知识表示、规划和决策
（1）Palantir：CIA的反恐秘密武器
大数据挖掘分析公司Palantir成立于2004年，该平台把人工智能算法和强大的引擎（可以同时扫描多个数据库）整合，可以同时处理大量数据库，并允许用户通过多种方式快速浏览相关信息。其产品已被美国中情局（CIA）、联邦调查局（I）、海陆空三军、联邦检察官、私人调查机构及其他客户所使用。类似CIA和FBI这样的情报机构有成千上万个数据库，并记录着不同的数据，比如财务数据、DNA样本、语音资料、录像片段以及世界各地的地图。将这些数据建立联系需要数年的时间，即便统一在一起，也很难驾驭不同种类的数据，比如说如何关联销售数据和监控录像资料，而Palantir公司所做的就是开发软件使这一切变得更容易。同时，Palantir还对各种安全问题高度敏感。Palantir引发了计算机时代的一场革命，它梳理所有可以获得的数据库，对相关信息进行确认，并他们整合起来。Palantir成立之初就获的CIA基金公司In-Q-Tel的投资，现在成为了美国情报机关在反恐战争不能缺少的工具。Palantir有效的解决了911后对情报工作提出的技术难题：如何从大量的数据中快速获取有价值的线索，可以说是CIA的反恐秘密武器。
在阿富汗，美国特种部队利用Palantir来策划袭击行动。比如他们检索一个小村庄，系统里就会出现这个村庄的地图。并详细的指出所有发生过枪击冲突和土炸弹爆炸的地方，然后再判断出哪里最有可能被伏击。特种部队可以根据这些信息轻松的占领这个村子。多年来海军陆战队从炸弹碎片上收集了很多指纹和DNA样本，并于从村民那里获取的同样的数据进行配比，通常当他们分析出结果后，放置炸弹的人早就行影无踪。现在将数据上传到Palantir上，然后和发生袭击的地方获得数据进行配比，能很快得到恐怖分子的踪迹。甚至美国政府追捕本·拉登时，就是用的是Palantir的软件。
Palantir公司相当低调，但非常受政府情报机关和华尔街的热捧。除了反恐，其关注重点也开始转向医疗、零售、保险和生物科技，比如利用Palantir可以侦查医疗保险诈骗以及发现病毒爆发的源头。现在，Palantir年收入已超过10亿美元，并且每年以3倍的速度增长。
（2）IBMWatson：认知能力强劲的多面手
Watson由90台IBM服务器、360个计算机芯片驱动组成，是一个有10台普通冰箱那么大的计算机系统。它拥有15TB内存、2880个处理器、每秒可进行80万亿次运算。IBM为沃森配置的处理器是Power7系列处理器，这是当前RISC（精简指令集计算机）架构中最强的处理器。Watson存储了大量图书、新闻和电影剧本资料、辞海、文选和《世界图书百科全书》等数百万份资料。每当读完问题的提示后，Watson就在不到三秒钟的时间里对自己长达2亿页的料里展开搜索。Watson是基于IBM“DeepQA”（深度开放域问答系统工程）技术开发的，DeepQA技术可以读取数百万页文本数据，利用深度自然语言处理技术产生候选答案，根据诸多不同尺度评估那些问题。IBM研发团队为Watson开发的100多套算法可以在3秒内解析问题，检索数百万条信息然后再筛选还原成“答案”输出成人类语言。每一种算法都有其专门的功能。
IBM公司自2006年开始研发沃森，并在2011年2月的《危险地带》（Jeopardy！）智力抢答游戏中一战成名后，其商业化应用有着清晰的脉络：2011年8月沃森开始应用于医疗领域；2012年3月，沃森则首次应用于金融领域，集团成为了沃森的首位金融客户，沃森帮助花旗分析用户的需求，处理金融、经济和用户数据以及实现数字银行的个性化，并帮助金融机构找出行业专家可能忽略的风险、收益以及客户需求。美国信贷证券公司的一份研究报告中预测，Watson在2015年将为IBM带来26.5亿美元的收入。
例如在医疗领域，Watson已收录了肿瘤学研究领域的42种医学期刊、临床试验的60多万条医疗证据和200万页文本资料。Watson能够在几秒之内筛选数十年癌症治疗历史中的150万份患者记录，包括病历和患者治疗结果，并为医生提供可供选择的循证治疗方案。目前癌症治疗领域排名前三的医院都在运行Watson。研究表明，医疗信息数据正以每五年翻番的高速度增长。这为将下一代认知计算系统运用于医疗行业以改善医学的教学、实践和支付模式提供了史无前例的商机。
4．人工智能生态格局展望：巨头与新贵共舞
4.1人工智能将催生新一轮IT商业模式创新
自从PC互联网时代以来，到移动互联网，再到智能硬件时代，技术发展和商业模式创新一直处于相辅相成的状态中，一旦技术进步的红利被商业模式创新挖掘殆尽后，面临泡沫破裂的风险，直到下一轮技术革命浪潮再来，商业模式创新才会春风吹又生。
我们认为，移动互联网时代，万物互联催生出了海量的数据，触摸屏的交互方式已经满足不了用户多元化的输入方式，商业模式创新已经遭遇了技术无法支撑的瓶颈，如果人工智能技术突破，无疑将催生出新的商业模式，带来巨大的市场想象空间。
现阶段移动互联网的商业模式创新已经将web2.0时代的技术红利消耗殆尽，未来新的商业模式的开发需要技术进步的支撑，人工智能是重要的技术突破点。
4.2AI产业格局成形的路径：“底层—中层—顶层”的生态圈逐步清晰
人工智能发展的拐点已经到来，但需要指出的是，由于技术的复杂性，发展不会一蹴而就，必然经历一个由点到面，由专用领域（domain）到通用领域（generalpurpose）的历程，通用领域的人工智能实现还比较遥远。
我们以计算机视觉的应用为例，正常的成年人可以很容易地识别照片或视频里的多种场景和人、物，但对于计算机来说还难以做到。原因是识别是一个特征抽取的过程，而特征抽取是建立在识别模型的基础之上的，要做到通用识别，则必须对世间万物都建立一一对应的模型，工作量极大。而即使是同一事物，由于光线、角度、距离的原因，在不同的场景里也会呈现出很大的差异，这进一步增加了建立识别模型的难度。短期内计算机的运算能力（即使是超级运算平台）还难以望人脑视觉中枢的项背，因此无法达成这一愿景。
以“百度大脑”为例来说明运算能力的不足：百度几乎动用了全部的云计算能力来为其构建高性能计算资源池，投资47亿元建造云计算中心，将搭载超过300万服务器内核、存储4000PB数据，但目前“百度大脑”的智力水平也仅仅相当于2岁的婴儿。
在未来5-10年之内，专用领域的定向智能化将是AI主要的应用发展方向。在更远的将来，如果人脑芯片等硬件架构能有所突破，运算能力有极大提高，则专用智能将逐步进化成为跨场景跨下游应用的通用智能。而AI的生态格局，无论是专用还是通用领域，我们认为都将围绕“底层-中层-顶层”的技术和产品架构逐渐成形。
人工智能产业生态格局的三层基本架构如下：
底层为基础资源支持层，由运算平台和数据工厂组成；
中层为AI技术层，通过不同类型的算法建立模型，形成有效的可供应用的技术；
顶层为AI应用层，利用中层输出的AI技术为用户提供智能化的服务和产品。
每一层架构中，都有不同的企业参与，最终形成围绕AI技术，产品和服务的生态圈。
4.2.1专用领域人工智能生态圈的格局
1、基础资源支持层实现路径：运算平台 数据工厂
基础资源支持层通过部署大规模GPU与CPU并行计算构成的云计算资源池（定义为超级运算平台）来解决AI所需要的超强存储和运算处理能力问题，并辅以能够抓取到汇聚了人类智慧的海量信息的大数据工厂作为数据集，为AI技术层的实现提供有利支持。
超算平台负责存储与运算。人类没有记忆就没有关联，也更不用说决策与创造，而构成记忆的基础正是有极大存储能力的脑容量，那么机器要模仿人脑也必然首先要拥有庞大的存储能力，海量数据的积累最终让机器的“存储”形成类似于人类的“记忆”。
百度在发展人工智能的道路上，首先做的也是不断扩大其存储能力。
除了存储的绝对容量之外，运算处理能力是第二个需要提升的硬实力。
运算处理能力有两个方面，第一是服务器规模，第二是特征向量大小。所谓特征向量简单理解的话就是指将文本语音图像视频等内容转化为机器能够读懂的一连串关键数据，数据越多，机器学习的就会越好，但对服务器的压力也会相应加大。百度能够仅用两年时间从10万特征向量直接飙升到200亿，足以见得百度服务器技术实力的雄厚。在这个过程中，还需要解决大规模GPU和CPU并行计算所带来的错误率提升以及散热难度加大等问题，因此，是否能够搭建超算平台成为了人工智能企业的重要进入门槛。
数据工厂实现分类与关联。数据工厂会对数据进行基础性的加工，而这种加工又非常关键。从人类的记忆联想模式分析，要调取某部分的记忆，就会很自然的联想到某个词，某个画面，某个音乐等等就能记起很多事情。这是因为人类大脑的神经连接结构允许我们这样去检索，而机器是不允许的，数据存储在硬盘上，机器想要找到某个数据，必须一个个访问过去，机器没有分类的概念。如果需要机器理解用户的语言，这种搜索技术也依然要机器的大脑配合才能达到，对每一个词的定义应该是一个库，而这个库中的每一个词又都各自构成库，数据工厂所依托的搜索算法，就是在这么一个数据海洋中去为他们建立管理，然后去索引。数据工厂相当于人脑中的记忆关联过程：将某个词同时与其他词或是某个场景等等建立起动态关联的过程。因此，通过数据挖掘和搜索算法对数据工厂中的知识库和信息库进行分类与关联的技术能力同样是人工智能企业的重要进入门槛。
2、AI技术层实现路径：面向特定场景的智能技术多姿多彩
AI技术层的作用是基于底层提供的计算存储资源和大数据，通过机器学习建模，开发面向不同领域的应用技术，例如语音识别、语义识别和计算机视觉等。
中间层的运行机制和人类的思维形成过程高度相似，是从感知到思考再到最终的决策行动甚至是创造，核心是机器学习技术的应用。首先，感知环节需要连接的是人、信息和物理世界，通过传感器，搜索引擎和人机交互来获取建模必须的数据，相当于人类的感知过程。依托于底层的高性能计算和弹性存储能力，中间层对感知到的数据进行建模运算，相当于人类的思考过程。最终，应用层利用数据拟合出的模型结果，对智能应用的服务和产品端输出指令，指挥包括机器人、无人机、3D打印等在内的各种设备响应用户需求。尽管目前由于思考层面的计算存储能力和建模能力的不足，导致人工智能还无法达到和人类相接近的“智慧”程度，但也足以支撑包括语音识别、图像识别和知识图谱在内的各种AI技术在特定场景下的应用。
另外一方面，在具体的应用场景中，更为优化的算法和更为准确的背景知识库数据集等因素都有助于在不提升计算资源的前提下实现更优的结果。这就给众多专业领域的AI公司带来了巨大的市场机遇。我们看到，专用智能的商业化应用风生水起，在这个领域，巨头和新贵都处于同一起跑线上，产业格局会趋于分散，先入者优势明显。我们判断，在数据、算法、云计算资源等几个关键因素中，数据的获得以及算法的优化是先入者的护城河，能够帮助他们在专用领域的特定场景下，迅速实现AI的商业化应用，从而抢占市场。我们关注到国内市场已经出现了这样的局面：语音识别领域的科大讯飞、计算机视觉方面的格林深瞳、语义识别方面的小i机器人、人脸识别方面的face 等等细分行业龙头，都在具体应用场景的技术结果上，实现了对百度、谷歌、微软和IBM等AI巨头的超越。
3、AI应用层实现路径：以Nest为代表的专用智能产品
