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 44zettabytes