AI繁荣的背后依然隐含着很多问题尚待解决

自从Alphago挑战人类成功后，AI就成为了大众关注的焦点。目前，一些高频、重复、长时间且低附加值的人工操作已经开始由AI来替代完成。比如安防领域的视频图像解析、自动驾驶，以及数据挖掘和分析等等。

不过要真正大规模应用，AI还有很长的路要走。数据、算法和算力是AI发展的三大要素，缺一不可。AI需要海量的数据进行学习，才能变得更聪明，但目前普遍各行业的数据质量仍然有待提高。

没有数据，AI难为无米之炊

信数金服CEO徐进在接受记者采访时指出，各个行业必须提升对数据本身的重视程度，把数据收集好、整理好、管理好。如果数据质量不够好的话，AI也巧妇难为无米之炊。

一直以来，金融企业对数据的重视程度就非常高。这使得不少金融机构已经开始利用AI技术来完成自动化风控审核，自动化反欺诈等工作。徐进透露，通过智能建模预测，可以在极短时间之内分析几百万甚至上千万的交易历史数据，甄别交易的真实性，并且针对不断变化的欺诈模式，每日自动训练、自动更新反欺诈模型，欺诈交易识别准确率高达96％。

AI算法需要与应用结合

算法让AI能模仿人类工作，来解决更多问题。不过，AI的算法从理论走向实践，还需要与应用更为紧密的结合，在各种复杂应用场景中不断完善。阿里云机器智能首席科学家闵万里认为：“面对AI热潮要冷静，有很多事情不是光靠AI就能解决的，AI的发展需要算法、算力结合云平台作为坚实的底座，最终走到用户场景中去。”当前的AI算法还都比较初级，更偏向理论层面，不够实用。

爆发的AI 算力需求也是制约人工智能发展的瓶颈之一，这需要更为成熟、完善的AI芯片来支撑。AI芯片的发展可以分为云端和终端两大方向，在功能上可以分为训练和推理。训练是指通过大量的数据样本，来让系统知道什么是“正确的”，比如通过大量猫的图片数据，让系统知道什么是猫。推理是利用训练过的模型，实时分析数据，输出结果，比如给模型一张图片，让AI判断这张图是不是猫。

芯片跟不上，就会成为AI瓶颈

目前，AI芯片的大规模应用主要在云端，由Nvidia、英特尔两大巨头主导。Nvidia 在云端AI训练芯片上占据较大的优势，是应用最广泛的方案， 而英特尔通过持续收购，也增强了自身的竞争力。此外，Google、Xilinx、ARM 等也都参与竞争。在终端市场，由于应用场景的细分，需要采用各种不同的芯片，则给AI芯片初创公司提供了机会。

而在国内，由于自主可控的需求，像寒武纪这样的国产AI芯片商，或许会有更多的发展机会。

在终端方面，寒武纪提供面向嵌入式终端的处理器，提供IP授权，应用在手机，安防产品上。2017年，寒武纪1A处理器集成在了华为麒麟970上，华为mate10手机中大规模使用。

在云端服务器方面，寒武纪在2018年推出了中国首款云端人工智能芯片MLU100，能够为智能推理提供强大的算力支撑。 MLU100把稀疏化技术用于智能芯片，达到166．4TOPS的INT8运算能力，并针对视频处理进行了优化，提升图像识别方面的性能。

寒武纪科技创始人兼CEO陈天石指出，MLU100不是专门的神经网络或深度学习的专用处理器，而是具有较好的通用性，支持各类深度学习技术和AI的应用场景。未来，寒武纪AI芯片会提供更低成本、更低功耗的算力支持，数据规模变大的时候，不用担心底层算力。

AI的概念最早在50、60年代就正式提出，之后经历了几次起伏，一直到神经网络和深度学习技术的突破，让AI再度掀起了热潮。在繁荣的背后依然隐含着很多问题尚待解决，但全球对人工智能的需求是巨大的，相信很多行业会在这股热潮中被改造。