▌AI步入下半場
IT每十年一階段形成六大階段
每一輪科技革命都會帶來新的贏家
基礎設施—通用平臺—應用層的發展路徑
每一輪科技革命均印證基礎設施先行的發展路徑
基礎設施與通用平臺易形成寡頭壟斷
應用層的發展愈來愈依託於生態
雲計算廠商的資本開支規律
基礎設施的高投入帶來雲收入的高增長，反之未必成立
17-18年為此輪基礎設施投入的高峰
2020年，隨著5G的大規模應用有望帶來又一次的AIIaaS的軍備競賽
AI基礎設施處於爆發前夜
AMD7nmGPU面世加速AIaaS普及。AMD7nmGPU打破NVIDIA壟斷，動輒上萬的AIGPU有望降價。
傳統服務器無法滿足日益增長的AI算力需要。
互聯網巨頭開始爭奪下一代通用平臺
雲、邊、端統一管理平臺成為新一代企業上雲關鍵。華為AI全棧解決方案，分層API和預集成方案，以期實現任何場景性價比的最優化。
微軟Kubernetes開源架構，將雲邊端操作系統打通。阿里云云邊端一體化計算平臺，設備端:提供物聯網操作系統AliOSThings;邊緣端:IoT邊緣計算產品LinkEdge。
行業Know-How成為AI場景核心壁壘
各細分行業積累要求不同，行業屬性強。金融、醫療、政務等均有各自獨特行業屬性，龍頭普遍積累時間長護城河深。
BAT加速入股佈局B端。今年以來，BAT加速入股搶佔AI場景入口。
▌三大因素助力AI算力爆發
傳統服務器難以滿足AI算力需求
摩爾定律失效，CPU性能提升遭遇瓶頸。Intel宣佈正式停用“Tick-Tock”處理器研發模式，未來研發週期將從兩年週期向三年期轉變。單顆CPU性能的提升在放緩。
傳統服務器難以滿足並行算法需求。服務器CPU出貨量增長停滯。
AI芯片步入成長期
7nm製程的突破有望帶來AIGPU大規模商用
AMD7nmAIGPU面世，功耗比再次提升。
同等功耗下，新核心性能提升超過25%，同等頻率下，功耗降低50%。
擁有世界最快的FP64/FP32PCI-E浮點性能，可進行機器學習訓練和推理、硬件虛擬化和端到端的ECC糾錯保護。
FPGA雲端加速佈局
FPGA的優勢主要體現在擁有更高的每瓦性能、非規整數據計算更高的性能、更高的硬件加速性能、更低的設備互聯延遲。
微軟基於FPGA的ProjectBrainwave雲端單個圖像只需要在1.8毫秒內就能處理，超過了現存的所有云服務。
阿里FPGA雲服務器平臺FaaS主要面向人工智能、半導體設計、基因計算、視頻圖像處理、數據分析決策等場景。
ASIC芯片:華為與寒武紀成為主導
華為AI全棧解決方案進軍AI芯片。
2018年10月，華為正式發佈兩顆AI芯片，分別為華為昇騰910和昇騰310。
兩款芯片都採用達芬奇架構，其中華為昇騰910的單芯片計算密度最大，比目前最強的NVIDIAV100的125T還要高上一倍，預計在明年第二季度正式推出;而昇騰310則是昇騰的mini系列，主打終端低功耗AI場景，具有極致高效計算低功耗AISoC，目前已經量產。
據介紹，2019年昇騰還有3個系列，將用於智能手機、智能穿戴、智能手錶等。”
寒武紀IP授權+芯片出售，與華為錯位競爭。Dainnaoyu為全球首個深度學習指令集。
開源AI軟件帶動AIaaS需求
越來越多的企業選擇AI開源平臺及軟件。TensorFlow、Caffe、CNTK等AI開源平臺及諸如Google、Facebook、Microsoft和BAT等採用越來越多的AI算法。
到2022年，一半以上的AI服務器收入有望來自於AI開源軟件。根據IDC的統計，AI服務器中來自於AI開源軟件的比例將由2017年的38.6%上升到53.8%。
定製化:互聯網巨頭AI服務器個性化定製需求增強
浪潮信息:面向不同下游客戶與行業提供定製化AI服務器解決方案
•通過與下游客戶合作為客戶提供定製化AI服務器解決方案，2017年9月，浪潮與百度聯合發佈ABC一體機;2018年4月與科大訊飛聯合發佈“AIBooster”方案，提供面向語音識別、智能翻譯的訓練方案。
•面向多行業提供定製化AI解決方案，目前包括智能視頻分析IVA、醫療影像、電力設備巡檢、金融匯率預測、語音識別等多行業人工智能解決方案。
下一代算力:量子計算
國內外科技企業均已進軍量子計算領域，國內阿里起步較早，百度與騰訊尚處於前期階段。
谷歌2018年3月推出了擁有世界第一72量子比特的量子芯片Bristlecone;
阿里於2018年5月研製出世界最強的量子電路模擬器“太章”並模擬了81比特的隨機量子電路，預計兩至三年內推出量子芯片;
華為於2018年10月發佈了量子計算模擬器HiQ雲服務平臺，包含量子計算模擬雲服務和量子編程框架，模擬了全振幅42量子比特，單振幅81量子比特的量子計算。
AI與雲產生交集，AIaaS刺激更多產業機會
容器是一種新興的輕量架構方案，能夠高效利用系統資源(相同的硬件可以創建的容器數量是虛擬機的4-6倍)。
虛擬機管理程序對整個設備進行抽象處理，通常對系統要求很高，而容器只是對操作系統內核進行抽象處理，使用共享的操作系統，高效、成本低、可快速按需擴容、簡化部署管理。
容器非常有潛力替換虛擬機成為雲計算的基礎架構，併成為主流的軟件應用承載模式。
AI算法日趨成熟
語音識別、虛擬現實與機器視覺已從導入期進入成長期。
算力的發展為算法實現創造條件
深度學習的大規模實現需要算法的支持。
互聯網與移動網同樣帶來大量的訓練數據。
語音識別與計算機視覺開始商用
標準化的數據集豐富。語音與圖像數據較易標籤化。15年圖像識別準確率變已超過人類。
CNN、RNN等神經網絡基礎算法成熟。根據Imagenet等測試結果，語音識別與機器識別準確率均已在90%以上。
語義識別獲突破性進展
自然語言處理(NLP)為語義識別的主要基礎算法。
簡單來說，就是用計算機來處理、理解以及運用人類語言(如中文、英文等)，屬於人工智能的一個分支，又常被稱為計算語言學。
深度學習與NLP的結合加速語義識別突破。
語義識別需要完成5個階段:分類、匹配、翻譯、結構化預測、序貫決策過程。目前深度學習有助於解決前四個任務，並已經成為解決這些問題的當前最佳技術。
Google宣佈開啟NLP新時代
Google宣佈BERT模型開啟NLP新時代。
BERT是一種預訓練語言表示的新方法，機器閱讀理解較高級水平測試SQuAD1.1中表現出驚人的成績:全部兩個衡量指標上全面超越人類。
模型的地位類似於ResNet在圖像識別的地位，將成為NLP基礎算法。
無人駕駛算法不斷成熟
智能駕駛嘗試步入L4階段。Tesla與百度算法不斷迭代，BATJ車載OS不斷推進，園區公交開始商用。
▌安防、醫療與金融有望率先應用
語音識別:AI音箱風靡全球
語音交互打造智能家居。根據Canalys的統計2018年第二季度，全球智能音箱出貨量總計達到了1680萬臺，相比去年同期的580萬臺增長了187%。
海外Google與Amazon，國內阿里、小米與訊飛成為代表。
機器視覺的直接應用:安防與醫療AI
“雲邊結合”前置智能算法，以邊緣計算替代後端智能NVR實現特徵提取，人員檢索功能，將成為安防智能化主體。
海康以“視覺大數據”構建AICloud平臺。18年4月，海康宣佈採用雲邊融合獨特架構，基於“螢石+行業+平臺”戰略，在其安全生活業。務平臺螢石雲平臺上提供服務。
醫療AI:醫療影像診斷率先突破
多層神經網絡算法的成熟
多層神經網絡構建的深度學習模型(DNN)是2017年發展最快的一項技術。DNN的可解釋性得到突破:將每一個神經元都與一個topic進行關聯，於是整個網絡變得具有可解釋性。
標準化影像數據的大量積累。醫療信息化紅利開始兌現。
醫療影像公司解決方案的不斷成熟。代表公司:衛寧健康、萬里雲、和仁科技等
醫療AI:診療市場與IT投入進入爆發期
雲平臺方式提供影像拍攝和輔助診斷。以公有云或私有云的方式部署，有效提升醫生診斷效率。
根據IDC統計，影像AI至少提高數倍工作效率，每年可為醫院節約幾百萬元的費用或者增加百萬甚至千萬元的收入。
由影像AI向全醫療領域AI橫向拓展。根據IDC預測，2017年醫療人工智能(AI)診療服務市場規模達到1.83億元，預計到2022年將達到58.75億元，2017至2022年的年複合增長率為100.1%。
2017年醫療人工智能(AI)的IT投入規模為1.1億元，預計到2022年將達到16.5億元，2017至2022年的複合增長率為71.8%
工業AI:機器視覺與激光的完美結合
相關標的:寶信軟件、新北洋、海康威視、漢得信息、Keyence、Cognex、IsraVision
重新定義工業，有望實現對檢測人員的大量替代
檢測數據的積累分析可進一步提升良率
金融AI:智能風控與影像採集
AI策略從動量/輿情走向風控/數據庫，開始反轉
金融反詐騙。分析用戶登陸行為、用戶圖關係、弱可信關係等
影像採集。金融以身份認證為主
自然語言處理:法律成為下一個風口
司法AI分析技術日趨成熟。目前的NLP算法已經把法律領域從為大的文檔製作預測編碼系統，轉移到為訴訟提供分析。硅谷律師事務所已使用LexMachinaAI算法分析收集競爭情報，從而做出更好的決策、資源調配和調整客戶計費。
閱讀更多 智能舌診 的文章
