ai人工智能计算在线？人工智能算力

小白应该了解点儿人工智能

一、基本概念

计算机可以称为硬件和软件组合而来的工具。

1.硬件的构成可以类比三明治。最底层是0和1的二进制，第二层是由机器语言，我们称之为汇编语言构成，第三层称之为操作系统，如Linux等。

2.软件就是利用硬件算法与人类交互的应用程序，比如Word文字处理软件，包括网页页面等。

3.算法则是计算过程，是计算机执行任务需要遵循的一系列步骤或过程，用来越来越多地替代我们做决策。算法也可能是利用有效数据做出决策的计算过程。

4.模型就是这样一种黑盒子——你只需要扔数据进去，它就能吐出答案。在机器学习中，算法与变量相结合才可以创建数学模型。

5.人工智能分为广义和狭义。广义就是您在科幻世界想象出来的，有自主意识的人工智能可以替代人类所有的工作？但目前，人工智能仅仅能够做到的是辅助人类决策，即狭义人工智能。简单讲，狭义人工智能其实就是利用数学进行预测的工具，一种用于预测的数学方法。通过分析一个已知的数据集，在数据集中识别数据模式和事件概率，并把这些数据模式和事件概率编写成计算模型。

二、理解人工智能的应用场景

当前的时代还是属于狭义人工智能时代。也就是说，人工智能只能部分替代某些技术和重复性劳动，实现到协助人的目的。比如，⾃动驾驶属于⼈⼯智能，但是自动驾驶的灵活性其实是不够的，还做不到5级。扫地机器⼈也还做不到边边⻆⻆都扫到。不过。虽然它不够灵活，如果你能够反过来去适应它，不是⾮得让它能完整接管⼈的事，⽽是把⼈的事做拆解，有哪些事它能接管，有哪些事不能接管，你把它能接管的交给它，依然能省你很多事。

归纳起来就是把任务做拆解，连⻢斯克的核⼼都是任务拆解。这⾥最典型的是什么？就是芯⽚的异构计算。原来芯⽚计算，我不管你什么东⻄的，反正都要能计算就好，所有事情都是可计算的，所有事情堆到⼀起，只要有强⼤的算⼒，把所有事情都计算完了就好了。就是这种时候，你更关⼼的就是计算能⼒提升，所以强调叫摩尔定律。第⼀有技术还在突破。第⼆个现在不强调摩尔定律了。为什么不强调？突然发现原来其实⼀个很简单的提升效率办法，就是把想⼲的活分分类，⼀类是很繁重，但是不复杂的活，这事是要重复做n多遍，但是这事本身不复杂。另⼀类是很复杂，但是不繁重的事，就是我涉及到很复杂的操作，要有好多步骤，但是这件事本身很轻松，就是⼀次性做完就没了。把这两件事分开，发现原来我们⼲的⼯作⼤多数都是繁重⽽不复杂，只有极少数是复杂⽽不繁重的，你把这极少数复杂⽽不繁重的交给相对计算能⼒特别强，就是善于处理复杂事情的CPU去改，剩下这些繁重⽽不复杂，专⻔设计⼀个就擅⻓处理这样业务的GPU去处理，它就单处理这件事，不断的训练，经过优化，处理效率就⽐⼀个通⽤计算设备去处理它的效率要⾼很多，这样CPU和GPU一结合，整体效率就提升了。

现在的办公室也是⼀样的，你也要去衡量办公室都有哪些⼯作。⼤多数⼯作其实也是所谓繁重⽽不复杂的，以前⽤⼈来⼲，现在这部分你就⽤机器来⼲，甚⾄让⼈⼲的繁重不复杂的⼯作⾥，这个其实也不能让机器完全替代，你再把它做分类，其中也有80%是机器可以替代，20%机器不能替代。那就很简单了，把这个20%机器不能替代的事还叫⼈⼲，80%⽤机器来⼲，你给⼀个⼈配2台机器，他就能⼲5个⼈的事，甚⾄说能⼲更多⼈的事。这种时候你整体的效率就提升了，你给这个⼈配两台机器叫什么？叫机器⼈流程⾃动化。就把很多原来⼈⼲的事，贴个发票，填个表格，录⼊信息这样的事⽤机器⼈来⼲，⼈最后校验⼀下，因为你录⼊信息，⼈也需要校验的，有些或者碰到悬⽽未决的事情，需要⼈来决策⼀下，到底是东还是⻄，⼈最后来做决策，这样的整体效率就提升了。

所以⼈⼯智能还没有做到万能，但是也已经⾜够好到可以帮我们解决很多问题，进⼊到业务⾥。当然，千万不要等，不要等到⼈⼯智能完美了，能够完全替代⼈了，我再⽤它。完全替代⼈，你都被替代了，你就没机会⽤它。⼀定要找到⼈机的最佳结合点，

三、人工智能的业务趋势

什么样的人工智能业务是好业务，是有发展前途的，什么样的人工智能是忽悠人的？我们要判断清楚。比在生产规模化时代，我更在乎的是效率。举个例子，以前我们家做饭要什么？要⽣炉⼦。后来我们有了煤⽓灶，实际上有很多最早从农村进城市，他不会使⽤，不会打⽕，不敢打⽕，那就⽤不了。所以它要掌握⼀新技能，⽽这新技能和⽼技能相⽐是两个完全不同的⽅法，⽅法虽然不同但⽬的都是做饭，只不过效率是新技能更⾼，但是它也不意味着新技能会把时间彻底省掉，所以包括冰箱，包括洗⾐机都是这样的原理。我并不代表洗⾐机不需要⼈操作，叠⾐服还要你来叠。但是⾄少我省时间了，从整体上来讲省时间，所以上⼀个时代⽣产规模化是⽤⼀个产品、⼀个产业⽅案替代另⼀个⽅案，然后核⼼是省时间。

1.市场要有。从宏观环境上来判断，我们是已经慢慢的进⼊了产品⽣产规模化的晚期，进⼊了开启服务，也就是经验规模化的⼤量运⽤的时期，需要把⼈的⼀些相对复杂，但是可重复的经验能够复制出来，由人工智能来做，这个市场是巨⼤的。也就是说，经验规模化的时期，好业务尤其要和⼈⼯智能结合，就是要把这些规模化做到可操作的经验。也就是说，你要做业务，在这个时代做的好，就要利用人工智能固化⼀个⾼端的服务。都是固化服务，⾼端低端就差很远，都是固化在医⽣的诊断⽔平，那是协和的医⽣还是普通的医⽣。都是固化的⼀个机器⼿煎⽜排，那是三星级厨师还是普通厨师就差很远。所以服务有这样的⼀个特性，你固化的是不是⾼端服务，然后能不能做到普遍性，如果能，就可以做拓展形成巨大的市场。所以，人工智能进入领域应该追求高端服务规模化复制。

2.定位要准。也就是规模化的好坏怎么评价，是不是完整规模化呢？完整规模化要有两个标准，⼀个就是叫职业替代，⼀个叫职业增强。你或者是职业替代，我完整的不需要某个⼈了。另⼀个叫职业增强，我还需要⼈，但是⼀个⼈能⼲三个⼈的活了，这个就是⼀个好故事。如果不是，虽然能够⼲⼈的⼀半的活，但是另⼀半的活还需要⼈来帮我⼲，那就不是好的标准。所以在经验规模化基础上，还要进⼀步去看你的业务设计，是要做到所谓职业替代和职业增强才是好的业务设计。比如，你是替代⼀个护⼠还是替代不了，所以未来如果是职业增强，可能⼀个护⼠原来只能照顾⼀个⽼⼈，现在⼀个护⼠加上⼀个楼⾥的监控设备，我能照顾1 0个⽼⼈，那倒有可能，所以关键是你要定义清晰，我们讲的职业替代不可能，职业加增强才可能。

3.行业要聚焦垂直。①流程自动化，RPA。⼤多数⼈企业管理此如⻨肯锡、埃森哲、波⼠顿咨询集团都是我教你怎么做，我教你怎么做管理，怎么做运营。 IBM consulting把怎么做管理的技能固化到IT系统⾥，我把IT系统给你公司装上去，实际上我不需要培训，你⾃然就掌握了管理技能了，因为违背管理规则的事在IT系统⾥不被许可，我把它固化进去了。所以像流程⾃动化和 IBM consulting很像，其实它是把⼀些思想原则，把⼀些技能固化到⼀个系统⾥，然后交付给你，但是既然是要交付，就是IBM consulting，它也没法超越，这是consulting的路数，所以它就还是这样⼀个问题，就是你还是要⼀单⼀单找⼤客户，然后就变成⼈⼒密集型。②AI医疗。 Ai医疗因为2020年发了10个证，这个正在形成这样⼀个板块，这些公司就会成为⻛⼝，成为头⽺，同时就会有⼀些蹭热度的公司加⼊进来，像百度也来做⼀些 AI医疗的尝试，甚⾄像现在的线上问诊，线上问诊的医⽣理论上讲和A I还⽐较远，但是它依然可以借着AI医疗，声称我在线上也实现了AI医疗，我的问诊⾥⾯也有语⾳的分析，语义的分析，我可以蹭热度，就有头⽺有能蹭热度的。然后有市场开拓的相对容易⼀些的，像Airdoc就能够铺的很⼴的，也有⼀些如果能找到了办法，和⼤医院捆绑，然后让⼩医院，让边远医院也能得到实惠的企业，有机会能够做起来，就有收⼊利润。所以有收⼊利润，有头⽺，有跟随者的这样⼀个领域。③智能应答或者叫智能客服。⼀⽅⾯有很多技术会越来越先进起来，甚⾄有很多机器能够分析⼈类情绪，我听你说话能分析出来你有没有抑郁症，甚⾄有没有⼀些其它的疾病，慢慢的能从语⾳⾥⾯分析出来。另⼀个，辅助的东⻄是⼀个出彩的东⻄，但实际上对本质东⻄就是语⾳语义的理解能⼒，其实把翻译⽔平⽤在这了。当我什么都接就没办法适应了，那就是强⼈⼯智能弱于⼈，就是什么都能⼲的事上，⼈更好；⽽弱⼈⼯智能强于⼈，就是指定范畴的地⽅，这个⼈⼯智能就⽐⼈⼲的好。所以如果是智能应答，它往往是指定范畴，⽐如我是银⾏的智能应答，我肯定不会问游乐园的情况，我就很容易去识别，很容易去互动。所以⾏业的智能互动，智能客服会越来越成熟，你会看到越来越多的电话，甚⾄以后90%的⾏业相关的客服电话都不是⼈来接的，都是机器⼈接的，但是你会觉得不能分辨出来到底是机器⼈还是⼈，除⾮你有敏感度，要不然⼀般来说你是分辨不出来的，这个是会热起来的，再加上这种坐席本身也有转型的需求。比如，淘宝的商家是不是有智能客服，你们这个很容易去监控，淘宝上⼩商家都已经有客服了，你⼀听这客服基本上是语⾳，就意味着市场是⼀定会起⻜的了。如果淘宝⼩商家都⽤不起，因为现在是⼈⼯做起，淘宝⼩商家肯定⽤不起，这个市场就还不⾏，所以这是⼀个很典型的科技的市场，就是科技使得客服的应答的成本显著降低，甚⾄降到以前的1%，因为以前你要养⼈，现在我养的是机器，但是我的市场可能扩⼤100倍，所以就等于机器会把原有客户的市场给接⾛，这是个方向。

关键点：“挑战不仅在于感知环境，而且在于了解环境。

人工智能会使哪些行业受益

作为一家开发微处理器和相关软件的公司，Nvidia业绩连创新高。上个季度，这家公司收入增长55％达到22亿美元。

2016年是人工智能爆发的一年，借着这股东风，在过去12个月里，Nvidia公司股价几乎翻了两番，令人惊叹。

Nvidia的成功很大一部分要归因于他们的芯片产品：图形处理单元（GPU）。GPU也可以理解为显卡，可以让电脑在玩游戏时表现的更出色。然而现在GPU有了一个新的用武之地：为人工智能（AI）程序提供所需的大量计算能力，特别是在数据中心里。

这些芯片销量非飞涨（如图所示），是信息技术长期转型的最明显标志。由于摩尔定律的减慢（目前芯片的计算能力大约每两年翻一番），以及云计算和AI的快速崛起，处理器市场正在重构。这对半导体产业及其霸主英特尔，产生了深远的影响。

过去的日子对英特尔来说，简直顺风顺水。无论个人电脑市场还是服务器领域，英特尔生产的中央处理器（CPU），可以胜任几乎所有的“工作负载”。因为制造了强大的CPU，英特尔掌控了个人电脑市场80％的份额，以及几乎完全垄断服务器市场。

过去一年，英特尔的收入接近600亿美元。

尽管如此，CPU的更新换代速度，已经无法满足需求。机器学习和其他AI应用，需要大量的数据，对数据处理能力的需求比几年前整个数据中心的消耗还多。所以英特尔的客户，例如Google和微软以及其他大数据中心运营商，正在选择来自其他厂商越来越专业的处理器，甚至开始自己设计处理器。

Nvidia的GPU就是一例。这个产品最初被设计用来执行交互式视频游戏所需的大规模复杂计算，也就是给大型游戏加速。GPU有数百个专门用于计算数据的“核心”，所有的核心都是并行工作。而CPU只有几个核心，顺序地处理计算任务。

Nvidia最新的处理器有3584个核心，而因特尔服务器CPU最多有28个。

Nvidia开发了一种称为CUDA的编程架构，帮助客户为不同的任务对处理器进行编程。CUDA能够让GPU解决复杂的计算问题。所以当几年前云计算、大数据和AI开始崛起之后，能够满足需求的Nvidia芯片简直堪称生逢其时。

每一个互联网巨头都在使用Nvidia出品的GPU，驱动他们各自的AI服务在大量数据中进行挖掘，无论是医学图像或是人类语音等等。Nvidia来自数据中心运营商的销售收入，在过去一年增长了三倍，达到296亿美元。

然而在众多的专用处理器中，GPU只是其中的一种。随着云计算公司为了保持领先优势，不断提高运营效率而混合和匹配芯片，处理器的范围正在扩大。

目前看来，Nvidia的技术成长空间还有很多。

因为Nvidia正在转型成为平台公司而不是硬件公司，GPU会是它的核心但是不是全部，它要做的是围绕GPU的一个平台、一个生态。与GPU配套的各种设施，例如开发平台、开发者社区和包络编程语言在内的开发工具也非常重要。举例来说，在笔记本PC市场，其实ARM的处理器性能完全可以和Intel相抗衡，但是为什么基本没有笔记本电脑用ARM的处理器？就是因为ARM在笔记本PC上没有任何生态。一旦平台和生态做起来，即使它的技术发展不像原来那么生猛，我相信Nvidia的商业价值仍然可以得到保证。

Nvidia可能会面临的最大风险在于，它现在的股价完全由人工智能来支撑，但人工智能的应用会不会像投资者想象中发展的那么快是存疑的。其实非常明显现在人工智能的应用有很大的泡沫，大家预期它在一两年之内会起来。但是如果它在一两年之内没有起来或者说某些应用没有能真的落地，那时候投资者可能会有些反冲。现在是一个overshoot，发现没有达到预期之后就会有一个undershoot，几次震荡之后慢慢回到理性估值。

英特尔近年来专注于制造更强大的CPU，而不是生产ASIC或FPGA。

人们普遍认为，传统的处理器不会很快失去地位：每一台服务器都需要它们，无数应用运行在它们之上。英特尔的芯片销售还在增长，不过Gartner的IT咨询师Alan Priestley认为，加速芯片的高速增长对这家公司来说是个坏消息，在这些芯片上完成的计算越多，在CPU上运行的就越少。

英特尔的一个对策，是借助收购来追赶。2015年，英特尔以167亿美元的价格收购了FPGA生产商Altera；8月，又花了4亿美元收购了Nervana，这是一家成立仅3年的创业公司，开发从软件到芯片的专用AI系统。

英特尔说，他们把专用处理器视为机会而非威胁。英特尔数据中心业务主管Diane Bryant说，新的计算工作往往是先在专用处理器上进行，随后被“拉进CPU”，比如说加密，这项计算也曾用单独的半导体组件来处理，但现在只是英特尔CPU上的一个简单指令。英特尔CPU几乎占领了全球所有处理器市场，对于企业来说，在加速芯片上运行AI等新型计算工作意味着额外开销和更高的复杂性。

英特尔已经在为这样的融合而进行投资。今年夏天，它将开始销售代号“Knights Mill”的新处理器，来与Nvidia竞争。同时，英特尔也在开发另一款芯片，名叫“Knights Crest”，这款芯片融合了Nervana的技术。从某种意义上讲，英特尔也希望能将Altera的FPGA融合到自己的CPU之中。

可以预见的是，竞争者们对未来有着不同见解。

Nvidia认为，他们已经有了自己的计算平台，很多公司用他们的芯片来开发、运行AI应用，他们也为其他类型的程序创造了软件基础设施，用于可视化和VR等领域。

计算巨头IBM也在试着抢英特尔的生意。2013年，IBM开源了自己的处理器架构Power，把它变成了半导体行业某种意义上的公共资产。专用芯片的制造商更容易将自己的硬件同强大的CPU结合在一起，而IBM掌握着平台发展方式的话语权。

这很大程度上依赖着AI如何发展，如果AI没能在几年内带来很多人所期待向往的变革，英特尔的机会还不错；但是，如果AI能在接下来的十几年中继续影响各行各业，其他处理器就有着更大的胜算。IDC市场分析师Matthew Eastwood这样表示。（综合整理）

关于人工智能的问题

应用人工智能系统只是AGI的有限版本。

尽管许多人认为，人工智能的技术水平仍然远远落后于人类的智力。人工智能，即AGI，一直是所有人工智能科学家的研发动力，从图灵到今天。在某种程度上类似于炼金术，对AGI复制和超越人类智能的永恒追求已经导致了许多技术的应用和科学突破。AGI帮助我们理解了人类和自然智慧的各个方面，因此，我们建立了有效的算法，这些算法受到我们的追求更加高效计算能力和学习模型的启发。

然而，当涉及到人工智能的实际应用时，人工智能实践者并不一定局限于人类决策、学习和解决问题的纯模型。相反，为了解决问题和实现可接受的性能，AI实践者通常会做构建实际系统所需的事情。例如，深度学习系统的算法突破的核心是一种叫做反向传播的技术。然而，这种技术并不是大脑建立世界模型的方式。这就引出了下一个误解：一刀切的人工智能解决方案。

一个常见的误解是，人工智能可以用来解决所有的问题，也就是说，人工智能的发展已经达到了一个水平，小规模的“人工智能”可以让我们解决不同的问题。我甚至听过有人认为，从一个问题到另一个问题会使人工智能系统变得更聪明，就好像同一个人工智能系统同时解决了两个问题一样。现实情况则大不相同：人工智能系统需要进行工程设计，这需要巨量的计算和编程，并且需要经过专门培训的模型才能应用于一个问题。虽然类似的任务，特别是涉及感知世界的任务(例如，语音识别、图像或视频处理)，现在有了一个可用参考模型库，但这些模型需要专门设计以满足部署要求，而且可能无法开箱即用。此外，人工智能系统很少是人工智能解决方案的唯一组成部分.它通常需要许多定制的古典编程组件，以加强一个或多个人工智能技术在一个系统中使用。是的，有许多不同的人工智能技术，单独使用或与其他解决方案混合使用，因此：人工智能和深度学习是一样的

我们认为人工神经网络(ANS)这个词真的很酷。直到，但是，它缺乏规模化的应用。现在这些问题大部分已经解决了，我们已经通过将人工神经网络重新命名为“深度学习”。深度学习或深度网络是一个规模很大的网络，“深度”指的不是深度思考，而是指我们现在可以负担得起的隐藏层的数量(以前最多只有几层，现在可以是几百层)。深度学习用于从标记数据集生成模型。深度学习方法中的“学习”指的是模型的生成，而不是当新的数据可用时，模型能够实时地学习。深度学习模型的“学习”阶段实际上发生在离线状态下，需要多次迭代，时间和过程都很紧张，而且很难并行化。

近年来，深度学习模型在线学习应用中得到了广泛的应用。这种系统中的在线学习是通过不同的人工智能技术来实现的，比如强化学习，或在线神经进化。这类系统的一个局限性是，只有在离线学习期间才能最大限度地实践到应用领域，才能实现深度学习模式的贡献。一旦生成模型，它将保持静态，这方面的一个很好的例子是电子商务应用程序-电子商务网站上的季节性变化或短期销售将需要一个深入的学习模式才能离线，并对销售项目或新库存进行再培训。然而，现在有了这样的平台利用进化算法对网站进行优化，不再需要大量的历史数据，而是利用神经进化，根据网站当前的环境，实时地对网站进行调整。

大型的、不平衡的数据集可能具有欺骗性，特别是当它们只部分捕获与该领域最相关的数据时。此外，在许多领域，历史数据可能很快变得无关紧要。例如，在纽约证券交易所的高频交易中，最近的数据比2001年以前的数据具有更大的相关性和价值，而2001年以前的数据还没有被采纳。

最后，我经常遇到一个普遍的误解：

如果一个系统解决了我们认为需要智能的问题，那就意味着它正在使用人工智能。

这是一个有点哲学的性质，它确实取决于你对智力的定义。事实上，图灵的定义并不能反驳这一点。然而，就主流人工智能而言，一个完全设计的系统，比如不使用任何人工智能技术的自动驾驶汽车，并不被认为是人工智能系统。如果系统的行为不是引擎盖下使用的人工智能技术的紧急行为的结果，那么如果程序员从头到尾以确定性和工程化的方式编写代码，那么系统就不被认为是基于人工智能的系统，即使它看起来好像是人工智能。

AI为更美好的未来铺平了道路。尽管人们对人工智能有着普遍的误解，但正确的假设是，人工智能将继续存在，而且确实是通向未来的窗口。AI还有很长的路要走，它在将来会被用来解决所有的问题，并被工业化广泛的使用。人工智能的下一个重大步骤是使其具有创造性和适应性，同时，强大到足以超过人类建立模型的能力。