2016年，AlphaGo在與人類圍棋高手李世石的“人機大戰”中一戰成名，正式拉開了“人工智能元年”的序幕。正是從那一年開始，“人工智能”這個曾經只存在於科幻電影中的名詞，成爲了尋常百姓日常生活的話題之一。深度學習技術的爆發，爲科技產業打開了新的大門，包括美國、中國等國在內的國家政府更是將人工智能定爲國家未來發展計劃的重要一環…種種跡象都昭示着：人工智能的時代來臨了。 四年過去了，人工智能產業經歷過狂熱的高潮，也迎來了一次巨大的“洗牌”。人們也終於從狂熱中冷靜了下來：一切對於人工智能的期待似乎有些過早、過高、過於心急了。InfoQ見證了人工智能技術的迭代與產業的革新，本文將從技術、企業、產業三個方面，回顧2016年到2019年間，人工智能領域經歷的“大洗牌”。
技術“大洗牌”：科技巨頭仍然手握核心科技
深度學習框架
人工智能的發展需要三大要素的支持：算法、算力、數據。
隨着“人機大戰”落下帷幕，深度學習成爲了企業、研究機構重點關注的對象。雖然有關深度學習的研究與應用早已展開，但是“人機大戰”之後，行業出現了更加集中的爆發。
作爲機器學習的分支，深度學習要解決的就是三要素中算法的問題。但是，對於開發者來說，從零開始實現一套神經網絡費時費力，因此爲了支持深度學習得到更好地應用，深度學習框架應運而生，併成爲展示企業或研究機構AI研發實力的重要產品。
2016年-2017年，幾乎所有的科技巨頭都推出了自家生產的深度學習框架：
隨着技術迭代，一些框架不得不退出了歷史舞臺：2017年9月，Theano功成身退；同年，CNTK正式更名Cognitive Toolkit，以新的身份繼續服務開發者。而deepleanring4J、H2O等框架，雖然仍在提供服務，但是已經不再是主流的選擇。
到了2019年，深度學習框架幾乎呈現出了PyTorch和TensorFlow兩強爭鋒的局面，PyTorch以其易用性成爲了學術界的首選，有數據顯示：2019 年主流學術頂會的大多數論文都是用PyTorch實現的；而TensorFlow以其工程方面的優勢，仍然爲工業界依賴。
另有一個趨勢是：深度學習框架之間的趨同性越來越明顯，主流框架支持的編程語言、硬件設備、功能等等越來越相似。這也昭示了其背後研發機構或企業的“野心”，即：佔有整個機器學習垂直市場，成爲市場唯一支持的機器學習框架。
雖然就目前形勢來看，這一野心暫時沒有人可以完成，但是，一個不爭的事實是：科技巨頭們確實已經壟斷了深度學習框架，其他科技公司要麼基於這些框架進行開發，要麼把自己研發的框架產品併入這些巨頭的框架中。
芯片
算法已經被科技巨頭緊緊捏在手裏，算力也不例外。
AI系統進行計算往往需要消耗大量的算力，而傳統CPU由於內核數量較少，並專爲通用計算而設計，因此無法承受AI計算所需。英偉達公司生產的用於圖像處理的芯片GPU，是一種特殊類型的處理器，具有數百或數千個內核，經過優化，可並行運行大量計算。雖然GPU在遊戲中以3D渲染而聞名，但它們對運行分析、深度學習和機器學習算法尤其有用。GPU允許某些計算比傳統CPU上運行相同的計算速度快10倍至100倍。
短短几年時間，GPU成爲了AI研發不可或缺的底層硬件，2017年3月10日後，英偉達也順應用戶需求，發佈了適用於個人研究使用的GPU。這也成功讓英偉達成爲了AI時代最受關注的芯片企業之一。與此同時，老牌芯片廠英特爾也及時應戰，推出了一系列用於AI推理和訓練的專用芯片。
國內企業在芯片領域起步較晚，受到2018年“中興事件”的影響，中國一衆科技公司也開始踏上了芯片研發的道路，並在專用芯片領域取得了一定的成果。可由於芯片研發是一項長期工作，因此，爲了在AI研究中獲得較高的算力，國內外大部分企業及機構仍然需要依賴頭部的芯片巨頭。
數據
得益於早些年大數據的發展，對於企業與研究機構來說，數據已經不再是特別難以解決的問題。然而，2018年出現的由谷歌推出的NLP（自然語言處理）預訓練模型BERT讓行業不得不感嘆：數據依然是巨頭的“遊戲”。
BERT基於大型文本語料庫（如維基百科）訓練通用的“語言理解”模型，然後將模型用於下游的 NLP 任務（如問答） 。它能夠做到比之前的方法更優，因爲這是第一個用於預訓練 NLP 的無監督、深度雙向系統。雖然爲NLP帶來了突破性的進展，但是，BERT的訓練成本相當高，在 4 到 16 個 Cloud TPU 上訓練需要 4 天時間，而且對於每一種語言，都是一次性的程序。
另有OpenAI推出的“最強NLP模型”：GPT-2.0最新開源的版本甚至包含15億條參數。這幾乎意味着：缺乏硬件支持和數據的公司一般無法支持這麼大的開銷，數據仍然是巨頭們纔可以玩轉的資源。
企業“大洗牌”：明星也會隕落
在AI最爲火爆的2016-2017年，行業裏流傳有這麼一句話：不談AI，就拉不到投資；有了AI，PPT也能拉到投資。這當然是行業的一句調侃，卻也反應出一個事實：人工智能已經火爆到人人都想分一杯羹的地步了。
投資如火如荼，企業也瘋狂擴張。2017年，僅人臉識別領域就獲得超過230億元的投資，在當年人工智能領域的投資當中佔比超過三分之一。隨着時間推移，投資到了需要回報的時候，AI技術也需要用真正落地的應用讓用戶、投資人看到它是確實可用的，也是確實可以產生商業價值的。
因此，2018-2019年，商業化落地成爲了人工智能從業者及投資者最關心的問題，也正是在這個階段，一些沒能拿出落地產品的公司倒下了，而一些技術大廠的項目也由於種種原因沒能撐下去，下表列出了部分2018-2019年倒閉的AI公司及項目：
可以看出：大部分企業/項目倒閉的原因是市場表現沒能達到預期，因此，即使是如Mayfield Robotics、Drive.ai這樣的明星公司，也免不了被冷冰冰的資本市場拍倒在沙灘上。
產業“大洗牌”：瘋狂過後，總是沉寂
技術瓶頸
AI創業公司倒閉，多是由於市場表現未達預期，但更深層次的原因在於技術。
以自動駕駛爲例，2016年開始，深耕自動駕駛技術的技術公司乘着AI浪潮，紛紛表達了對行業充滿信心的豪言壯語。可是自2018年開始，越來越多的公司意識到，承諾似乎有些太早了。
自動駕駛共分爲5個級別，級別越高，自動化程度也越高，L5級爲無需人工操作的全自動駕駛，也就是所有自動駕駛技術的終極目標。
可是，達成這個目標卻難於上青天。儘管在全行業的不懈努力下，L3級別的自動駕駛已經初具規模，並想着L4級努力靠近，但是仍然有很大的技術短板需要補全。2018年的幾起與自動駕駛有關的事故也表明：現有自動駕駛技術在處理緊急路況時，仍然能力不足。
不過，一個好的兆頭是：在環境相對封閉、速度得到限制的情境下，自動駕駛汽車還是基本能夠達到全自動運行的，這也給了希望發展無人車出行服務（Robotaxi）的企業一些信心。
另外，智能家居也是技術短板比較明顯的行業。
早在2017年，就有智能音箱被曝出會“竊聽”用戶的對話，而隨着類似事件越來越多，智能家居的安全性受到了公衆質疑——但是，這並沒有影響到這些產品的銷量。
此外，用戶對於智能產品的需求似乎也不是很明朗，不少用戶都是抱着好奇、體驗的心態購買了智能家居產品。仍然以智能音箱爲例：根據分析公司Canalys的報告，2019年第三季度，有屏智能音箱的出貨量同比增長高達 500%。其中一個重要的原因是：有屏設備能夠提供更加豐富的功能，並且在語音交互無法完成指令時，用戶可通過觸屏來操作。
人類的語言有其特殊性，簡單幾個字背後的複雜含義並不是AI現階段能夠理解的，NLP雖然因爲BERT等模型的出現迎來了新的突破，但是要理解人類語言並提供更好的服務，似乎還有一段距離；行業也在尋找解決方案，或是一場新的技術爆發，或是一些新的應用場景。
人才流動
談到AI就不能不提技術人才。
2017年，AI前線曾做過一篇有關AI領域技術人才薪資的專題，資料顯示：某些AI技術人才的月薪最高甚至可達25萬元。或許也是因爲薪資的吸引，不少IT技術人紛紛轉去研究AI，雖然來勢洶洶，但真正能滿足25萬月薪條件的人卻寥寥無幾。
當時，另外一個非常明顯的趨勢是：學術界的技術專家也都開始轉向了工業界，離開校園走進企業，成爲了技術部門的領導者，甚至自立門戶，成立人工智能初創公司。比如AI大牛吳恩達，2017年他離開任教的斯坦福大學，接連成立了deeplearning.ai、Landing.ai等公司，還入股妻子成立的Drive.ai任董事；國內同樣如此，不少來自清華北大，甚至海外名校的華人技術專家，或是回國創業，或是加入BAT等大廠。一時間，“留在學術界做研究”還是“投身工業界做項目”成爲了不少技術人之間的熱門話題。
時間到了2019年，另一個趨勢出現了：曾經投身工業界的專家重新回到了學術界。吳恩達、李飛飛等技術大牛均是如此。對於這一現象，有一種觀點認爲：技術專家作爲走在浪潮最前端的人，最明白技術的發展趨勢，他們的態度轉變更是說明了AI已經迎來了發展的瓶頸，因此纔回到學術界，尋找突破方法。
結 語
有人曾說：人工智能是一場賭局，企業與研究機構投入大量的人力、財力，卻不知道怎麼纔算贏，更不知道什麼時候才能贏。其實，對於任何一項新的技術，這句話都適用，正因爲這項技術是新的，它纔能有無限的可能。
人工智能在短短的四年時間裏就進行了一場“大洗牌”，更能說明這一領域的發展是真正有能力的人纔可以推動的。巨頭或許可以壟斷一時，但未必能壟斷一世；明星雖然隕落，但也爲後人指引了方向；瘋狂過後，總是沉寂，但沉寂之後，終將迎來爆發。
大浪淘沙，優勝劣汰，21世紀即將邁入第二個十年，人工智能的未來會走向何方，我們共同期待。