1、概要人工智能是信息时代的尖端技术。从人类建立起需要指导控制才能运行的计算机，到计算机拥有可以自己去学习的能力，这一飞跃对各行各业都产生了巨大的影响。虽然此时此刻可能是下一个 AI 冬季（图 8）到来之前的给予承诺又让人失望的周期，但这些投资和新技术至少会给我们带来有形的机器学习生产力的经济利益。与此同时，人工智能、机器人和无人驾驶汽车已经成为了流行文化甚至是政治话语的前沿。而且我们在过去一年的研究使我们相信这不是一个错误的开始，而是一个拐点。正如我们将在本报告中探讨的那样，这个变化的原因有显而易见的（更快更强的计算资源和爆炸式增长的数据库），也有细致入微（深度学习，专有硬件和开源的崛起）的。这
2、个 AI 拐点（ AI inflection）中更令人兴奋的一个方面是现实世界的使用案例比比皆是。虽然深度学习使计算机视觉和自然语言处理等技术有了显著的提高，比如苹果公司的 Siri，亚马逊的 Alexa 和 Google 的图像识别，但是 AI 不仅仅是 科技技术（tech for tech），也就是大数据集与足够强大的技术相结合的情况下，价值正在被慢慢创建，竞争优势也变得越来越明显。例如，在医疗保健中，图像识别技术可以提高癌症诊断的准确性。在农业中，农民和种子生产商可以利用深度学习技术来提高作物产量。在制药业中，深度学习可以用于改善药物的研发。在能源方面，勘探效率正在提高，设备可用性正在不
3、断增强。在金融服务方面，通过开辟新的数据集，实现更快的分析，从而降低成本，提高回报。AI 现在还处于发现其可被利用场景的早期阶段，这些必要的技术会通过基于云的服务实现大众化、平等化，我们相信随之而来的创新浪潮将在每个行业中创造新的赢家和输家。AI 的广泛应用让我们得出了一个结论：它是一种可以变革全球经济的技术，是提高生产力并结束美国生产率停滞增长的驱动力。结合 GS 首席经济学家 Jan Hatzius 的研究，我们明确了资本深化目前的停滞及其对美国生产率的相关影响。我们相信，AI 技术将会驱动生产力的提高，就像 20 世纪 90 年代那样，驱动企业投资更多的资本和劳动密集型项目，加快发展的脚
4、步，提高盈利能力以及提高股票的估值。启示虽然我们看到了人工智能可以及时地影响到每个公司、行业和一部分经济，但对投资者而言，我们认为这其中有四个影响最为显著。生产率。AI 和机器学习具有激发生产率增长周期的潜力，这会有利于经济的增长，提升企业的盈利能力，资本回报率和资产估值。根据 GS 首席经济学家 Jan Hatzius 所说：大体上而言，AI 看起来似乎比上一次创新浪潮更有可能在统计数据中捕捉到更有价值的东西，人工智能可以降低成本，减少对高附加值生产类型的劳动投入。举个例子，这些在商业部门成本节约上的创新可能比在 iPhone 中增加应用程序的可用性和多用性更利于统计学家去捕获有价值的东西。
5、考虑人工智能对商业部门的成本结构的广泛影响，我有理由相信它会被统计学家接受，并且会出现在整体生产力数据中。尖端技术。AI 和机器学习在速度上的价值有利于构建一种在建设数据中心和网络服务时让硬件更便宜的趋势。我们认为这可能推动硬件，软件和服务支出的市场份额的大幅度改变。例如，在标准数据中心计算资源上运行的 AWS 工作负载的成本低至 $ 0.0065 /小时，而在使用 AI 优化过的 GPU 上运行的成本为 0.900 美元一小时。竞争优势。我们看到了 AI 和机器学习具有重新调整每个行业的竞争秩序的潜力。未能投资和利用这些技术的管理团队在和受益于战略智能的企业竞争时，有很大可能会被淘汰掉，因为
6、这些技术可以让企业的生产力提高，并为它们创造资本效益。在第 41 页开始的短文中，我们将研究这些竞争优势是如何在医疗保健、能源、零售、金融和农业等领域发展起来的。创办新公司。我们发现了 150 多家在过去十年中创建的人工智能和机器学习公司（附录 69-75）。虽然我们相信人工智能的大部分价值都掌握在具有资源、数据和投资能力的大公司手中，但我们也期望风险投资家、企业家和技术专家可以继续推动新公司的创立，从而促进实质性的创新和价值创造，即使最后创业公司会被收购。当然我们也不能忽视人工智能巨头（人工智能领域的谷歌或 Facebook）的出现。在接下来的篇幅中，我们将深入探讨 AI 的技术，历史，机器
7、学习的生态系统以及这些技术在行业和领头公司中的应用。什么是人工智能？人工智能是做出能够以人类智能的方式学习并解决问题的智能机器和计算机程序的理工科。传统而言，该领域包括自然语言处理与翻译、视觉感知与模式识别，以及决策制定。但该领域以及应用的复杂度都在急剧扩展。在此报告中，我们的大部分分析集中在机器学习（人工智能的一个分支）与深度学习（机器学习的分支）上。我们强调两点：简言之，机器学习是从样本和经验（即数据集）中进行学习的算法，而不是依靠硬编码和预先定义的规则。换言之，也就是开发者不再告诉程序如何区分苹果和橘子，而是向算法输入数据（训练），然后自己学习如何区分苹果和橘子。深度学习的重大发展是人工
8、智能拐点背后的主要驱动。深度学习是机器学习的一个子集。在大部分传统的机器学习方法中，特征（即有预测性的输入或属性）由人来设计。特征工程是一大瓶颈，需要大量的专业知识。在无监督学习中，重要特征并非由人预定义，而是由算法学习并创造。为了更加明了，我们不注重真人工智能、强人工智能或通用人工智能这样的概念，它们意味着复制人类智能，也经常出现在流行文化中。虽然已经有了一些有潜力的突破，比如谷歌 DeepMind 的 AlphaGo 系统，我们还是更注重立即有实在经济的人工智能发展。为何人工智能发展加速？深度学习能力的极大发展是如今人工智能拐点背后的催化剂之一。深度学习的底层技术框架神经网络，已经存在了数
9、十年，但过去 5 到 10 年的 3 种东西改变了深度学习：1.数据。随着全球设备、机器和系统的连接，大量的无结构数据被创造出来。神经网络有了更多的数据，就变得更为有效，也就是说随着数据量增加，机器学习能够解决的问题也增加。手机、IoT 、低成本数据存储和处理（云）技术的成熟使得可用数据集的大小、结构都有了极大增长。例如，特斯拉收集了 780mn 英里的驾驶数据，而且通过他们的互连汽车，每 10 小时就能增加 100 万英里的数据。此外，Jasper 有一个平台，能让多家汽车制造商和电信公司进行机器间的交流，这家公司于今年 2 月份被 Cisco 收购。Verizon 在 8 月份做了类似的投
10、资，宣布收购 Fleetmatics，Fleetmatics 做的是将汽车上的远程传感器通过无线网络连接到云软件。未来，5G 网络的上线将会加速数据生成与传输的速率。据 IDC 的 Digital Universe Report 显示，年度数据生成预期到 2020 年达到 44zettabytes，表明我们正在见证应用这些技术的使用案例。图 1：年度数据生成预期到 2020 年达到 44zettabytes2. 更快的硬件。GPU 的再次使用、低成本计算能力的普遍化，特别是通过云服务，以及建立新的神经网络模型，已经极大的增加了神经网络产生结果的速度与准确率。GPU 和并行架构要比传统的基于数据
11、中心架构的 CPU 能更快的训练机器学习系统。通过使用图像芯片，网络能更快的迭代，能在短期内进行更准确的训练。同时，特制硅的发展，比如微软和百度使用的 FPGA，能够用训练出的深度学习系统做更快的推断。另外，从 1993 年开始超级计算机的原计算能力有了极大发展（图 2）。在 2016 年，单张英伟达游戏显卡就有了类似于 2002 年之前最强大的超级计算机拥有的计算能力。图 2：全球超级计算机的原计算性能，以 GFLOPs 测试成本也有了极大的降低。英伟达 GPU（GTX 1080）有 9 TFLOPS 的性能，只要 700 美元，意味着每 GFLOPS 只要 8 美分。在 1961 年，串够
12、 IBM 1620s 每提供 1 GFLOPS 需要的钱超过 9 万亿。图 3：每单位计算的价格有了极大下降3. 更好、更普遍可用的算法。更好的输入（计算和数据）使得更多的研发是面向算法，从而支持深度学习的使用。例如伯克利的 Caffe、谷歌的 TensorFlow 和 Torch 这样的开源框架。比如，刚开源一周年的 TensorFlow，成为了 GitHub 上有最多 forked repositories 的框架。虽然不是所有的人工智能发生于普遍可用的开源框架中，但开源确实在加速发展，而且也有更多先进的工具正在开源。方向虽然本报告的重点是人工智能的发展方向以及公司如何把握这个方向，但是了解人工智能对我们生活的影响程度也是很重要的。
