人机PK 决战高考

AI高考，答题速度很亮眼

这一次AI并没有全面碾压人类。阅卷结果显示，从分数上看，三组高考状元平均得分为140分，而AI得分为105分；但从耗时上看，AI仅用时10分钟，领先优势巨大。

AI时代来临，你得知道这些

AI是一门综合了计算机科学、生理学、哲学的交叉学科。凡是使用机器代替人类实现认知、识别、分析、决策等功能，均可认为使用了AI技术。作为基础技术，AI在很多行业都有用武之地，既有行业+AI（如金融+AI=Fintech），也有其具体应用行业的概念（比如机器人）。

AI应用领域

“如今的AI前进之快远超咱们的幻想。”5月22日柯洁在与AlphaGo对决的前一夜写下这样的感悟，两者的比赛结果也充分说明了这一点。让我们先来看看AI为什么发展得这么快？

1.运算力的提升给予AI发展强大动力

AI领域是一个数据密集的领域，传统的数据处理技术难以满足高强度、大数据的处理需求。AI芯片的出现让大规模的数据效率大大提升，极大地促进了AI行业的发展。

在GPU（图像处理器) 出现之前，算法运行的速度是很慢的，即使是一个简单的神经网络数据的处理，也得花费几天、甚至几周的时间。1999 年，Nvidia公司提出了GPU概念，它是专为执行复杂的数学和集合计算而设计的芯片。它的出现为数据处理规模、数据运算速度带来了指数级的增长，给予AI行业验证了技术可行性。

2.海量数据为AI发展打下基础

如果说算法是AI行业的发动机，那么数据则是源源不断的燃料。算法是计算机基于数据归纳出的识别逻辑，好的算法模型可以实现精准的物体和场景识别。数据的丰富性和规模性对算法训练尤为重要，实现机器精准识别的前提，就是获取海量而有效的应用场景数据。以人脸识别为例，训练该算法模型的图片数据量至少应为百万级别。

3.深度学习突破AI算法瓶颈

在深度学习出现之前，机器学习领域的主流是各种浅层学习算法。浅层算法的局限性在于，有限样本和计算单元的情况下，对复杂函数的表示能力有限，对复杂数据的处理受到制约。

以计算机视觉为例，作为一个数据复杂的领域，浅层学习算法的识别准确率并不高。该类识别原理多为通过寻找合适的特征，来让机器辨识物品状态，由于这个处理逻辑是浅层的，不能穷举各种复杂的情境，因而算法拟合的准确率不能达标。

深度学习出现之后，计算机视觉的主要识别方式发生重大转变，自学习状态成为视觉识别主流。机器从海量数据库里自行归纳物体特征，然后按照该特征规律识别物体。图像识别的精准度也得到极大的提升，从70%提升到95%。

深度学习技术推动识别精度上升

AI投资，当下正火热

据不完全统计，全球AI公司已突破1000家，跨越13个子门类，融资金额高达48亿美元，AI创投金额在5年间增长了12倍。

具体投资方向，除了一直看好的机器人领域，在技术外延扩展方面，机器学习、计算机视觉、自然语言处理、智能机器人、手势控制是目前发展较快的几个领域。具体到延伸应用行业，我们相对看好“安防+AI”、“金融+AI”和“家居+AI”。

限于篇幅，我们以计算机视觉为例。计算机视觉是指用计算机来模拟人的视觉系统，实现人的视觉功能，以适应、理解外界环境和控制自身的运动。换句话说，视觉系统主要解决的是物体识别、物体形状和方位确认、及物体运动判断这三个问题。而计算机视觉的研究，则是致力于让机器代替人眼，解决这些问题。

计算机视觉应用领域

从技术水平来看，国内厂商在人脸识别领域处于国际领先地位。而综合各细分领域热度来看，目前人脸识别是计算机视觉领域的竞争热点，金融、安防领域的人脸识别为重点布局场景。而此类公司多有涉足机器人视觉、无人机视觉领域的计划。此外，自动驾驶也有创业公司布局。我们认为，各应用场景的视觉识别技术探索只是刚刚起步。

我们以AI艾伦研究院CEO Oren Etzioni的一句话结尾，“在AI和机器学习上，我们已经取得巨大的进步，但是今天就宣布取得了机器学习的成功，就像是‘我们爬上了树梢却宣布自己登上了月球’”。所以说，AI还是一个年轻的行业，也是一个极具活力和未来的行业。不论你是行业内人士，还是作为投资人参与其中，都应该保持精进，抓住大趋势、大机会。