斯頓的研究人員給出了一個最小的數字：19x19格圍棋的合法棋局數為10的171次方，這個數字接近無窮大。

AlphaGo對戰李世石

根據美國Wired網站長期跟蹤谷歌的記者Cade Metz的報道，AlphaGo前期通過一個已知職業棋手的3000萬步資料庫進行訓練，在獲得相當的熟練度後，AlphaGo開始用增強學習演算法與另一個AlphaGo程序相互博弈，探索未知的但與取勝有關的棋局，用以培養自己的「智能」。圍棋對於人工智慧來說，相當於是求解一個開放式的問題。

機器學習演算法大致可以分為3種：監督學習（如回歸、分類）、非監督學習（如聚類、降維）和增強學習。人工智慧前60年，主要通過有監督的深度學習演算法，解決語音識別、圖像識別、自然語言理解等總樣本量有上限的相對「有窮大」問題。

增強學習演算法主要從任意初始狀態開始，機器與外部環境持續交互，通過不斷試錯和累積回報來「學習」最佳策略，在這個過程中外界不給予直接指導（監督），只給予間接的或是遠距離的回報（Reward）。舉例來說，訓練室內機器人完成某個任務，在這個過程中人類並不干涉，只有當機器人接近完成任務時才給予正反饋。

換句話說，增強學習演算法更接近生物學習的行為特徵，具有探索未知世界的能力。AlphaGo對增強學習演算法的探索，打開了「無窮大」的大門。

微軟是人工智慧領域的另一巨頭。微軟人工智慧首席科學家、美國IEEE電氣和電子工程師協會院士鄧力長期投身於語音識別研究，在自動語音與說話者識別、口語識別與理解、語音-語音翻譯、機器翻譯、圖像和多模態信息處理等領域做出了重大貢獻，憑藉在深度學習與自動語音識別方向的傑出貢獻，獲得了2015年度IEEE信號處理技術成就獎。

微軟人工智慧首席科學家鄧力

鄧力表示，有監督的深度神經網路已歷經了研究與確認，被認為是能夠解決語音和圖像識別的最有效的工具。基本上到2012年的時候，有監督深度神經網路用於語音識別就已經成功取得突破。當時，微軟研究院全球院長Rick Rashid在天津成功演示了一個全自動同聲翻譯系統，實時把英文演講翻譯成中文並以中文語音輸出。

Rick Rashid演示中的語音識別部分採用了有監督學習的深度神經網路工具，最先由鄧力和他的微軟同事於2009~2010間與多倫多大學的Geoffrey Hinton 教授合作開發。如今，微軟的語音識別技術已經工程化並廣泛用於微軟的多個產品中。

作為中國的國家隊，科大訊飛在智能語音技術領域有著長期的研究積累，並在語音合成、語音識別、口語評測、自然語言處理等多項技術上有著國際領先的成果。2008年6月，科大訊飛參加NIST（美國標準技術研究院）舉辦的說話人識別SRE大賽，就在3項關鍵指標中，獲得兩項第一、一項第三、綜合評比第一的好成績。

科大訊飛是中國唯一以語音技術為產業化方向的「國家863計劃成果產業化基地」、「國家規劃布局內重點軟體企業」、「國家高技術產業化示範工程」，並被原信息產業部確定為中文語音交互技術標準工作組組長單位，牽頭制定中文語音技術標準。

基於自主知識產權的智能語音技術，科大訊飛已推出從大型電信級應用到小型嵌入式應用，從電信、金融等行業到企業和消費者用戶，從手機到車載、從家電到玩具等不同應用場景的多種產品，還發布了「訊飛語音雲」平台。目前，科大訊飛已佔有中文語音技術市場70%以上市場份額，開發夥伴超過5000家，以訊飛為核心的中文語音產業鏈已初具規模。

視覺識別是人工智慧的一個重要研究領域，沒有視覺識別能力的機器人無法真正與外界交互。2015年，在微軟等大公司的推動下，計算機視覺已經逼近全面突破的拐點。

ImageNet是全球頂級的計算機視覺挑戰賽，挑戰賽項目之一是對1000 類、120萬張互聯網圖片進行分類，每張圖片人工標註5個相關類別，計算機識別的結果只要有一個和人工標註類別相同就算對。對於該圖片集，人眼辨識錯誤率大概為5.1%，目前只有谷歌和微軟等個別參賽團隊的演算法能夠達到低於5%的結果。

2015年12月10日，微軟亞洲研究院視覺計算組在ImageNet計算機識別挑戰賽中再次打破紀錄，獲得圖像分類、圖像定位以及圖像檢測全部三個主要項目的冠軍，將系統錯誤率降低至3.57%。在計算機視覺識別領域，卷積神經網路（即為有監督的深度學習）是主要的演算法。微軟亞洲研究院視覺計算組首席研究員孫劍介紹說，他所帶領的研究團隊使用了高達152層的深層卷積神經網路演算法，比以往任何成功的演算法層數多達5倍以上。

而在另一方面，微軟亞洲研究院硬體計算組與清華大學電子工程系一直在硬體加速領域合作了，從2013年開始雙方一起研究怎樣把深層卷積神經網路與智能硬體結合起來，其成果就是基於FPGA（可編程晶元）技術的A-Eye視覺晶元。微軟的研究表明，高端GPU的圖像處理能力是FPGA的2到3倍，但FPGA的功耗約是高端GPU的1/10，多個FPGA結合能以低功耗達到GPU的處理能力。

據微軟亞洲研究院硬體計算組主管研究員徐寧儀介紹，A-Eye視覺晶元包括了一個基於軟體的壓縮演算法和基於FPGA晶元的硬體實現，其本質上是通過軟體壓縮和定製的硬體加速，讓計算機視覺識別演算法適用於普通的智能終端。基於A-Eye技術的高性能智能視覺晶元，可以廣泛用於智能安防、嬰兒和老人看護、無人汽車和無人機等各種需要計算機視覺的領域。

目前卷積神經網路的圖像識別能力有賴於輸入的原始數據集，例如用花卉圖像集訓練出來的演算法就只能識別花卉。基於Bing搜索引擎的大數據，接下來微軟正在探索通用型視覺識別演算法和工程化實現。一旦工程化實現了通用型視覺識別技術，智能機器張眼看世界的那一天就不遠了。

整個人工智慧研究的起源，在於一個基本的假設，即能夠用機械的方式模仿人類的思維。人工智慧前60年，就在這個方向上不斷地探索。但是，能否用機械的方式模仿人類的感情呢？

情感的表達遠非「0」或「1」那麼簡單，就像人類的愛情絕非對與錯那樣絕對。如何讓機器理解人類的情感，又如何把情感與知識進一步結合，發展出全新的計算架構？情感計算前進之路更加艱難，直到微軟「小冰」的出現。

微軟小冰有可能成為有史以來首個情感演算法機器人

最開始作為一個聊天機器人，微軟小冰由微軟亞洲互聯網工程院開發，2014年5月29日，一代小冰開始了微信公測，在3天內贏得了超過150萬個微信群、逾千萬用戶的喜歡。2015年8月20日，第三代微軟小冰正式發布。2015年11月小冰發布了計算視覺功能，從此，小冰還能根據圖片和視頻與用戶聊天。

然而，微軟小冰的意義絕不僅僅是聊天機器人。微軟全球執行副總裁沈向洋說，希望小冰成為一個慢慢融入人類社會的機器人、每一個用戶的個人助手，而且是一個真正通過情感計算，理解用戶、能夠交流、能夠溝通的人工智慧機器人。在更深層上，微軟小冰正在成為整個微軟的人工智慧基礎設施，小冰的研究成果正擴散到微軟產品與服務的方方面面。

初步統計，僅在微軟亞洲研究院就有將近15個研究團隊與負責小冰的演算法研究，而包括以色列、紐約、休斯頓總部的微軟研究院也正為小冰提供技術支持，涉及包括大數據、自然語言互動、計算機視覺、SR（語音識別）、TTS（文字到語音轉換）、IoT等十幾個領域。

想像一下，未來的家庭里將出現智能手錶、智能音箱、智能電視機、智能冰箱、智能燃氣表、智能玩具等多種智能設備，人們無法再通過一個個APP與這些智能設備溝通，就必須出現一個超級APP來管控所有的智能設備，微軟小冰就有望成為這樣的超級人機交互界面。

2016年3月24日，在ARM公司與重慶市的戰略合作簽約儀式上，重慶市長黃奇帆在致辭中表示「一切人工智慧的源頭，集中在晶元上」。

黃奇帆市長可能沒有意識到，這個論斷也是未來60年人工智慧發展的重要主題之一。在人工智慧前60年的發展中，馮·諾依曼架構的瓶頸已經成為共識，在接下來的60年里，如何打破馮·諾依曼架構的瓶頸，已經成為各大公司和各國政府戰略級的研究項目。

IBM TrueNorth神經元晶元

2014年8月，IBM研究院在《科學》雜誌上介紹了一款名為「TrueNorth」神經元晶元，它從底層模仿了人腦結構而且用普通半導體材料就能製造出來。TrueNorth表面上看起來和普通處理器沒有太大區別，它的核心區域內擠滿了4096個處理核心，用來模擬超過百萬個人腦神經元和2.56億個神經突觸。

2008年初，IBM TrueNorth研究項目獲得了美國五角大樓高級計劃研究局（DARPA）的5300萬美元資助，DARPA認為這項研究有助於突破馮·諾伊曼計算機體系。TrueNorth由三星代工生產，具備量產的基礎。基於TrueNorth晶元，IBM已經研發出了神經元計算機原型機，能夠以低功耗實現更高準確率的圖像識別、視頻處理等人工智慧關鍵性功能。

2015年4月，IBM研究院Mark Ritter在他的一篇博客中，介紹了IBM在量子計算機方面的研究突破。IBM的T.J.沃森研究實驗室的一組科學家和工程師，正處於開發首台真正量子計算機的前沿。2015年4月，這個團隊在科學雜誌《Nature Communications》（《自然通訊》）上發布了一篇重要的論文，介紹了在實現可行性量子計算機中的兩個關鍵性進展。

1981年在MIT召開的首屆量子計算會議上，諾貝爾獎獲得者Feynman挑戰科學家們研究量子計算機。與現代計算科學的方式方法截然不同，在量子計算前提下，整個計算基礎設施必須被重新想像與重構。除了IBM外，谷歌與微軟也集合了科學家與高校的力量投入量子計算的研究。Mark Ritter認為，IBM有望首先實現量子計算機，而當前正在進入量子計算研究的黃金時代。

除了遠期的神經元晶元和量子計算機外，NVIDIA、Intel、ARM等公司通過改進現有的晶元設計，把人工智慧推進到底層晶元中。NVIDIA的GPU被用於數據中心的大規模分散式機器學習環境，區別於傳統CPU的Intel Xeon Phi更強調與CPU協同工作的GPU技術，而在移動互聯網時代遙遙領先的ARM則在智能汽車、可穿戴設備、智能家電、物聯網、工業裝置等領域圍繞未來人工智慧場景來思考一代又一代的晶元設計。

ARM全球CEO Simon Segars在接受採訪時表示，必須以更具成本效益的方式實現人工智慧應用，只有當AI的成本和價格是普通人都能夠承擔時，AI才是真正達到了人們期望的目標。2016年3月，ARM宣布與台積電合作展開7nm晶元的研究，能以更高性價比廣泛應用於智能終端和數據中心，預計在2017~2019年量產。目前，其它晶元公司還停留在10nm晶元的競爭。此外，ARM還加入了由Facebook發起的開源硬體項目OCP，該項目邀請開源硬體社區共同設計下一代數據中心的硬體設備，ARM就在與Paypal聯合開發低功耗的定製化晶元。

隨著AlphaGo在全社會引起了巨大的反響，新一輪人工智慧創業潮正在醞釀中。2016年3月26日，科大汛飛與專註天使輪投資的阿爾法公社宣布了AI領域聯合天使投資計劃，未來將在AI領域展開批量投資。科大訊飛高級副總裁江濤表示，在未來社會裡AI將成為水和電一樣的基礎性資源，創業者們將把AI擴散到社會的方方面面。

阿爾法公社與科大訊飛聯合宣布批量支持AI創業

為什麼說AI將成為基礎性社會資源？原因很簡單，今天的互聯網已經成為了基礎性的社會資源。而在萬物互聯網時代，物聯網的規模遠遠大於今天的互聯網。除了接入現有的互聯網設備外，未來的物聯網還將接入大量機器對機器（M2M）網路。在一個更為複雜和龐大的物聯網前提下，人工智慧就必須成為整個物聯網的關鍵組成部分，進而成為基礎性資源。

如果說過去的人工智慧創業必須要在基礎科研層面有所突破，如今這個壁壘已經被打破。谷歌、微軟、Facebook等大公司以及卡耐基·梅隆大學、NYU等高校紛紛開源核心的機器學習演算法，谷歌的TensorFlow、微軟的DMTK、Facebook的Torch、卡耐基·梅隆大學的Petuum、加州伯克利分校的Caffe等，都提供了成熟的人工智慧和深度學習演算法模塊。而IBM Watson認知計算雲服務，本身就是以低價格向全社會大規模輸出人工智慧的能力。

值得注意的是，大公司開源出來的機器學習演算法並不是簡單的宣傳「噱頭」，而是貨真價實的「乾貨」。微軟開源版DMTK包含了目前世界上最大規模的主題模型和分散式詞向量模型，DMTK還是分散式機器學習工具，讓創業者很簡單就在多機環境甚至是集群系統中部署大規模機器學習演算法，大幅降低了機器學習創業的門檻。為什麼這麼多大公司都紛紛開源自己的核心機器學習演算法呢？原因很簡單：爭奪下一個生態。

當然，也有人擔心大公司將壟斷未來的人工智慧社會。2015年12月12日，特斯拉CEO Elon Musk在Twitter上宣布正式啟動非盈利人工智慧項目OpenAI。OpenAI是一個非營利性的人工智慧研究公司，目標是「推動數字智能的發展，同時不被財務回報所限制，從而造福整個人類」。OpenAI籌措了10億美元作為經費，從谷歌等公司挖來了人工智慧專家，專門研究人工智慧技術並答應無償公開。顯然，OpenAI是人工智慧創業的又一劑強心針。

另一方面，人工智慧創業迎來黃金期，還有另一個時代背景。微軟亞洲研究院人工智慧研究組首席研究員、卡耐基·梅隆大學博士生導師劉鐵岩告訴記者，近年來全球機器學習領域的三大趨勢包括更大規模的機器學習、更深度的機器學習以及更強交互性的機器學習，這些都是基於大數據與雲計算的興起。正是因為廉價的雲計算和大數據技術，人工智慧才有可能擴散到社會的每一個角落。

點此閱讀：人工智慧60年：一文了解AI的過去、現在與未來(上)

來源：鈦媒體

推薦閱讀：