人工智能行业研究报告样本.docx

概要

人工智能是信息时代尖端技术。从人类建立起需要指引控制才干运营计算机，到计算机拥有可以自己去学习能力，这一奔腾对各行各业都产生了巨大影响。虽然此时此刻也许是下一种 AI 冬季（图8）到来之前「予以承诺又让人失望」周期，但这些投资和新技术至少会给咱们带来有形机器学习生产力经济利益。

与此同步，人工智能、机器人和无人驾驶汽车已经成为了流行文化甚至是政治话语前沿。并且咱们在过去一年研究使咱们相信这不是一种错误开始，而是一种拐点。正如咱们将在本报告中探讨那样，这个变化因素有显而易见（更快更强计算资源和爆炸式增长数据库），也有细致入微（深度学习，专有硬件和开源崛起）。
这个 AI 拐点（AI inflection）中更令人兴奋一种方面是「现实世界」使用案例比比皆是。虽然深度学习使计算机视觉和自然语言解决等技术有了明显提高，例如苹果公司 Siri，亚马逊 Alexa 和 Google 图像辨认，但是 AI 不但仅是「科技技术」（tech for tech），也就是大数据集与足够强大技术相结合状况下，价值正在被慢慢创立，竞争优势也变得越来越明显。
例如，在医疗保健中，图像辨认技术可以提高癌症诊断精确性。在农业中，农民和种子生产商可以运用深度学习技术来提高作物产量。在制药业中，深度学习可以用于改进药物研发。在能源方面，勘探效率正在提高，设备可用性正在不断增强。在金融服务方面，通过开辟新数据集，实现更快分析，从而减少成本，提高回报。AI 当前还处在发现其可被运用场景初期阶段，这些必要技术会通过基于云服务实现大众化、平等化，咱们相信随之而来创新浪潮将在每个行业中创造新赢家和输家。
AI 广泛应用让咱们得出了一种结论：它是一种可以变革全球经济技术，是提高生产力并结束美国生产率停滞增长驱动力。结合 GS 首席经济学家 Jan Hatzius 研究，咱们明确了资本深化当前停滞及其对美国生产率有关影响。咱们相信，AI 技术将会驱动生产力提高，就像 20 世纪 90 年代那样，驱动公司投资更多资本和劳动密集型项目，加快发展脚步，提高赚钱能力以及提高股票估值。

启示
虽然咱们看到了人工智能可以及时地影响到每个公司、行业和一某些经济，但对投资者而言，咱们以为这其中有四个影响最为明显。
生产率。AI 和机器学习具备激发生产率增长周期潜力，这会有助于经济增长，提高公司赚钱能力，资本回报率和资产估值。依照 GS 首席经济学家 Jan Hatzius 所说：「大体上而言，AI 看起来似乎比上一次创新浪潮更有也许在记录数据中捕获到更有价值东西，人工智能可以减少成本，减少对高附加值生产类型劳动投入。举个例子，这些在商业部门成本节约上创新也许比在 iPhone 中增长应用程序可用性和多用性更利于记录学家去捕获有价值东西。考虑人工智能对商业部门成本构造广泛影响，我有理由相信它会被记录学家接受，并且会出当前整体生产力数据中。
尖端技术。AI 和机器学习在速度上价值有助于构建一种在建设数据中心和网络服务时让硬件更便宜趋势。咱们以为这也许推动硬件，软件和服务支出市场份额大幅度变化。例如，在「原则」数据中心计算资源上运营 AWS 工作负载成本低至 $ 0.0065 /小时，而在使用 AI 优化过 GPU 上运营成本为 0.900 美元一小时。
竞争优势。咱们看到了 AI 和机器学习具备重新调节每个行业竞争秩序潜力。未能投资和运用这些技术管理团队在和受益于战略智能公司竞争时，有很大也许会被裁减掉，由于这些技术可以让公司生产力提高，并为它们创造资本效益。在第 41 页开始短文中，咱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。
开办新公司。咱们发现了 150 多家在过去十年中创立人工智能和机器学习公司（附录 69-75）。虽然咱们相信人工智能大某些价值都掌握在具备资源、数据和投资能力大公司手中，但咱们也盼望风险投资家、公司家和技术专家可以继续推动新公司创立，从而增进实质性创新和价值创造，虽然最后创业公司会被收购。固然咱们也不能忽视人工智能巨头（人工智能领域google或 Facebook）浮现。
在接下来篇幅中，咱们将进一步探讨 AI 技术，历史，机器学习生态系统以及这些技术在行业和领头公司中应用。
什么是人工智能？
人工智能是做出可以以人类智能方式学习并解决问题智能机器和计算机程序理工科。老式而言，该领域涉及自然语言解决与翻译、视觉感知与模式辨认，以及决策制定。但该领域以及应用复杂度都在急剧扩展。
在此报告中，咱们大某些分析集中在机器学习（人工智能一种分支）与深度学习（机器学习分支）上。咱们强调两点：
简言之，机器学习是从样本和经验（即数据集）中进行学习算法，而不是依托硬编码和预先定义规则。换言之，也就是开发者不再告诉程序如何区别苹果和橘子，而是向算法输入数据（训练），然后自己学习如何区别苹果和橘子。
深度学习重大发展是人工智能拐点背后重要驱动。深度学习是机器学习一种子集。在大某些老式机器学习办法中，特性（即有预测性输入或属性）由人来设计。特性工程是一大瓶颈，需要大量专业知识。在无监督学习中，重要特性并非由人预定义，而是由算法学习并创造。
为了更加明了，咱们不注重真人工智能、强人工智能或通用人工智能这样概念，它们意味着复制人类智能，也经常出当前流行文化中。虽然已有了某些有潜力突破，例如google DeepMind AlphaGo 系统，咱们还是更注重及时有实在经济人工智能发展。
为什么人工智能发展加速？
深度学习能力极大发展是如今人工智能拐点背后催化剂之一。深度学习底层技术框架——神经网络，已经存在了数十年，但过去 5 到 10 年 3 种东西变化了深度学习：
1. 数据。随着全球设备、机器和系统连接，大量无构造数据被创造出来。神经网络有了更多数据，就变得更为有效，也就是说随着数据量增长，机器学习可以解决问题也增长。手机、IoT 、低成本数据存储和解决（云）技术成熟使得可用数据集大小、构造均有了极大增长。
例如，特斯拉收集了 780mn 英里驾驶数据，并且通过她们互连汽车，每 10 小时就能增长 100 万英里数据。此外，Jasper 有一种平台，能让多家汽车制造商和电信公司进行机器间交流，这家公司于今年 2 月份被 Cisco 收购。Verizon 在 8 月份做了类似投资，宣布收购 Fleetmatics，Fleetmatics 做是将汽车上远程传感器通过无线网络连接到云软件。
将来，5G 网络上线将会加速数据生成与传播速率。据 IDC Digital Universe Report 显示，年度数据生成预期到 年达到 44zettabytes，表白咱们正在见证应用这些技术使用案例。

图 1：年度数据生成预期到 年达到 44zettabytes
2. 更快硬件。GPU 再次使用、低成本计算能力普遍化，特别是通过云服务，以及建立新神经网络模型，已经极大增长了神经网络产生成果速度与精确率。GPU 和并行架构要比老式基于数据中心架构 CPU 能更快训练机器学习系统。通过使用图像芯片，网络能更快迭代，能在短期内进行更精确训练。同步，特制硅发展，例如微软和百度使用 FPGA，可以用训练出深度学习系统做更快推断。此外，从 1993 年开始超级计算机原计算能力有了极大发展（图 2）。在 年，单张英伟达游戏显卡就有了类似于 年之前最强大超级计算机拥有计算能力。
图 2：全球超级计算机原计算性能，以 GFLOPs 测试
成本也有了极大减少。英伟达 GPU（GTX 1080）有 9 TFLOPS 性能，只要 700 美元，意味着每 GFLOPS 只要 8 美分。在 1961 年，串够 IBM 1620s 每提供 1 GFLOPS 需要钱超过 9 万亿。

图 3：每单位计算价格有了极大下降
3. 更好、更普遍可用算法。更好输入（计算和数据）使得更多研发是面向算法，从而支持深度学习使用。例如伯克利 Caffe、google TensorFlow 和 Torch 这样开源框架。例如，刚开源一周年 TensorFlow，成为了 GitHub 上有最多 forked repositories 框架。虽然不是所有人工智能发生于普遍可用开源框架中，但开源的确在加速发展，并且也有更多先进工具正在开源。
方向
虽然本报告重点是人工智能发展方向以及公司如何把握这个方向，但是理解人工智能对咱们生活影响限度也是很重要。
在线搜索。就在一年多此前，google透露，它们已经开始将大量搜索工作移植到了 RankBrain（一种人工智能系统），使其和链接（links）以及内容（content）成为了google搜索算法三个最重要标志。
推荐引擎。Netflix，亚马逊 和 Pandora 都在使用人工智能来拟定推荐什么样电影和歌曲，突出哪些产品。5 月，亚马逊开源了它们深度可扩展稀疏传感网络引擎（the Deep Scalable Sparse Tensor Network Engine（DSSTNE），简称「Destiny」），它被用于产品推荐，同步可以被扩展以实现超越语言和语言理解以及异议辨认目。
人脸辨认。Google（FaceNet）和 Facebook（DeepFace）都投入了大量技术来拟定您照片中人脸和真实人脸是不是几乎完全吻合。1 月，苹果采用了进一步办法，购买了 Emotient（一种致力于通过读取人面部表情来拟定其情绪状态 AI 创业公司）显然，这些技术远远不止于对照片进行标记。
虽然个人助理应用产品有无数顾客，例如苹果 Siri，信用贷，保险风险评估，甚至天气预测。在接下来篇幅中，咱们探讨公司该如何使用这些技术来加速增长，减少成本和控制风险。从这些技术及其使用这些技术应用发展速度来看，它们充其量但是可觉得公司和投资者提供某些方向，以保持她们竞争力。
加强将来生产率
美国劳动生产率在 90 年代中期迅速增长和过去十年缓慢增长和之后，近年来已经停止增长了。咱们以为，就像 20 世纪 90 年代互联网技术被广泛采用那样，消费类机器学习和人工智能扩散有也许大幅度地变化全球产业生产范式。
在整个行业中，咱们发当前自动化促使下，劳动时间减少了约 0.5％-1.5％，同步，由于 AI / ML 技术带来效率增益，到 2025 年，这些技术将对生产力增长产生高达 51-1154 个基点（bps）影响。虽然咱们盼望 AI / ML 可以随着时间同步提高生产率分母和分子，但是咱们以为最重要是，初期影响将是低工资任务自动化，即以更少劳动时间推动类似产出增长水平。咱们基本案例 AI / ML 驱动提高了 97 个基点，这意味着 2025 年增长生产率中 1.61％ 将由 IT 贡献，比 1995 - 年高出 11 个基点（图 9,10）。

图 9：生产力分析；单位百万美元，假设 年之后 GDP 线性增长

生态系统：云服务，开源在将来 AI 投资周期中核心受益人
咱们相信，在将来几年中，一种公司运用人工智能技术能力将成为体现公司在所有重要行业竞争力一种属性。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本上利益上，那么将来产品创新、劳动效率和资本杠杆都会存在落后风险。因而，咱们以为公司需要投资这些新技术以保持竞争力，同步这将导致对人工智能因此依赖人才、服务和硬件空前需求。
作为比较，20 世纪 90 年代技术驱动生产力繁华推动了相应激增。增长对技术资本支出导致了新公司和业务增长来捕获这些资本支出。在不可避免行业整合发生之前，成立软件、硬件和网络公司开始发生转变。下图 13 突出了软件行业内这种模式。在 1995 - 1999 年期间，在通货膨胀调节后，市值在 20 亿美元到 50 亿美元之间公共软件公司数量几乎增长了两倍，在 年代中期才得到巩固。

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

图 14：这十年来，投资人工智能风险资本浮现了暴增
咱们看到了由 AI 驱动生产率具备产生下一种相似繁华周期潜力，可以通过运用这些潜力，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 所反映那样，与 AI 有关初创公司风险投资在这十年中急剧增长。AI 公司投资繁华现象巨大潜力也开始推动整合。特别是云平台对 AI 有关人才进行了大量投入，自 年以来，google、亚马逊、微软和 Salesforce 共进行了 17 项与 AI 有关收购（下图）。

在上下文中对 AI 和 ML 技术发展和历史技术周期比较中，咱们看到了前者某些益处。与过去 50 年其她重要技术周期同样，计算（和摩尔定律）始终是进步抑制剂和推动者。
例如，在系统架构方面，咱们目睹了从大型机系统转变为客户端-服务器模型整个过程，并且近年来已经开始被云/移动模式所取代。这种进化驱动因素是计算能力、存储容量和带宽改进。每个转换都随着着应用开发转变，涉及各种新编程语言浮现和演变（见图表 15）和各种也许应用程序各种类型。如上下文中所提及同样，AI 这个概念已经存在几十年了，其中神经网络概念出当前 20 世纪 60 年代，虽然直到近来几年，计算能力才开始让神经网络能在实际环境中使用。
咱们相信咱们正处在 AI 平台初期阶段，就犹如 20 世纪 50 年代大型机才开始商业化到 21 世纪智能手机和云商业化。随着平台曲线变化（咱们以为它正在发生），应用程序、工具和服务驱动者（enabler）会爆炸式增长，咱们将在下面更详细地讨论。

图 15：人工智能发展可以与历史上系统架构和编程语言采用技术革命相比，尽管咱们以为咱们当前依然处在人工智能发展和应用初期阶段
stack 演变过程以及和 AI 之间相应关系
蓝色 =专有供应商，橙色 =开源，绿色 =云服务（注意：某些供应商，如 IBM 和 Microsoft 都是专有服务和云服务）

图 17：生产中机器学习：如何在机器学习管道中运用各种开源和云技术

图 18：机器学习管道中核心开源项目。可用项目\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 AI-aaS 产品示例
中华人民共和国人工智能现状
 iResearch 预测， 年，中华人民共和国人工智能市场将从 年 12 亿人民币增长至 91 亿人民币。 年，约 14 亿资本（年增长率 76%）流入了中华人民共和国人工智能市场。
在政府政策方面，中华人民共和国国家发展改革委员会（发改委）和其她有关政府机构于 年 5 月 18 日发布了《「互联网+」人工智能三年行动实行方案》。《方案》指出了人工智能领域发展六大保障办法，涉及资金支持、原则体系、知识产权保护、人才培养、国际合伙和组织实行。《方案》提出，到 年，中华人民共和国人工智能基本资源与创新平台、产业体系、创新服务体系、原则化体系应基本建立。发改委盼望中华人民共和国人工智能产业整体与国际同步，系统级别（system-level）人工智能技术和应用要位于市场领先位置。
中华人民共和国已经做出某些重大举措，并且依照提及「深度学习」和「深度神经网络」被引用期刊论文数量， 年，中华人民共和国已经超越美国（Exhibit 23）。中华人民共和国拥有世界领先语音和视觉辨认技术，其人工智能研究能力也令人印象深刻（Exhibit 24）。百度于 年 11 月发布 Deep Speech 2 已经可以达到 97% 对的率，并被《麻省科技评论》评为 年十大突破科技之一。此外，早在 年香港中文大学开发 DeepID 系统就在 LFW 数据库中达到了 99.15% 面目辨认对的率。

Exhibit 23：提到「深度学习」或者「深度神经网络」期刊文章

Exhibit 24：至少被引用一次、并提到「深度学习」或者「深度神经网络」期刊文章

中华人民共和国互联网巨头百度、阿里巴巴和腾讯（BAT）正在领导中华人民共和国人工智能市场，同步数以百计初创公司也正渗入到这一产业中，并在各种人工智能细分市场及应用领域建立服务模型。当前，中华人民共和国人工智能领域涉及：
基本服务，如数据资源和计算平台；
硬件产品，如工业机器人和服务机器人；
智能服务，如智能客户服务和商业智能；以及
技术能力，如视觉辨认和机器学习。
依照 iResearch，当前，语音和视觉辨认技术分别占中华人民共和国人工智能市场 60% 和 12.5%。在中华人民共和国，所有和人工智能有关公司中，71% 专注于开发应用。别的公司专注算法，其中，55% 公司研究计算机视觉，13% 研究自然语言解决，9% 致力于基本机器学习。
咱们以为，人工智能前沿重要参加者也许会继续来自美国和中华人民共和国。

百度：
年 9 月，百度「度秘」：声控人工智能个人助理（整合进百度移动搜索应用）
年 11 月，百度 DeepSpeech 2：包括一种大型神经网络语音技术，通过样本学会将声音与语词联系起来
年 12 月，百度无人车：百度无人车在北京道路上完毕测试，并在硅谷设立自动驾驶部门（ADU）
年 8 月，百度「DuSee」：为移动设备打造 AR 平台（整合进百度搜索和地图移动应用），在搜索广告方面有着广泛应用
年 9 月，百度大脑：官方简介，百度人工智能平台
年 9 月，Paddle Paddle：百度近期开源深度学习工具包
年 10 月，百度移动应用 8.0：新升级移动搜索应用，内含一种整合了智能搜索和个性化新闻推荐系统，其背后采用了人工智能、自然语言解决和深度学习技术
阿里巴巴：
年 7 月，阿里小蜜「阿里小秘书」：虚拟人工智能客服，据公司 年 10 月报告，问题解决率已达到 80%
年 8 月，DT PAI：基于阿里云服务，用来解决机器学习过程，被该公司称为是中华人民共和国第一种人工智能平台
年 6 月，阿里妈妈光学字符辨认：该技术获得文档分析与辨认国际会议（ICDAR）Robust Reading 比赛第一名
年 8 月，阿里云 ET：一套综合人工智能解决方案套件，涉及视频、图像和语音辨认技术
腾讯：
年 6 月，优图：腾讯为开发者开放了其面部辨认技术，以及优图科技其她核心技术
年 8 月，腾讯 TICS 实验室： 年腾讯设立智能计算和搜索实验室，专注于四个方面：搜索、自然语言解决、数据挖掘和人工智能
年 9 月，Dreamwriter：腾讯上线中华人民共和国第一种新闻报道机器人
年 11 月，WHAT 实验室：微信-香港科技大学人工智能联合实验室，于 年 11 月 26 日成立
人工智能生态：核心参加者

人工智能生态：使用案例与潜在机会

创新人工智能驱动者：google、亚马逊
google在做些什么？
google搜索算法在过去二十年里进展迅速。从 1998 年 PageRank 到 年 RankBrain，基于链接网络排名已经进化成人工智能驱动下查询匹配系统，后者可以不断适应那些独特搜索（占google所有搜索 15%）。
在云技术方面，公司五月份发布了针对平台定制化硬件加速器方面获得进展，一种定制化 ASIC，亦即 TPU，这一进展对 年开源机器学习软件库 TensorFlow 进行了补充。过去三年中，在与人工智能有关收购战中，公司也当仁不让。
被收购公司中，最知名当属 DeepMind，它提高了 Alphabet 神经网络功能并已经将其应用于各种人工智能驱动项目中。
为什么重要？
在搜索中使用算法，google可谓先行者。将自然语言解决应用到配备顾客搜索意图和可欲成果方面，公司始终处在领先地位，这也不断加强了公司在该领域竞争优势。
在进一步推动人工智能领域融合。在增进人工智能一体化（AI integration）方面，公司开源应用 TensorFlow 已经为其她云平台以及研究社区运用公司资源提供了先例。同步，google正通过自身优势，例如 TPU，充分运用开源世界为公司提供竞争优势，尽管其机器学习库是开源。

由于 DeepMind，公司提高了端到端强化能力； 年末击败职业围棋选手 AlphaGo。将人工智能带到更为广泛研究社区，同步也通过软硬件方面自身优势进行创新，google是最佳例子。
亚马逊在做什么？
亚马逊正在公司内部和云端使用机器学习技术。 年 4 月，公司发布 Amazon ML，这款机器学习服务可觉得对云数据使用提供机器学习功能（无需之前客户经验）。公司紧随google开源步伐，今年 5 月开源了 DSSTNE，一种针对推荐深度学习模型库。通过改进搜索、定制化产品推荐以及语音辨认、增长有质量产品评价，公司内部也在使用机器学习改进端到端顾客体验。
为什么重要？
借助 AWS，亚马逊成为全球最大云服务商，也许也是最成熟人工智能平台。借助 Amazon ML，公司成为作为服务人工智能（AI-as-a-service）生态系统领先者，将复杂推理能力带到之前几乎没有机器学习经验公司办公室当中。

无需基于定制复杂应用，AWS 顾客就能使用机器学习训练模型，评估以及优化潜力。亚马逊推荐引擎使用了机器学习，在匹配顾客意图以及可欲成果方面，具备竞争优势，也为公司创造了商机。公司正更加高效地运用收集到数据合理化顾客购物体验，也让电子商务体验更具互动性。
随着 DSSTNE 开源，亚马逊也与其她科技巨头一起，推动科技社区人工智能进步。
苹果在做什么？
去年，苹果已经成为最活跃人工智能公司收购商，例如 Vocal IQ，Perceptio，Emotient，Turi，以及 Tuplejump。几乎同步收购了 Vocal IQ 和 Perceptio，公司请来了 Johnathan Cohen，当时还是英伟达 CUDA 库以及 GPU 加速软件项目负责人。
近期，据报道，公司请来 Ruslan Salakhutdinov 担任人工智能研究总监，这也标志着公司人工智能战略转型。在此之前，公司最初人工智能成果之一是 Siri ，第一款嵌入移动技术虚拟助手， 年，其语音辨认技术被移入神经网络系统。
为什么重要？

直到去年，苹果已经获得相对专有机器学习成就； 年 10 月，Bloomberg Businessweek 报道，在大众消费方面，苹果研究人员还没发过一篇与人工智能关于论文。但是，这一方略转型多少与新、与人工智能有关雇佣与收购关于，科技记者 Steven Levy 在 Backchannel 一篇报道强调公司已经在人工智能领域活跃一段时间了。特别是，公司收购 Turi 突出了公司要按规模推动非构造数据和推论，以及开放给更为广泛人工智能研究社区。这次收购，配以基于收购公司技术较小应用，反映出苹果致力于用这些新技术创新公司产品。
微软在做什么？
CEO Satya Nadella 表达，微软正在大众化人工智能（democratizing AI）。公司人工智能和研究团队（总人数大概 5 千多），关注变化人类体验和与机器互动。微软已经积极地将新、融合人工智能功能嵌入公司核心服务中，并在对话计算（例如 Cortana）、自然语言解决（SwfitKey）等方面获得进展。公司正进一步打造基于 GPU 和 FPGA 云（Azure），在公司所谓更高水平人工智能服务，例如语音辨认、图片辨认以及自然语言解决当中，为机器学习提供动力和速度。

为什么重要？
两个单词：人工智能大众化（democratizing AI）。由于这个行业中公司将研究筹划甚至库开放给人工智能研究社区，微软创造了这一表述，用来解释许多领先人工智能创新者举动。去年，微软在人工智能领域颇为活跃，正式发布了产品以及研究筹划，并宣布了一种新人工智能和研究小组（ 年 9 月下旬）。
微软 FPGA 体现突出了人工智能可觉得普通商业或个人带来什么；不到十分之一秒，它就翻译完了整个维基百科（30 亿个单词和 500 万条条款）。并且随着着虚拟助理 Cortana，Siri，Alexa 以及其她助理之间竞争，进一步将人工智能研发融入广泛使用产品中去，通过产品进步吸引客户似乎是必要。
Facebook 在做什么？
Facebook 人工智能研究部门（FAIR， 年）方略是在更广泛研究社区背景下研发技术。这个团队以推动无监督表征学习（例如，观测世界、而不是借助人类算法干预，借助对抗网络进行学习）进步而为众人所知。应用机器学习部门（AML）在 FAIR 之后成立，聚焦将研究应用到公司产品中，时间限制为月或季度（而不是年）。公司正将机器学习功能应用到各种垂直领域中，例如面部辨认，机器翻译以及深度文本（DeepText）语言或文本学习。
为什么重要？
公司已经发布了各种无监督学习方面研究成果，随着机器学习超越从「对的答案」中学习，开始聚焦独立模式辨认，无监督学习已经成为一种重要焦点领域。无监督学习有望去除更多、与大数据关于人类成分，公司在 Yann Lecun 带领下，正引领该领域研究。今年五月，公司发布 FBLearner FLow 合理化了端到端 UI（从研究到工作流程、实验管理以及视觉化和比较输出）。公司人工智能项目和工作流程应用不限于 AML 成员，公司各部门领域都可以使用借鉴。这样一来，公司就可以运用研究部门之外所获得人工智能进步。
Salesforce 在做什么？
在 年和 年，Salesforce 开始解释自己 Apex 开发平台如何可被用在 Salesforce1 云上完毕机器学习任务。从此，该公司开始在人工智能上投入更多资源，收购了多家人工智能公司，涉及 Minhash、PredictionIO 和 MetaMind。在 9 月份，Salesforce 推出了 Einstein——一种面向多平台基于人工智能云筹划。该筹划专注于将人工智能融入销售云、市场云、服务云、社区云、IoT 云和 app 云。
为什么重要？
Salesforce Einstein 有潜力增进商业使用数据方式。在销售云中，该公司但愿让各个组织通过预测销售线索得分、洞见机会以及自动捕获活动来优化销售机遇。市场和服务云将提供预测参加度得分，来分析消费者使用状况。还能提供预测客户，从而协助定位市场，并基于趋势和顾客历史通过自动案例分类更快解决消费者服务事件。Salesforce 用微妙使用案例将机器学习带到云中，强调它对公司核心竞争力影响。
英伟达在做什么？
英伟达已经从之前电子游戏 GPU 生产商转型为机器学习应用硬件厂商。 年年终，公司表达，较之使用老式 CPU，使用了 GPU 神经网络训练速度提高了 10 到 20 倍。尽管英特尔重金投入 FPGA（作为 GPU 代替产品）加入硬件市场角逐，但是，GPU 机器学习应用能实现更加密集训练。相对而言，FPGA 可以提供更快、计算密集限度更低推理和任务；这阐明市场会依照实际应用案例区别对待。过去五年，到 年 6 月为止，英伟达所占 GPU 市场份额已经从一半上升到近四分之三。
为什么重要？
在人工智能创新公司和学术机构中，GPU 加速深度学习始终是许多项当前沿。英伟达所占据市场份额意味着，随着人工智能越来越成为将来几年中大型商务中心议题，公司可以从中获益。使用公司产品一种例子，俄罗斯 NTechLab，使用 GPU 加速深度学习框架来训练面部辨认模型，辨认密集集会中个人，并在 AWS 中运用这些 GPU 进行推理。
作为一种选取，许多大学也使用英伟达 Tesla 加速器来模仿也许抗体突变，这种变异也许会击败进化中伊波拉病毒，将来研究会进一步关注流感病毒。
英特尔在做什么？
英特尔战略比较独特，其使用案例各种各样。 年年中，公司发布了第二代 Xeon Phi 产品系列，以其高性能计算（HPC）能力著称，它可以让人工智能扩展到更加大型服务器网络和云端。在硬件不断进步同步，公司也下重金投资 FPGA，这重要归功于其推理速度和灵活可编程性。英特尔令人瞩目收购涉及 Nervana（深度学习），以及 Altera——该公司将 FPGA 创新带入了英特尔。
为什么重要？
英特尔关注 FPGA 创新补足了英伟达对 GPU 关注。当解决大型数据库（微软等许多大公司用来测试大数据分析边界），FPGA 可以提供更迅速推理速度。在物联网应用环境中，公司也宣布了一种筹划，旨在将学习技术融入可穿戴微芯片中（显然是通过 Xeon Quark）。物联网和人工智能衔接有助于为公司和个人寻常使用案例数据收集机制提供机器学习解决方案。
Uber 在做什么？
Uber 正在使用机器学习优化 UberX ETA 以及接送地点精确性。为了实现这一点，需要数百万之前搭乘记录数据点来探测常规交通模式，从而可以相应调节 ETA/接送地点。今年 9 月，Uber 展开了一种自动驾驶试点项目，地点位于匹兹堡，由来自 CMU 研究人员（受雇于 Uber）负责该项目，诸多大型汽车制造商业参加了进来。该公司还和沃尔沃达到了一项合伙（金额 300 万美元），研发协作也为这个试点项目提供了机遇。但是，公司并不止步于小轿车。公司收购了一家自动卡车创业公司 Otto，今年十月在科罗拉多，公司试点快递了 5 万瓶啤酒。
为什么重要？
Uber 机器学习负责人 Danny Lange 在接受 GeekWire 采访中提及，她们团队正在将这种技术无缝供应公司其她团队，这些团队无需具备机器学习背景就可以使用 APIs。这也能让公司不同部门能高效运用机器学习基本架构，例如，UberX、UberPool、UberEats 以及自动驾驶工具都使用到了公司人工智能技术。
IBM 在做什么？
IBM 在全球有 3000 多名研究人员。过去十年，IBM 在认知计算上超过有 1400 项专利，下一代云上有 1200 项，在硅/纳米科学上有 7200 项专利。IBM Watson 运用自然语言解决机器学习技术辨认模式，并提供在非构造数据上洞见，据该公司表达这代表如今所有数据 80%。其她 Watson 产品涉及 Virtual Agent，一种响应分析自动消费者服务体验；Explorer，这是一种分析并连接大量不同数据集工具。
为什么重要？

IBM 始终是该领域先驱，有着极大成就，涉及上世纪 90 年代 DeepBlue 和 年 Watson。Watson 应用涉及医疗中病人治疗分析，基于 twitter 数据股票推荐，零售中消费者行为分析，以及对抗网络安全威胁。据财富报道，GM 将 Watson 加入到了汽车中，在 OnStar 系统上结合了 Watson 能力。
百度在做什么？
百度人工智能研究由百度大脑所推动。它包括 3 个元素：
1）一种模仿人类神经网络人工智能算法，有着在百十亿样本上训练大量参数；
2）能在数十万台服务器与大量 GPU 集群上进行高性能计算（HPC）运算能力。HPC 能容纳更多可扩展深度学习算法。百度是首家宣布这种架构公司，并正与 UCLA 合伙；
3）标记数据，借此技术，百度收集到了数以亿计网页，涉及百亿视频/音频/图像内容碎片，尚有数十亿搜索祈求和百亿定位规定。为特定模型训练一台机器也许需要很高（exaFLOPS 级）计算能力以及 4T 数据。
为什么重要？
人工智能正在改进百度全线产品顾客体验和提高顾客粘性，也在推动针对每一顾客定制化高质量内容。建立一种内部平台来运营从网页搜索到广告投放带有标签数据深度学习实验，可以预测点击率（CTR），这会直接影响百度广告投放，因而也是它们当前重要收益。此外，基于人工智能技术也能带来更高 CTR，并且每点击成本减少也能增进变现。