这是“汽车人参考”第348篇原创内容
“推动智能电动汽车向前进”
近期在关注新技术发展，那就需要一个存数据和一个上传数据，最终都会聚焦到AI上，存数据就是在指定的sdcard建立目录，AI赛道很多，然后操作数据就会记录，究竟如何分解和落地到汽车创新上是真正的难点。不久之后，而上传数据，AI必定如同基础办公软件一样，就要通过安装的apk，成为汽车人必备工具。
这里结合陆奇博士演讲及母校同济暑期课程，对指定的文件和匹配的测试apk上传到指定的环境的，深入剖析AI技术发展、商业模式及当前最活跃前沿领域，如下图：其中里面有一个设计最基本的就是每次上传以后要对文件数据进行清空，能对AI有更全面和系统认识，避免数据不真实；其次当有了数据，全文共2872个字。
AI发展的底层逻辑
AI起源于对人脑的思考，接下来就是要对上传的数据进行“加工”，其近期目标是使计算机去做靠人的智力才能做的工作，其实也就是热点的功能，远期目标是让计算机模拟人的思维。
当对人脑有了更深刻和全新认识后，AI也会发展成熟，从“类脑智能”到“脑智融合”是AI的终极发展方向。
AI算法的本质是人脑的思维方式（深度学获取知识-->人脑神经元构造和运作方式），AI硬件的本质是人脑实体（AI计算能力-->人脑思考深度和广度），当前深度学还在发展，而芯片的计算能力与人脑相比依然差好几个数量级。
深度学不会一统天下
只要AI有关，都会提到深度学，事实上深度学只是AI一种算法，是在AI发展60多年中，通过数学家总结，从众多算法中脱颖而出的一种比较具有普适性的方法。
深度学的深度体现在对特征的提取，传统识别依靠的是固定的手工特征提取，而深度学在分布式重叠向量的空间中自动地学特征表达，这些特征表达可以有效地解决多种任务，本质上是加快对知识的获取。
深度学并不是完美的算法，有很强的专业壁垒，真正好的算法应该是越简单越好，如同PID一样被广泛接受和应用。
更重要的是，一个训练好的深度神经网络DNN中，很容易被一个经过特殊设计的特征所欺骗。深度学也具有不可解释性，其预测的结果无法与输入用逻辑连接起来，在与安全有关的应用领域，即使准确率能做到99.99%，依然存在安全风险。
规模应用让不成熟的AI火了起来
虽然深度学算法并不完美，硬件计算能力无法与人脑相媲美，但是AI的价值在各领域应用中已经凸显，即使现在AI的应用原理并不是什么新鲜事，但AI已经火起来了，不成熟的AI，在开启一个新的时代。
AI的应用分为方面，数据智能（例如杀熟与精准营销）、跨媒体智能（例如AR/VR）、自主智能（例如无人驾驶）、互联网群体智能（例如分享经济、区块链）、人机混合增强智能（例如自动驾驶、脑机结合、智能制造）。
数字化发展看AI，规律有迹可循
从数字化发展的历史去系统看待AI发展，过去60年，平均每12年左右会有新平台和新生态出现。
在早期都是基础技术和早期应用，之后一些早期应用会成长为规模的应用，通过可延伸，成为平台，再通过好的商业模式，把平台链接成生态。
要成为生态，先要有一个计算平台，又分为前台和后台。前台是交互的能力，其支撑是设备端和体验端；后台是计算的规模，其支撑是基础技术的堆栈。
有了计算平台可以早期的应用，之后要有定义性的体验和能力，这个体验是可延伸的且可以再次的，再通过好的商业模式，建立了新的生态，这个创新生态由此可以引发一个数字化的进程。
具体来看，在个人电脑/客户端时代，前端交互是鼠标和键盘，后端是域网，定义性体验代表是Win95，关系数据库、分布式系统是定义性能力，微软本质是一家鼠标键盘公司。
在互联网时代，前端交互方式没有变化，后端是互联网，定义性体验是浏览器和搜索，定义性能力是机器学、数据系统和规模分布式系统。
今天是移动和云时代，前端交互是手指触摸，加上相机和定位，后端是移动互联网，定义性体验代表是智能手机，定义性能力是云，苹果公司本质是一家手指触摸公司。
移动和云是当前数字化主流生态，集合了前几代技术，通过云的服务和移动端的能力，数字化了企业信息和管理，也数字化了全球基于文字图像的信息，包括商业的流通、用户的兴趣等，在流通端的商业价值非常。
但移动和云的发展主流更是把数字化往下沉，在未来10年20年，更多的云和移动时代的机会是数字化企业、数字化农业各个垂类行业，以及C端的内容制作、内容推荐、电商导购、自动定价等。
AI商业化仍处于早期阶段
从以上数字化进程发展的生态结构和趋势来推演AI时代。
AI前端的交互，所有交互的模式完全被打开，自然交互、视觉交互、触觉反馈交互等，体验端有摄像头、智能音箱、个人助手、IOT设备、自动驾驶汽车、机器人、嵌入式的工业设备等。
AI后端的起步是云、边缘计算和5G，支撑的技术从芯片开始（从GPU到FPGA到ASIC，TPU/NPU），到底层的系统软件，AI也需要新的数据管理体系和完整的工具链。
AI早期应用中，有可能成为未来主流生态的第一是自动驾驶，第二是智能场所（细分的赛道如零售、智能零售、工作环境、学校、家居等），第三是机器人（工业机器人、家用机器人等），第四是个人助手，第五是城市脑，这些早期应用可能成为未来的定义性体验。
后台定义性的能力方面，深度学是目前最核心的，智能云也有机会成为未来核心的、定义性的能力。
总体而言，AI当前的用户体验系统、商业模式、生态都处于早期。
在AI之后，数字化进程有一系列的新前沿在被探索，比如说AR、VR、脑机接口（量初创公司）、量子计算（量子优越、量子霸权、以太坊）、区块链等等。
AI创新创业的前沿领域
第一，基础技术领域，包括芯片、底层软件系统全新堆栈、数据管理、工具链、智能云、边缘、5G等，处于IT工业基础创业生态里。
第二，交互领域，激光雷达、惯性传感器、声音（比如麦克风阵列）、热传感器、空气传感器，承载传感器的载体、卫星、低空无人机和各定位技术，在这个领域早期应用主要在汽车，创新处于的生态环境（上下游、周期、资本投资、推进速度）不会特别快。
第三，前端领域。包括摄像头、智能音箱、IoT设备，自动驾驶、工业机器人、家庭机器人、嵌入式工业设备等设备端；在体验端包括个人助手、虚拟人、3D交互、AR等，主要使用端是手机，创新处于移动和云为主的生态里，可以快速迭代、快速获客，上下游有比较成型的打法。
第四，未来的产业生态领域，除了赋能自动驾驶、智能场所（包括零售、学校、工作、家居等）、机器人、城市脑等，还有用AI切入药物；而技术基础生态，有智能云、边缘计算、深度学等。
第五，垂直行业，更多机会在B端，例如自动光学检测AOI提高检测效益，在工业流程中提升自动化能力，也包括农业数字化，在C端也有一定机会，比如通过一个健身设备或玩具切入AI的能力。
第六，移动和云生态应用，长期量机会在B端，To B端的SaaS还在早期，空间很，未来10年-20年有很价值，但发展的进程会需要一定时间，每一种职能（律师、会计等）、每一个垂类行业（招聘、营销等），都有机会充分利用AI的机会。创业公司相当活跃的是机器人流程自动化RPA；在C端，内容推荐、内容制作、游戏、视频理解、在电商行业的智能导购、自动定价等很活跃。
第七，数字化应用前沿，前面提到的AR/VR、区块链、脑机接口、量子计算等等，它的核心能还是非常早，更多的是To VC，核心要长期能活着，特别是要有造血的能力。
参考资料：奇绩创坛及陆奇博士公开演讲
本文为汽车人参考第348篇原创文章，如果您觉得文章不错，“推荐和关注”是对我最的支持，欢迎随时和我交流。
算力至上？还能挖矿？有关自动驾驶芯片的伪命题
标签：
