人工智慧三要素

演算法、資料、算力是人工智慧底層的三要素。

演算法是以哲學、數學、生物學為基礎的邏輯認知和系統認知的結晶。多層神經網路在1969年出現，但直到2010年隨著算力和雲端計算的發展才商業化落地。深度學習演算法本身是建構在大樣本資料基礎上的（概率統計），而且資料越多，資料質量越好，演算法結果表現越好。深度學習在不斷的發展，但顛覆性的創新理論在近幾十年內不會出現，這意味著對資料的需求將會持續增加。但通用型場景資料標註接近尾聲，細分場景資料需求增大，在細分場景，資料的獲取和標註難度不斷增高，標註附加值降低，因此資料標註產業是階段性的，已無投資機會。未來資料的機會存在於垂直性行業，如金融領域裡面的萬得，這類行業還包括法律等。

演算法對資料的強需求決定了人工智慧在行業中應用必然是場景化的，垂直化的。不僅在於場景中資料的獲取和標註，決定了生產資料的質量，演算法在場景中的優化適配也是極為重要的。這要求演算法團隊對行業場景有理解，而這種複合型人才是最稀缺的。在人工智慧行業應用中的創業公司，既要有行業資料獲取能力，更需要對行業有很強的理解和商務銷售能力。

算力是演算法和資料的基礎設施，發展是相對獨立發展的，但晶片設計基礎理論已無突破，製程精度也馬上達到物理極限。而新的量子計算成熟仍需要起碼30年時間，所以算力的機會主要在三塊。

1、場景化的專用晶片，如自動駕駛的moblieye和雲知聲的語音識別晶片。

2、5G時代的計算網路架構的創新。

演算法、算力、資料三者相互影響，在不同行業中形成了不一樣的產業形態，由底層要素開始建構，通過技術層分析人工智慧在各行業中的顛覆和重塑，這樣體系化的框架有助於我們發現前瞻性的投資機會，拿著各個行業最合適的商業模式和團隊標準去判斷團隊，效率會有很大的提升。