图片来源：节点财经 值得一提的是，在AI芯片领域，2017年阿里投资了深鉴科技、寒武纪；2018年4月，阿里收购唯一拥有自主嵌入CPU IP Core的国产芯片公司中天微，成立AI芯片自研团队；2018年9月，据新浪科技报道，阿里巴巴CTO张建锋宣布，阿里把此前收购的中天微和达摩院自研芯片业务整合成“平头哥半导体有限公司”推进云端一体化的芯片布局，其思路是先期让阿里云服务器用上自己的芯片，后期开放给行业做普惠。在本次云栖大会现场，阿里巴巴发布了第一颗自研AI芯片——含光800。这颗芯片是一款AI推理芯片，主要用于云端视觉场景，可为业界提供强大AI推理算力。张建锋表示，全球芯片领域阿里巴巴还是一个新人，玄铁和含光800是平头哥万里长征的第一步，未来来有很长的路要走。含光800性能的突破得益于软硬件协同创新：硬件层面采用自研芯片架构，通过推理加速等技术有效解决芯片性能瓶颈问题；软件层面集成了达摩院的算法，针对CNN及视觉类算法深度优化、计算、存储密度，可实现大网络模型在一颗NPU上完成计算。根据现场演示，城市大脑处理杭州主城区交通视频，需要40颗传统GPU，延时为300ms，使用含光800仅需要4颗，延时降至150ms；拍立淘商品库存每天新增10亿商品图片，使用传统GPU算力识别需要1小时，使用含光800后可缩减至5分钟。目前，云计算、大数据、物联网、移动互联网与AI的发展与融合已经成为不可阻挡的趋势。相比互联网产业，传统产业的革新对技术的需求更为庞大，涉及的产业链更长，但是，传统产业对新技术的应用以及IT能力良莠不齐，复杂的需求和巨大的资源消耗也为AI商业化落地提出了不容忽视的高标准、高性能、高要求。
阿里巴巴人工智能面临的挑战阿里AI这五年，背后是达摩院这群科学家们的执着与付出。达摩院人工智能中心负责人华先胜表示，阿里巴巴人工智有今天的成绩，也有诸多的挑战。商业化营收：实验室结果与真实世界的割裂华先胜博士调侃道：“实验室的结果和真实世界是两回事，如果把实验室的结果当成是真实世界，那出了实验室我们基本上都要怀疑人生了。”据内部人士回忆，在iDST运营的早期，科学家们脱离业务线只做纯粹的基础技术研究，使得iDST上下的研究缺乏目的性，很多人也不知道自己的算法、模型要解决哪些具体问题，从研发到落地出现了巨大的断层。为了寻求商业场景让科学家们深入一线，在2015年7月，iDST的人马进行了调动，蚂蚁金服总裁胡晓明受命，带领这群搞研究和搞学术的下一线深入场景、接触业务，并且科学家、研究员下一线接触业务已成为传统沿袭至今。那么，为什么说实验室结果与真实世界是两码事？业内讲，搞研发只考虑前沿技术的可实现，不考虑未来商业的生产成本。因此，科学家们造出的第一级产品往往都不接地气，到真正的商业级应用还有相当大的一段距离。并且，这些问题客观存在于从科研到商用供应链的每一个环节中。这就意味着，阿里AI将持续面对“高额研发成本支出与收益回报不成比例”这一挑战。竞争对手：虎狼环伺、新贵入局、竞争加剧从全球范围的智能云服务领域看，除了阿里云，这一领域的主要玩家有亚马逊的AWS、微软的Azure，谷歌、IBM、Oracle等。从市场角度看，市场表现出对企业聚焦TOB业务带来的营收和综合抗风险实力提升的认可，对潜在价值的挖掘表现出较高预期。据市值风云报道，公有云当前大约2/3的市场份额被前五大厂商瓜分：亚马逊、微软、IBM、谷歌以及阿里巴巴。据Synergy Research Group数据，截止2018年第三季度，亚马逊AWS市场份额为34%，微软Azure市场份额为14%，IBM和谷歌各占7%左右，阿里巴巴4%。得益于产品、团队和相对熟悉的服务场景，阿里云多年积累的客户关系、品牌口碑、以及自身的研发体量，都决定了公司得以在短期内取得优异成绩。但是，后续的商业战场将呈现出强敌虎狼环伺、新贵潜在对手弯道超车的局面。无论是云计算领域的原住民还是行业新贵，都将开始加码投入云服务建设，可以预见未来竞争市场竞争的激烈程度。从阿里巴巴本身来说，未来阿里云和AI的权重将继续加大，对这方面的营收要求将会持续体现在公司层面的成本管控和利润率方面。因此，越是强调开源，强化对技术生态环境的完善，越是能够加速人工智能的商用落地。数字资产：坐在金山上啃馒头，也很难吃成胖子“坐在金山上啃馒头”是达摩院金融智能实验室负责人漆远加入iDST时听马云说过的话。金山就是阿里巴巴拥有的丰富数据资产。但是，即便是坐拥金山啃馒头，也难以一口吃成个大胖子。“如果数据的价值不能被挖掘出来，那不过就是普通的土壤。”自1946年第一台计算机诞生，人们一直希望计算机能够具有更加强大的功能。随着深度学习理念的复兴，计算能力的提高和大数据的积累，人工智能的发展突飞猛进，不仅创造一些新行业，也给传统行业赋能。今天，劳动工具转向了基于数据、信息、知识、价值和智能的智力工具。阿里巴巴开源技术委员会负责人贾扬清认为，人工智能的深度学习，10%是AI，90%是大数据。从技术角度讲，云计算是基础，AI是内核，数据是燃料，人工智能的八项技术——知识图谱、搜索技术、群智能算法、机器学习、人工神经网络与深度学习、专家系统、计算机视觉、自然语音处理与语音处理的背后都是大数据的集成处理与决策应用。To C的云计算、大数据、AI服务，与To B服务存在诸多差异，如用户需求、基础设施建设、解决方案的通用性等。阿里巴巴的核心电商业务为阿里AI积累了丰厚的C端数据资产，相比之下，阿里在B端和G端的解决方案，如城市大脑的全链路、更大规模、更多维度的数据集成，应用时间还比较短，算法和算力的成熟度并不能与C端服务相提并论。真假刚需：“玩一下”与“离不开”难辨真伪“用户玩一下的层面的需求，是个假刚需。”华先胜博士在演讲中说：“只有真正的刚需，才能有效训练机器。”业内人士称，现在几乎90%的人工智能公司都采用项目制的形式摸索着做项目，这就需要对真假刚需做判断。碰上“玩一下”就是假刚需，对团队是真消耗，碰上“离不开”的真刚需，才能推动团队产生正向的收益。用户玩一下，既没有办法沉淀数据，积累的数据量又不能摸索出算法规律去训练机器；离不开式的人机交互可以持续锻炼机器智能。随着用户对AI的持续使用，用户需求升维，机器也将受到不同程度需求导向式的训练。比如，某语音识别产品的词汇包当下的词汇量是140万个。随着用户使用频次的提升和使用场景的更换，用户开始对产品提出更多维度的语音识别使用要求，词汇拓展量需要扩容到200万个，而当下该产品的技术并不能达到用户心目中的标准，这种反馈机制会推动产品根据用户需求持续迭代，从而完成对机器的有效训练。从目前的市场现状来看，“玩一下”这样的项目没有办法产生有效的现金流。但“玩一下”和“离不开”的需求都在需求池里面，在没有经过市场检验前，谁也不知道自己的项目是“玩一下”还是“离不开”。与此同时，更大规模、更多维度的大型人工智能应用、灾备处理和预测预警，从目前的人工智能技术成熟度来看，仍旧存在大量应用不了的场景和落地不了的解决方案。此外，在资本层面，未来的独角兽和新百亿市值公司如何突围，也将是创投领域持续关注的焦点。随着人工智能技术在产业互联网场景深度下沉，AI技术在基础层、技术层和应用层迎来全新挑战，考验着玩家的研发、管理、培训、商业化等各方面的综合竞争实力。未来，如何借势国内外巨头们建成的基础架构、利用现有生态去实现更多的创新生产、逐渐提高行业效率改进实施流程，需要阿里AI技术研究机构多维度、多角度的思考与探究。
