中國的AI由應用驅動，上游生態缺乏

　　與歐美追逐最上游的技術不同，中國的AI發展可以說是由最底端的應用驅動。

　　最早從2010年開始的AI技術發展，幾乎都集中在視覺識別這個領域，不論是商湯、曠視、依圖、云從，幾乎都是往這個方向走。而其根本原因可以從政府對監控技術與設備的需求追溯起。而因為這個市場的需求龐大，許多后進者也幾乎都是從這個領域開始。

　　視覺識別AI后來延伸到了金融應用、手機圖像處理、自動駕駛、無人倉儲、無人商店等應用上，除了無人商店還沒有真正成功的案例外，其余領域都有相當突出的表現。

　　隨后，自然語言方面的AI應用興起，從以語言識別輸入，到自然語言對話，諸如科大訊飛、百度、搜狗，都在相關的自然語言處理方面有不小的建樹。而相關的產品則主要集中在語音助理方面，服務內容根據終端硬件的類型不同而定制。

　　雖然中國AI的應用蓬勃發展，但是最上游的計算核心硬件方面，卻還是嚴重倚賴外來的輸入。舉例來說，目前市面上的云端計算服務方面，其所采用的處理器平臺超過九成都是使用英特爾的方案。而機器學習需要的計算硬件則是幾乎清一色彩用NVIDIA的GPU產品。

　　AI芯片發展主要還是為差異化，并提高附加價值

　　當然，中國廠商也積極推動自有方案的發展，比如說華為的升騰方案，寒武紀的NPU方案，地平線的征程和旭日處理器方案，華為的AI方案基本上沒有獨立供應給市場，而寒武紀雖然有部份國家背景支持，但其除了華為以外的商業應用落地速度并不夠快。而地平線芯片產品的定位與華為升騰類似，但其取得包括Audi在內的一線車廠、IoT設備制造商等全球超過20家客戶支持，且投資者遍及海內外，在聲勢上明顯勝出一籌。

　　然而AI芯片本身的設計難度與CPU和GPU并不在同一個量級，后二者中國廠商幾乎自行設計的能力極為缺乏，這方面并除了技術能力的不足，缺乏生態的積累亦是關鍵。不過在AI芯片方面狀況不同，由于應用分散，芯片設計商可以針對不同應用發展具備獨特個性的AI芯片。AI芯片結構較CPU、GPU簡單，若搭配片上內存、緩存或網絡的設計調整，可以變化出針對不同環境的方案。

　　另一方面，采購第三方芯片一來成本高，二來架構掌握度不夠高的話，可能就無法發揮出芯片效能，而依此打造出來的方案也就沒有吸引力可言。

　　諸如地平線、云知聲、云從、海康威視等都是基于自家方案需求而進行AI芯片設計的公司，對這些公司而言，設計自有芯片是維持方案競爭力的唯一方式。

　　但是在這種情況之下，IP設計業者，或者是純粹做AI芯片的公司，恐怕就很難找到出路。由于潛在的大客戶都偏好自行研發，剩下規模較小的客戶才有可能外購，而AI芯片本身架構并不復雜，其設計目的主要還是為了算法的實現，換言之，IP或獨立的AI芯片開發商一來市場空間不足，二來他們不是直接對終端客戶，不一定了解最末端客戶的需求，因此定位相當尷尬。寒武紀后來也推出自己的芯片方案，分別主打云端與邊緣計算，但仍難擺脫這個窘況。

　　另一方面，2018年因為加密貨幣暴跌，導致挖幣芯片設計業者轉向AI芯片尋找第二春，比特大陸也是在此時推出他們的AI芯片。雖然比特大陸沒有自己的終端方案，但取而代之的是，他們跑遍了各大終端客戶尋找出路，后來也真的被他們找到幾個安防領域的客戶。

　　不過隨著加密貨幣的飆漲，比特大陸可能又會將重心移向挖礦芯片，目前該公司已經向臺積電下了芯片代工訂單，據信就是2018年公布的7nm挖礦芯片。

　　挖礦芯片和AI芯片的計算架構其實大同小異，同樣都是塞了一堆乘加器，然后可以進行大量并行計算工作的架構，最大的差異在于根據應用的不同而會采用不同算法，比特大陸這個作法也算是能左右逢源，分散風險。

　　還有哪些場景需要AI？

　　從監控、銀行、手機再到汽車，除了已經這些在市面上已經很普遍的AI應用以外，未來AI還有哪些發展方向？

　　以下列舉出三個方向僅供參考。

　　國家/國際級應用

　　往上大到國家，甚至全球層級，AI可以作為氣候預測之用。由于近年來溫室效應轉劇烈，氣候變化多端，傳統的計算機模型計算已經不符需求，為了更好的掌握氣象，能夠在暴風雨、洪災等災害級氣候到來之前就提前疏散或者是進行其他準備工作，可以大幅減少生命財產的損失。

　　而另一個國際級的AI應用，該屬于對外層空間的探測，如NASA放在火星上的幾個探測機器人，以及傳統的太空探測器等，基本上都是人為遠程遙控，沒有自主處理的能力，而因為機器人和控制中心距離太遠，比如說地球離火星最近也要5500萬公里，因此無法實時接收與傳送圖像信息，也無法在遭遇狀況的當下給出指令，指令來回最快也要8分鐘。

　　如果未來這類的探測機器人擁有完全自主的能力，可以針對環境的變化自主決定探測的策略與探測對象，并可自動因應環境的惡化進行自我保護，那么不僅可以大幅提升探索效率，同時也能降低機器人的損耗風險。

　　另外，由于人口增加，不同地區的人類往來更加頻繁，這也造成了疾病傳播的風險，比如說艾滋病原本起源自非洲，現在已經傳到世界各地，連中國也不能幸免于難。這時利用AI可以破解各種疾病的病毒傳染、對身體的影響模式，并可進行藥物化學特性仿真，利用機器學習，調配組合出破解并防治疾病病毒的藥物，甚至治療時的手術也可以使用AI自動進行，而相關的AI儀器可以投放到偏遠或落后地區，代替原本就已經稀少的人類醫生資源，讓不論何處的病患，都可以接受最好的治療。甚至可以從源頭防止疾病的擴散。

　　企業應用

　　在企業方面，利用AI可以做到過去所做不到的工作。或者是用很短的時間來做到過去必須花費很多時間來完成的工作。

　　首先在公司營業與客戶數據管理方面，利用AI來處理可以大幅減少重復的工作，讓人力可以投放到更有創造力的工作上，并提升組織整體的效能表現。

　　比如說Salesforce在其服務云(Service Cloud)中持續增加AI功能，包括聊天機器人以及案件分類功能，目的是讓業務控制臺更智能化，讓業務工作可以自動進行。另外，該系統也能利用商業規則和預測智能來建議與客戶互動其間的最佳行動方案，借以提高客戶滿意度，而案件路由則是可以通過機器學習來完全把工作流程自動化，將工作項目分配給正確的隊列或者是人類業務。該系統可以根據個人專業或者是過去的處理經驗，將工作分配給最有資格解決問題的人選。

　　目前其實已經有不少公司深度利用AI來進行營利，比如說金融投資機構利用AI模型來分析整體經濟與企業營運，并且尋找投資目標，增加獲利并分散風險。

　　不過多數重復工作的自動化只是AI能力所及的一小部份，未來AI可以做到創意性的工作，甚至參與各種研發工作。

　　舉例來說，目前的EDA工具已經很像一套包含了AI的設計工具，可以大幅降低芯片設計時的晶體管浪費和布局錯誤，若未來可以把EDA工具的AI成分大幅提升，那么芯片設計時只需要告訴AI芯片需要在什么條件下達到達到什么樣的功能，AI就可以自動設計出完整的方案。

　　而編程這個工作往往都需要花費大量的時間，目前的輔助系統已經可以幫助編程工作者簡化編程的復雜度，而只需專注在算法的研發上，各種庫的連結或者是接口的適配，都可以讓開發工具中的輔助系統來代勞。

　　以色列新創公司Codota已經做到讓AI針對包含Github與StackOverflow，或其他平臺上的源碼進行分析與學習，并同時為程序員推薦最適合當下程序的的編碼。另一家新創公司Kite，則是通過AI透過大量的數據爬梳與預測，讓程序員需要親自動手的編程工作大幅減少。

　　另一家新創Kite，利用AI替工程師省下查詢數據的時間。根據創辦人Adam Smith統計，每個工程師每天要進行網絡搜索26次以上，如果能將這些搜索內容都內建在編譯程序中，能夠大大加快編程的效率。

　　人類結合AI

　　AI應該要怎么與個人進行結合？當然，如果只是單純把智能手表、智能手機拿在手上，那算不上結合。

　　上周馬斯克的Neuralink公司發表其腦機接口的最新進展，并公開表示2020年將開始進行人體試驗，該公司的目標是要在人腦植入電極，并創造可以連接到外部機器的接口，最終目標則是要把AI芯片直接和大腦進行連結。

　　馬斯克表示，通過腦機接口，可以讓AI來幫助人類大腦進行思考，未來即便AI獲得了自主思考的能力，人類通過腦機接口取得與AI相提并論的計算能力，同時擁有人類與生俱來的創造力，那么這種新型態的人類就不會被AI取代。

　　除了大腦和AI的結合，具備AI功能的外骨骼可以幫助使用者應對各種環境的工作或者是生存需求，結合腦機接口帶來的計算能力，等同創造了全新的物種，并提高了人類在未來AI世代來臨時，仍可持續擁有競爭力，而不會被時代所淘汰。