区块链与人工智能：数字经济新时代

人工智能作为推动社会新发展的新动力之一，催生了一系列的技术、产品、服务，逐渐建立起了自己的生态格局，极大地提升了社会生产力。无论是在专业领域还是通用领域，人工智能的企业布局都围绕着基础层和应用层展开。基础层如同大树的根基，由智能芯片和算法框架组成，为人工智能提供基础运算能力和建立基本模型。应用层利用人工智能技术为用户提供具体的服务和产品。无论是世界领先的科技公司（如Google、IBM、Intel等），还是各类新兴的科技创业公司，在基础层和应用层都开始了一系列的布局，并开放了各种开源平台使得准入门槛变低，吸引了越来越多的人加入到人工智能变革的这场大浪潮中。

一、基础层

人工智能的基础层为人工智能的发展提供算力的支撑，主要包括人工智能芯片及计算框架。几大国际巨头公司在人工智能领域的表现反映了基础层的最新发展情况。

1.智能芯片

智能芯片从技术架构来看，大致可分为通用芯片，如GPU；半定制化芯片，如FPGA;ASIC全定制化芯片，如TPU；类脑芯片。从部署场景看，智能芯片可分为设备端和云端两大类。

目前，在深度学习领域运用最广泛最成熟的芯片是英伟达的GPU芯片，它主要面向人工智能、自动驾驶、气候预测及医药开发等专业领域。最新发布的Tesla V100，基于Volta架构，用于加速AI、HPC，是全球第一个超过100 TFLOPS的深度学习芯片。DGX-2是世界上最大的GPU，由16块32GB的Tesla V100通过NVSwitch进行连接，每秒可以进行2000万次浮点运算；其另一显著优点在于芯片的体积并没有因为性能的提高而变大，反而大大缩小了所需占用的空间。

科技巨头Intel由于对CPU的执着，错失了人工智能芯片领域的先机，为了追赶英伟达，重新树立行业地位，Intel在2016年斥资约4亿美元收购了Nervana，一家着重于打造深度学习专用软件的公司。此后，Nervana只推出云服务，而且只能在英伟达的GPU上运行。在经历了两年的等待后，Nervana CEO宣布将会推出Nervana专用芯片，其特点是芯片中没有缓存，通过软件来管理片上存储，并且支持各类主流算法框架，如Nervana自己的Neon、Google的TensorFlow、Facebook的Caffe等。同时，Nervana Engine号称在训练方面可以比GPU提升10倍的性能，但如今也只是处于研究试验阶段，并未达到量产的能力。

此外，Intel还收购了生产FPGA的巨头Altera，研发基于FPGA的人工智能芯片。CPU+FPGA也可以成为一种替代GPU的方案，有专家认为，FPGA在深度学习中也有一定的优势，可以更快、更有效地运行，且功耗也较低，其中美团就采用了Intel的FPGA云端主机的深度学习平台。

在人工智能云端领域，Google在2018年2月宣布开放了TPU（Tensor Processing Unit）服务。由于Google早前布局了TensorFlow开源代码库，已经积累了大量的用户，虽然这一算法框架也支持在GPU等硬件上运算，但TPU是专门为TensorFlow算法框架而设计的专用集成电路芯片（ASIC），通过降低芯片的计算精度和减少实际所需的晶体管数量，使得每秒运行速度更快，从而经过调优的机器学习模型能更快地得到智能结果。目前，TPU云服务已成功变现，成为Google人工智能的主要商业模式。未来，随着人工智能的准入门槛的不断降低，将会有越来越多的厂商涌入。针对部分资金有限的客户，相比购买动辄上万元人民币的GPU芯片，TPU的云服务为这些客户提供了涉足人工智能领域的机会。

2.算法框架

人工智能的算法框架是建设人工智能系统的底层基础设施，是人工智能学习的核心，包括主流的神经网络算法模型，为深度学习提供稳定的接口，同时支持模型在不同的服务器、GPU、TPU间的分布式学习。算法框架主要分为深度学习算法框架和机器学习算法框架。如图3.13所示。

根据2017年在GitHub中各大深度学习框架的收藏数排名，TensorFlow排名第一，其受欢迎程度遥遥领先于其他算法框架，随后依次是Caffe、CNTK、MXNet、Torch、Deeplearning4j等。其中，TensorFlow主要得益于同是Google旗下的Android平台的强大影响力和TPU芯片的云服务支持，开发者为了能更好地兼容移动端，适应市场，势必会选择由Google支持的TensorFlow。此外，TensorFlow支持CNN、RNN和LSTM，主要用于语音识别和图像识别领域，相比其他框架更加注重性能和优化，其亮点在于支持异构设备的分布式计算，能够在手机、单个CPU或GPU，甚至上千万个GPU上自动运行模型。

对于机器学习而言，关注度较高的开源框架主要有SystemML、Microsoft DMTK等，其中Microsoft DMTK是微软的分布式机器学习工具包，而IBM的SystemML是针对大数据的机器学习，提供高度可扩展的平台。著名的Watson系统就是整合了很多SystemML的功能，早在2011年，Watson在智力问答节目Jeopardy中脱颖而出战胜了人类的参赛者，获得了第一名。

相信未来会有越来越多的用户深入框架底层，算法框架将会有更快的迭代、更多变的风格。

二、应用层

随着人工智能的风靡，该技术已经进入大规模的商用阶段，其商业化主要涉及五个领域，分别是劳动力、用户交互、商业策略、商业模型和商业运营。由于人工智能的介入，大量劳动力被取代，严重冲击了劳动密集型产业，改变了全球经济生态。同时，随着大量人工智能产品涌入市场，消费市场也进入全面升级阶段。

根据亚马逊及Intel联合组织的2017年人工智能颁奖典礼的获奖名单（见图

3.14），获奖者之一为研究消费者互动领域的Haptik的聊天机器人，覆盖了快消、旅游、健康等领域；在零售和电子商务领域，Unbxd的平台可以更好地运用大数据为消费者推荐最可能购买的产品，同时为商家预测消费趋势；在医疗保健领域，Niramai开发了一款比传统方式能更早检测到乳腺癌的软件，其核心科技就是图像识别和机器学习；在语言转化方面，liv.ai利用深度学习研究出的产品可以识别印度的9种主要语言，并把它转化成文字；在传媒娱乐领域，Tessact利用机器学习对视频进行面部识别、场景检测、语言识别等；Uncanny Vision作为高科技企业，专注计算机视觉；在金融领域，Credit Vidya利用大数据和机器学习建立了信用积分平台，同时提供欺诈查验服务等；在商业领域，boxx.a.根据市场情况智能地提出产品和服务的促销方案，提高客户黏性；在教育领域，Embibe利用人工智能更好地帮助学生提高学习效果。

除了颁奖名单上的优秀企业的优秀产品及平台，在实际的商业用途中还有许多被广泛应用的产品，如物流机器人，可以根据订单信息取得相应的货物，并送到指定地点。在电子商务繁荣的今天，物流机器人的出现解决了人工分拣速度慢、易出错的问题，提高了工作效率，大大推动了该产业的发展。

此外，自动驾驶作为人工智能领域重要的分支，受到了社会的广泛关注，它的发展状况一定程度上体现了人工智能的发展水平。不仅国际各大企业都纷纷加入对自动驾驶的研究，国家也出台了相关政策，大力支持对自动驾驶技术的研究。从2009年起，Google启动无人驾驶项目，推动了全球新能源汽车向无人驾驶方向发展。进入2016年后，自动驾驶产业链逐渐完善，进入市场化阶段。

在自动驾驶领域，其核心是利用摄像头、传感器在感知层收集信息并把它传到芯片中执行深度学习算法。当前普遍使用的人工智能算法芯片主要由Intel和英伟达提供。在2017年的CES 上英伟达就发布了自动驾驶芯片 Xavier Aicar Supercomputer，通过搭载人工智能ProAI车载电脑，充分运用深度学习分析传感器和摄像头的数据，清晰识别环境并进行精准定位，进一步适应在高速公路行驶；而在2018年的GTC（GPU Technology Conference）大会上，英伟达发布的DRIVE Constellation模拟系统，基于云的自动驾驶测试系统，具备了照片集真实感模拟，使得自动驾驶更安全、更具扩展性。

目前，自动驾驶技术在全球仍处于发展阶段，大部分企业已经研发了车型，达到了测试阶段，但却无法达到量产，特别是乘用车。根据Navigant对2017年自动驾驶企业的排名，目前在行业前端的是GM、Waymo、Daimier-Bosch和Ford，它们有望最早实现自动驾驶的量产化和商业化。国内只有百度公司在排名内，中国自动驾驶还在起步阶段。

总之，人工智能还处于发展阶段，无论是在基础层还是应用层，都还有很长的路要走。