中国的AI由应用驱动，上游生态缺乏

　　与欧美追逐最上游的技术不同，中国的AI发展可以说是由最底端的应用驱动。

　　最早从2010年开始的AI技术发展，几乎都集中在视觉识别这个领域，不论是商汤、旷视、依图、云从，几乎都是往这个方向走。而其根本原因可以从政府对监控技术与设备的需求追溯起。而因为这个市场的需求庞大，许多后进者也几乎都是从这个领域开始。

　　视觉识别AI后来延伸到了金融应用、手机图像处理、自动驾驶、无人仓储、无人商店等应用上，除了无人商店还没有真正成功的案例外，其余领域都有相当突出的表现。

　　随后，自然语言方面的AI应用兴起，从以语言识别输入，到自然语言对话，诸如科大讯飞、百度、搜狗，都在相关的自然语言处理方面有不小的建树。而相关的产品则主要集中在语音助理方面，服务内容根据终端硬件的类型不同而定制。

　　虽然中国AI的应用蓬勃发展，但是最上游的计算核心硬件方面，却还是严重倚赖外来的输入。举例来说，目前市面上的云端计算服务方面，其所采用的处理器平台超过九成都是使用英特尔的方案。而机器学习需要的计算硬件则是几乎清一色彩用NVIDIA的GPU产品。

　　AI芯片发展主要还是为差异化，并提高附加价值

　　当然，中国厂商也积极推动自有方案的发展，比如说华为的升腾方案，寒武纪的NPU方案，地平线的征程和旭日处理器方案，华为的AI方案基本上没有独立供应给市场，而寒武纪虽然有部份国家背景支持，但其除了华为以外的商业应用落地速度并不够快。而地平线芯片产品的定位与华为升腾类似，但其取得包括Audi在内的一线车厂、IoT设备制造商等全球超过20家客户支持，且投资者遍及海内外，在声势上明显胜出一筹。

　　然而AI芯片本身的设计难度与CPU和GPU并不在同一个量级，后二者中国厂商几乎自行设计的能力极为缺乏，这方面并除了技术能力的不足，缺乏生态的积累亦是关键。不过在AI芯片方面状况不同，由于应用分散，芯片设计商可以针对不同应用发展具备独特个性的AI芯片。AI芯片结构较CPU、GPU简单，若搭配片上内存、缓存或网络的设计调整，可以变化出针对不同环境的方案。

　　另一方面，采购第三方芯片一来成本高，二来架构掌握度不够高的话，可能就无法发挥出芯片效能，而依此打造出来的方案也就没有吸引力可言。

　　诸如地平线、云知声、云从、海康威视等都是基于自家方案需求而进行AI芯片设计的公司，对这些公司而言，设计自有芯片是维持方案竞争力的唯一方式。

　　但是在这种情况之下，IP设计业者，或者是纯粹做AI芯片的公司，恐怕就很难找到出路。由于潜在的大客户都偏好自行研发，剩下规模较小的客户才有可能外购，而AI芯片本身架构并不复杂，其设计目的主要还是为了算法的实现，换言之，IP或独立的AI芯片开发商一来市场空间不足，二来他们不是直接对终端客户，不一定了解最末端客户的需求，因此定位相当尴尬。寒武纪后来也推出自己的芯片方案，分别主打云端与边缘计算，但仍难摆脱这个窘况。

　　另一方面，2018年因为加密货币暴跌，导致挖币芯片设计业者转向AI芯片寻找第二春，比特大陆也是在此时推出他们的AI芯片。虽然比特大陆没有自己的终端方案，但取而代之的是，他们跑遍了各大终端客户寻找出路，后来也真的被他们找到几个安防领域的客户。

　　不过随着加密货币的飙涨，比特大陆可能又会将重心移向挖矿芯片，目前该公司已经向台积电下了芯片代工订单，据信就是2018年公布的7nm挖矿芯片。

　　挖矿芯片和AI芯片的计算架构其实大同小异，同样都是塞了一堆乘加器，然后可以进行大量并行计算工作的架构，最大的差异在于根据应用的不同而会采用不同算法，比特大陆这个作法也算是能左右逢源，分散风险。

　　还有哪些场景需要AI？

　　从监控、银行、手机再到汽车，除了已经这些在市面上已经很普遍的AI应用以外，未来AI还有哪些发展方向？

　　以下列举出三个方向仅供参考。

　　国家/国际级应用

　　往上大到国家，甚至全球层级，AI可以作为气候预测之用。由于近年来温室效应转剧烈，气候变化多端，传统的计算机模型计算已经不符需求，为了更好的掌握气象，能够在暴风雨、洪灾等灾害级气候到来之前就提前疏散或者是进行其他准备工作，可以大幅减少生命财产的损失。

　　而另一个国际级的AI应用，该属于对外层空间的探测，如NASA放在火星上的几个探测机器人，以及传统的太空探测器等，基本上都是人为远程遥控，没有自主处理的能力，而因为机器人和控制中心距离太远，比如说地球离火星最近也要5500万公里，因此无法实时接收与传送图像信息，也无法在遭遇状况的当下给出指令，指令来回最快也要8分钟。

　　如果未来这类的探测机器人拥有完全自主的能力，可以针对环境的变化自主决定探测的策略与探测对象，并可自动因应环境的恶化进行自我保护，那么不仅可以大幅提升探索效率，同时也能降低机器人的损耗风险。

　　另外，由于人口增加，不同地区的人类往来更加频繁，这也造成了疾病传播的风险，比如说艾滋病原本起源自非洲，现在已经传到世界各地，连中国也不能幸免于难。这时利用AI可以破解各种疾病的病毒传染、对身体的影响模式，并可进行药物化学特性仿真，利用机器学习，调配组合出破解并防治疾病病毒的药物，甚至治疗时的手术也可以使用AI自动进行，而相关的AI仪器可以投放到偏远或落后地区，代替原本就已经稀少的人类医生资源，让不论何处的病患，都可以接受最好的治疗。甚至可以从源头防止疾病的扩散。

　　企业应用

　　在企业方面，利用AI可以做到过去所做不到的工作。或者是用很短的时间来做到过去必须花费很多时间来完成的工作。

　　首先在公司营业与客户数据管理方面，利用AI来处理可以大幅减少重复的工作，让人力可以投放到更有创造力的工作上，并提升组织整体的效能表现。

　　比如说Salesforce在其服务云(Service Cloud)中持续增加AI功能，包括聊天机器人以及案件分类功能，目的是让业务控制台更智能化，让业务工作可以自动进行。另外，该系统也能利用商业规则和预测智能来建议与客户互动其间的最佳行动方案，借以提高客户满意度，而案件路由则是可以通过机器学习来完全把工作流程自动化，将工作项目分配给正确的队列或者是人类业务。该系统可以根据个人专业或者是过去的处理经验，将工作分配给最有资格解决问题的人选。

　　目前其实已经有不少公司深度利用AI来进行营利，比如说金融投资机构利用AI模型来分析整体经济与企业营运，并且寻找投资目标，增加获利并分散风险。

　　不过多数重复工作的自动化只是AI能力所及的一小部份，未来AI可以做到创意性的工作，甚至参与各种研发工作。

　　举例来说，目前的EDA工具已经很像一套包含了AI的设计工具，可以大幅降低芯片设计时的晶体管浪费和布局错误，若未来可以把EDA工具的AI成分大幅提升，那么芯片设计时只需要告诉AI芯片需要在什么条件下达到达到什么样的功能，AI就可以自动设计出完整的方案。

　　而编程这个工作往往都需要花费大量的时间，目前的辅助系统已经可以帮助编程工作者简化编程的复杂度，而只需专注在算法的研发上，各种库的连结或者是接口的适配，都可以让开发工具中的辅助系统来代劳。

　　以色列新创公司Codota已经做到让AI针对包含Github与StackOverflow，或其他平台上的源码进行分析与学习，并同时为程序员推荐最适合当下程序的的编码。另一家新创公司Kite，则是通过AI透过大量的数据爬梳与预测，让程序员需要亲自动手的编程工作大幅减少。

　　另一家新创Kite，利用AI替工程师省下查询数据的时间。根据创办人Adam Smith统计，每个工程师每天要进行网络搜索26次以上，如果能将这些搜索内容都内建在编译程序中，能够大大加快编程的效率。

　　人类结合AI

　　AI应该要怎么与个人进行结合？当然，如果只是单纯把智能手表、智能手机拿在手上，那算不上结合。

　　上周马斯克的Neuralink公司发表其脑机接口的最新进展，并公开表示2020年将开始进行人体试验，该公司的目标是要在人脑植入电极，并创造可以连接到外部机器的接口，最终目标则是要把AI芯片直接和大脑进行连结。

　　马斯克表示，通过脑机接口，可以让AI来帮助人类大脑进行思考，未来即便AI获得了自主思考的能力，人类通过脑机接口取得与AI相提并论的计算能力，同时拥有人类与生俱来的创造力，那么这种新型态的人类就不会被AI取代。

　　除了大脑和AI的结合，具备AI功能的外骨骼可以帮助使用者应对各种环境的工作或者是生存需求，结合脑机接口带来的计算能力，等同创造了全新的物种，并提高了人类在未来AI世代来临时，仍可持续拥有竞争力，而不会被时代所淘汰。