一、明确的应用场景边界

人工智能技术尚未达到强人工智能水平，产业落地过程中应避免好高骛远。例如，机器人脸识别在绝大多数情况下比人识别的效果要好，但是在需要知识、想象力的特殊情况下，与人脑还是存在较大差距。从现阶段看，由于深度学习为代表的人工智能技术并不善于解决通用性问题，人工智能技术要实现产业落地并形成商业价值，需要清晰其所能解决的特定领域问题，并有明确的应用场景边界。将人工智能的功能需求限定在有限的特定问题边界之内，这样得出的解决方案才能相对可靠，如借助视听传感器能够自主规划扫地方案的扫地机器人等。以目前能够落地的弱人工智能技术水平，产品开发需要在明确的应用场景边界内，才能够具备实用性。

二、闭环数据反馈循环

谷歌、Facebook、因特尔、微软、苹果、特斯拉，中国的BAT等人工智能前沿公司，通常都具有一个共同的特征——闭环的数据反馈循环。例如，Google、百度等互联网广告系统能够根据用户点击及输入等操作，自动收集到用户一手数据，抽取关键特征并输入深度学习神经网络，神经网络训练好后能用于对用户行为的预测，进而提高用户体验。从应用终端收集数据，再用数据训练模型，之后用模型提高用户应用体验，用户应用后又产生新的数据，这就形成了闭环的业务反馈流程链。闭环流程链的内部就可以完成自动数据收集、标注、训练、反馈的自循环，这使得人工智能算法实时迭代优化的更加便利。

三、海量高质量数据

随着移动互联网和物联网的快速发展，数据量正在以指数级增加，根据IDC统计，全球数据总量预计2020年达到44ZB，中国数据量将达到8060EB，占全球数据总量的18%。许多数据是自然语言、音频和视频等，对这类数据的分析越来越聚集于提取其中的语义，包括情感分析、文档主题模型、相依模型和问答系统中全面的语义分析。目前以深度学习为代表的人工智能技术，本质上是一个具有多层的神经网络，通过大数据计算来自动学习最终的网络参数，不一样的网络参数能够识别不同的物体，需要依赖规模庞大的带标签数据集，才能够保证其学习质量。

四、高性能计算硬件

深度学习模型需要很高的内在并行度、大量的浮点计算能力以及矩阵运算，按环节可分为前期训练、云端推理、终端推理等三个阶段。在前期训练和云端推理环节，需要进行规模庞大的运算量，CPU+GPU架构成为目前多数人工智能企业的主流选择。然而，构建GPU集群的成本非常高昂，仅购置一块Nvidia Tesla K80的费用近4万元。FPGA具备较高的性能功耗比和重构灵活性，百度采用FPGA打造百度大脑专用AI芯片，微软打造的Brainwave平台也是基于英特尔Stratix 10 FPGA芯片。在终端推理环节，由于智能手机、语音交互、VR/AR等终端设备需求不同，需要定制化、低功耗、低成本的嵌入式解决方案，其市场呈现更加多样化竞争态势，如寒武纪的1A处理器、地平线的BPU芯片等，华为Mate 10的麒麟970芯片搭载了神经网络单元NPU，使得其在处理相关人工智能任务（如图像识别等）时有50倍能效和25倍性能的提升。

转自搜狐网