“计算瓶颈突破&商用价值提升”引爆AI产业链

以深度学习算法为代表，第三轮人工智能热潮兴起。深度学习算法由传统多层神经网络算法发展而来，而神经网络算法出现时间相当长。深度学习的每一隐层将识别出“事物的某一特殊性征， “深度学习模型的精度”将随隐层层数增加而提升。但深度学习的隐层量增加时，训练深度学习模型时的计算量呈现几何式增长，传统芯片（CPU 等）计算能力受限，限制了深度学习的应用。2012 年起，以英伟达 GPU 为代表的芯片计算能力大幅提升，人工智能热潮得以爆发。另外，“深度学习算法+强大计算能力”使得图像识别、 语音识别的精度提高至 90%以上，接近或者超越“人类的识别率”，具备了产业化的应用价值，人工智能行业应用进程加快。

传统神经网络算法难以有效训练：传统神经网络一层即为一个线性变换与一个简单非线 性操作的叠加，多层神经网络也就是多个简单的非线性函数的复合函数，利用监督学习 和误差反向传播来进行参数调优。神经网络初步自学习性、容错性、并行处理、分布存 储等智能特征。但一、两层的神经网络难以刻画复杂输入输出关系；而随着神经网络层 数增加，将出现欠拟合/过拟合、易陷入局部最优、训练效果随着层数增加而变差的问题， 一般神经网络最多仅可达 2-3 层。因此传统神经网络算法并不能实现有效训练，以适应主 动学习复杂事物的需要。

深度学习可有效刻画复杂事物属性：深度学习由传统多层神经网络发展而来，但其中间层更深（可达几千层）。先是通过非监督学习对各个隐层的参数进行逐层初始化，在输出层再进行监督学习将输出结果与实际结果进行对比，最后进行误差反向传播调整优化参数。

英伟达 GPU 芯片突破“深度学习模型计算能力瓶颈”：“提高 AI 模型精度”需要增加深度学习层数以抽取更多特征。深度学习算法在训练模型时，随着隐层层数增加（神经网络层数不断增加至上千层），每次训练模型时的计算量也呈现几何式增长。此外，训练出一 个“使用效果良好的学习模型”，常需要进行数百万次以上训练。 “计算能力受限”一度制 约了深度学习的应用。目前，英伟达 GPU 芯片成为“训练深度学习模型的事实标准”。 而 2013-2015 年，英伟达深度学习用 GPU 计算性能提升 50X，训练天数远低于 CPU 芯片。 “计算能力突破”是近年人工智能爆发的最关键因素。

深度学习算法效果显著，语音识别/图像识别接近或达到人类水平，产业化进程有望加速： 深度学习可从无标记数据中自动提取特征，无需再进行人工干预，且刻画事物属性的维度将随着层数增加而增加，精度可通过大量事例（大数据）学习来保证。应用而言，先前很长时间内，图像与语音识别准确率仅可达 80-85%，但通过深度神经网络及大数据的训练，准确率提升了 10-20%，目前准确率超过 90%，可适用于大部分商业场景。因此被 广泛用于图像识别、语言分析、自然语言理解、机器翻译等感知智能领域。

深度学习图像识别率已经超越人类水平：在 2015 年 ImageNet 图像分类大赛中， 微软亚洲研究院 MSRA 将隐层层数增加到 152 层，其正确率高达 96.43%，明显 超越人眼 94.90%的正确率，深度学习算法效果极为显著，预期感知智能领域产 业化进程将加速。 ü

语音识别率高达 97%，产业化加快：2010 年，谷歌的语音识别率仅为 70%，产 业应用难度较高。2016 年 11 月，搜狗、科大讯飞、百度等三家公司相继举行发 布会，各自语音识别率已经高达 97%，产业化进程加快，科大讯飞语音识别软件已经广泛应用于“智能手机终端”。