转载：腾讯研究院重磅报告！中美两国人工智能产业发展全面解读 （二） ...

 2017-08-02 腾讯研究院 AI世代 

3.1 中美巨头的产业布局

从产业图谱来看，人工智能主要分为技术层、应用层和基础层。技术层包括人工智能通用技术平台（例如计算机视觉与图像、自然语言处理、语音识别）。应用层包括人工智能行业应用方案、消费类终端或服务等。基础层包括人工智能芯片、算法和数据。

美国巨头呈现出全产业布局的特征，包括基础层、技术层、应用层，均有布局；而中国巨头主要集中在应用侧，只在技术层局部有所突破。

3.2 技术层：争抢人才，构建生态

在技术层面，巨头通过招募高端人才、组建实验室等方式加快关键技术研发。同时，通过持续收购创业公司，争夺AI人才，完善自身布局。此外，巨头还通过开源技术平台，构建生态体系，赋能全行业。

3.2.1建立核心人才队伍：AI实验室

3.2.2 持续收购拼抢人才与技术

初创公司往往会成为巨头的猎物。打个比方，如果AI全产业如一部巨大机器，那么新兴创业公司，大多是机器上的某个零部件。这是因为新兴创业公司，仅具有某一项或几项技术优势，很难成为主导全局型应用，但有助于完善巨头布局，因而，最终难逃被巨头收购。

巨头公司通过投资和并购储备人工智能研发人才与技术的这种趋势越来越明显。中美并购事件近两年密集增加。CB Insights的研究报告显示，谷歌自2012年以来共收购了11家人工智能创业公司，是所有科技巨头中最多的，苹果、Facebook和英特尔分别排名第二、第三和第四。标的集中于计算机视觉、图像识别、语义识别等领域。Google于2014年以4亿美元收购了深度学习算法公司Deepmind，该公司开发的AlphaGo为Google的人工智能添上了浓墨重彩的一笔。

2011-2016人工智能主要收购事件 来源：CB Insights

3.2.3 建立开源生态，占领产业核心

人工智能的常见开发框架包括谷歌的TensorFlow、Facebook的Torch、Microsoft的CNTK以及IBM的SystemML。这些框架的地位类似于人工智能时代的iOS/Android。开源也成为了这些软件开发框架共同的策略。

谷歌早在2011年就成立AI部门，在谷歌内部，由机器学习驱动的产品和业务不计其数，包括谷歌搜索、Google Now、Gmail等，同时谷歌还向其开源Android手机系统中注入大量机器学习功能。2011 年第一代机器学习系统，从大量的Youtube 图片中学会了识别猫；2015年，谷歌将内部采用深度学习的技术整理到一起，发布第二代人工智能系统TensorFlow，并宣布将其开源。这是一套包括很多常用深度学习技术、功能和例子的框架。得益于庞大的计算和数据资源，谷歌大脑在深度学习方面取得了显著的成果。在几次人机大战中大放异彩的DeepMind公司自2014年被Google收购后，陆续发表了207篇顶级期刊论文，为Google带来了大量研究人才。

2013年卷积神经网络发明者Yann LeCun加入Facebook，带领公司的图像识别技术和自然语言处理技术大幅提升。Facebook的深度学习框架是基于之前的Torch基础上实现的，于2015年12月开源。此外，Facebook还开源了人工智能硬件平台Big Sur等十余个项目。

微软在2016年整合微软研究院、Cortana和机器人等团队建立“微软人工智能与研究事业部”，现有7000多名计算机科学家和工程师。同年，微软发布了其深度学习工作包CNTK，CNTK使得实现和组合前馈型神经网络DNN、卷积神经网络和循环神经网络变得非常容易。

在Google和微软分别开源其机器学习平台后，IBM也开源了其深度学习平台SystemML。IBM主推的认知计算平台也向开发者开放了Watson的认知计算能力，加速人工智能的部署。

2016年，百度开放了其深度学习平台Paddle-Paddle，覆盖了搜索、图像、语音识别、语义处理、用户画像等领域的技术。腾讯不同事业部都在不同领域展开AI研究。AI Lab注重将技术与腾讯业务场景相结合，即游戏、社交、内容生态。

大公司纷纷拥抱开源有两方面原因：第一，通过开源来构建生态和护城河。无论是谷歌、亚马逊还是BAT都已经拥有云计算基础设施，Google、微软一直在讲的开源、AWS推出的AI功能，本质上并无差别，都是为了赋予自家云端客户更强的数据处理能力。在现有的云服务市场中，科技巨头占据多数，构建基于人工智能的云服务将成为巨头的下一个主战场。AI是信息基础设施的一个升级，是今后产业发展的巨大引擎。巨头都想把握升级过程中涌现的大量机会，赋能全行业。第二，开源是一种开放式创新。通过开源深度学习平台，不仅可以吸引大量开发者，还可以为机器学习提供大量的数据支持，以及大量的现实场景。在人工智能平台化的趋势下，未来人工智能将呈现若干主导平台加广泛应用场景的竞争格局。

3.3 应用层：抢夺语音交互入口，征战云服务（略）

3.4 基础层：美国巨头深入产业核心布局芯片

人工智能芯片主要包括GPU、FPGA、ASIC以及类脑芯片。在人工智能时代，它们各自发挥优势，呈现出百花齐放的状态。

3.4.1榜单企业的野望

全球十大AI芯片厂商中，美国6家上榜。这些榜单企业包括Google、英伟达、Intel、IBM、微软，均自行研发了AI芯片。

Google的TPU全名是TensorFlow Processing Unit，专为其深度学习算法Tensor Flow设计。该芯片也用在AlphaGo系统中、StreetView和机器学习系统RankBrain中。今年Google开发者大会上发布的第二代Cloud TPU理论算力达到了180T Flops，能够对机器学习模型的训练和运行带来显著的加速效果。

英伟达是GPU行业领袖，应用领域涵盖视频游戏、电影制作、产品设计、医疗诊断等各个门类。GPU即图形处理器，由于其强大的并行计算能力，GPU是目前深度学习领域主流核心芯片。

英特尔通过大举收购进入FPGA市场。2015年12月29日，英特尔斥资167亿美元收购FPGA厂商Altera。英特尔Atom处理器与FPGA进行整合，这样的芯片将可以用于汽车电子系统等领域，客户可以通过可编程逻辑器件去开发新功能。

微软重点研发FPGA人工智能芯片。FPGA具有性能高、能耗低以及可硬件编程的特点。目前微软的FPGA芯片已经被用于Bing搜索上。FGPA同样能支持微软的云服务Azure，基于神经网络，执行速度可以比传统芯片快得多。

类脑芯片是一种基于神经形态工程，借鉴人脑信息处理方式，具有学习能力的超低功耗芯片。IBM从2008年开始模拟人类大脑的芯片项目，2011年和2014年分别发布了“TrueNorth”第一代和第二代类脑芯片。第二代芯片的神经元增加到100万个，可编程数量增加976倍，每秒可执行460亿次突破计算，是IBM“认知计算”战略重要的基石。

苹果正在研发一款名为“苹果神经引擎”（Apple Neural Engine）的专用芯片。该芯片定位于本地设备AI任务处理，把面部识别、语音识别等AI相关任务集中到AI模块上，提升AI算法效率，未来可能嵌入苹果的终端设备中。

3.4.2中美差距所在

在过去十多年里，Intel、IBM、摩托罗拉、飞利浦、东芝、三星等60多家公司曾试图进军AI芯片，但纷纷遭致惨败。这其中的主要原因在于进入门槛高，包括以下几点：

首先是专利技术壁垒。FPGA领域用近9000项专利构筑了长长的知识产权壁垒，将进攻者拒于行业之外。即便是强如Intel也望而兴叹，不得以耗资167亿美元收买了Altera得了一张FPGA领域的门票。

其次是市场相对偏小。2016年全球FPGA市场总额仅为50亿美元，且有九成落入赛灵思和Altera两家公司。其他GPU、ASIC均类似。这么小的市场规模很难养活太多的大公司，必然导致竞争异常激烈。

最后是投资周期长。专利壁垒或许可以跨越，市场狭小，或许可以忍受。比如FPGA产品，从投入研发到产品真正规模化生产差不多要七年。这期间几乎没有任何商业回报。正常的风投是等不了这么长时间的。

AI芯片作为产业核心，也是技术要求和附加值最高的环节，产业价值和战略地位远远大于应用层创新，因此我们需要高度重视。

中美还有相当差距。芯片产业链上中下游依次是IC设计、晶圆代工和专业封测，技术难度和附加值也依此顺序由高到低。美国企业因掌握核心技术优势主要处于产业链上游，中国企业目前在晶圆代工和封测阶段等技术要求不高的环节有一定空间。