人工智慧已成巨頭遊戲，後來者何以脫穎而出？

人工智慧的概念是上世紀中期提出的，不過受制于技術此後一直處於低谷。 直到最近，人工智慧概念不斷回暖，儼然已經成為最近的科技熱點， Garnter 也預測人工智慧會成為 2014 年 10 大技術趨勢之一。

科技巨頭們對這一領域也倍加青睞，大舉進入攻城拔寨。 Google 的深度學習系統已經能夠識別出貓臉，IBM 的超級電腦Watson已經不滿足于在智力競賽中擊敗人類選手，微軟聯合創始人 Paul Allen 可以讓機器人通過高中生物考試，俄羅斯富豪德米特裡?伊茨科夫甚至計畫到 2045 年實現真實版的阿凡達計畫，Facebook 也不甘人後，成立了人工智慧實驗室。

這些巨頭磕磕絆絆好多年才有進展，普通人總會有錯覺，人工智慧是各種高端高冷高深。 事實上，它背後的邏輯一般都可以簡化為這樣的過程：

收集海量資料；

資訊處理（也就是行話所謂的特徵設計），將資訊變得有用、通用；

借助于演算法、模型，輸出結果，將結果回饋到現實環境。

從上面的邏輯過程中，我們就可以看出，在這波人工智慧的大潮中，資料發揮的作用越來越重要，科技巨頭憑藉著資料、計算優勢會占儘先機。 Google 研究員 Ilya Sutskever 就表示，如果資料足夠多、計算能力足夠強、人工神經網路足夠深，即便不加「pre training」預處理，也會收到不錯的效果。

既然資料的重要性會日益增強，那未來的資料會有什麼特性呢？

Navia Systems 的創始人 Beau Cronin，一直關注人工智慧領域，在一篇科技文章中就提出了自己的觀點。 Beau Cronin 認為，未來的資料將會呈現出三個特性：

資料的載體會很小（比如基因，載體很小，但資訊量巨大）；

資料必須借助于精確嚴謹的演算法和模型才能編譯（比如基因資訊）；

資料獲取的成本會越來越高（個人對資訊安全越來越重視，政府很可能立法規范資訊獲取）。

人工智慧的應用領域主要包括深度學習、基於雲計算的大規模分散式資料採礦、類比人腦的平行計算晶片，像現在比較熱的無人車、智慧型機器人也屬於人工智慧的範疇。 結合上面提到的未來資料的特性，進入深度學習領域的門檻會越來越高，大公司已經具有先發優勢，很可能佔據主導地位，後來者並不適合去做。 那麼後來者可能在那些地方尋找到人工智慧的機會呢？

高度智慧的無人車導航方案：無人車的運行其實是基於事先準備好的地圖和演算法的，但目前還有很多地方是沒有這種事先準備好可供無人車「學習」的地圖。 所以提供一個高度智慧的無人車地圖方案。 比如說，借助于SLAM（Simultaneous Localization and Mapping的簡稱，同步定位與建圖）， 機器人在未知環境中從一個未知位置開始移動，在移動過程中根據位置估計和地圖進行自身定位， 同時在自身定位的基礎上建造增量式地圖，實現機器人的自主定位和導航。

組織行為解釋與預測方案：通過資料監控、分析，構建組織內的資訊決策模型。 舉例來說，可以利用財務資料和其他公共資料，解釋一個公司的某個行為，並且預測這個公司接下來的行動和發展。 這個同樣適用于製造業和商業，用來瞭解行業發展，評估行業表現，制定優化措施。

事實上，並不是說上述兩個領域，谷歌這樣的大公司做不了，而是這不是他們的主要業務，不會佔據主導地位，因此後來者還是有機會的。

(責任編輯：mengyishan)