我们相信，在未来的几年中，一个公司利用人工智能技术的能力将成为体现公司在所有主要行业竞争力的一个属性。虽然战略会因公司规模和行业而有所不同，但如果管理团队不会把重心放在领导人工智能和在此基础上的利益上，那么未来产品创新、劳动效率和资本杠杆都会存在落后的风险。因此，atv直播，我们认为公司需要投资这些新技术以保持竞争力，同时这将导致对人工智能所以依赖的人才、服务和硬件的空前的需求。

作为比较，20 世纪 90 年代技术驱动的生产力繁荣推动了相应的激增。增加对技术的资本支出导致了新的企业和业务的增加来捕获这些资本支出。在不可避免的行业整合发生之前，成立软件、硬件和网络公司开始发生转变。下图 13 突出了软件行业内的这种模式。在 1995 - 1999 年期间，在通货膨胀调整后，市值在 20 亿美元到 50 亿美元之间的公共软件公司的数量几乎增加了两倍，在 2000 年代中期才得到巩固。

图 13：伴随 20 世纪 90 年代生产力激增的驱动者生态系统（enabler ecosystem）

图 14：这十年来，投资人工智能的风险资本出现了暴增

我们看到了由 AI 驱动的生产率具有产生下一个相似的繁荣周期的潜力，可以通过利用这些潜力，把软件、硬件、数据和服务提供商作为商业投资来创造价值。如上图 14 所反映的那样，与 AI 相关的初创企业的风险投资在这十年中急剧增加。AI 企业投资的繁荣现象的巨大潜力也开始推动整合。尤其是云平台对 AI 相关人才进行了大量投入，自 2014 年以来，谷歌、亚马逊、微软和 Salesforce 共进行了 17 项与 AI 相关的收购（下图）。

在上下文中对 AI 和 ML 技术的发展和历史技术周期的比较中，我们看到了前者的一些益处。与过去 50 年的其他主要技术的周期一样，计算（和摩尔定律）一直是进步的抑制剂和推动者。例如，在系统架构方面，我们目睹了从大型机系统转变为客户端-服务器模型的整个过程，并且近年来已经开始被云/移动模式所取代。这种进化的驱动因素是计算能力、存储容量和带宽的改进。每个转换都伴随着应用开发的转变，包括各种新编程语言的出现和演变（见图表 15）和各种可能的应用程序各种的类型。如上下文中所提及的一样，AI 这个概念已经存在几十年了，其中神经网络的概念出现在 20 世纪 60 年代，虽然直到最近几年，计算能力才开始让神经网络能在实际环境中使用。我们相信我们正处于 AI 平台的早期阶段，就如同 20 世纪 50 年代大型机才开始商业化到 21 世纪的智能手机和云的商业化。随着平台曲线的变化（我们认为它正在发生），应用程序、工具和服务驱动者（enabler）会爆炸式增长，我们将在下面更详细地讨论。

图 15：人工智能的发展可以与历史上的系统架构和编程语言的采用的技术革命相比，尽管我们认为我们目前仍然处在人工智能发展和应用的早期阶段

stack 的演变过程以及和 AI 之间的对应关系

蓝色 =专有供应商，橙色 =开源，绿色 =云服务（注意：一些供应商，如 IBM 和 Microsoft 都是专有服务和云服务）

图 17：生产中的机器学习：如何在机器学习管道中利用各种开源和云技术

图 18：机器学习管道中的关键开源项目。可用的项目支持公司和风险投资

图表 20：人工智能即服务（AI-as-a-Service（AI-aaS））概览：机器学习 API 正在被开发以解决水平和垂直使用案例

图表 21：水平 AI-aaS 产品和定价：来自云平台的 AI-aaS 产品示例

中国人工智能现状