未来3—5年，人工智能将率先颠覆这5大行业，你可能会被失业
近年来，人工智能（AI）、深度学习（deep learning）、机器学习（machine learning）、AR、VR等形形色色的创业团队鲸吞了市场上相当一大部分的投资。所有这一切好像跟我们相关，但好像离商业价值又那么远，那么，接下来的几年，人工智能将会给哪些领域带来变革与机遇，哪些行业又将会被颠覆呢？
由于人工智能的发展需要数据的训练，那么这些人工智能相关的技术如果按照数据处理和应用的生命周期来划分，可以归结成三大类人工智能技术：基础类人工智能技术、分析类人工智能技术、应用类人工智能技术。如果将这三类技术作为纵坐标，以行业垂直领域作为横坐标，可以将现在中国范围内的人工智能竞争领域划分成如下的一个行业结构图：
在这个行业布局中，人工智能企业在纵向上的发展是基于技术的发展来打通的，也可以说是技术供给驱动的；而横向上的发展是基于需求来进行驱动的。
1） 纵向分析： 目前AI的应用涉及到相应专业化的数据采集，这就需要底层专用硬件的支持。而根据数据生命周期，在数据的生命历程的各个环节——收集、链接、准备，认知、分析，预测——都会有不同的企业进行分工。有些企业能够打通数据上周期的多个环节，形成端到端的交付能力。
2） 横向分析： AI最容易影响的领域往往是数据准备度高的行业，例如在人工智能发展上现行一步的金融、医疗等行业。在不同的行业上，人工智能的应用场景也不尽相同，以下将分行业来进行分析。
a) 医疗 代表情境：辅助诊断；自动诊断；医疗机器人；健康预警系统；虚拟临床试验
随着计算机视觉的不断发展，自动诊断将会在医疗的最底层得到广泛应用；个人医疗健康数据系统的建立，可以改变现在从病人口中描述病状的状态；大规模的病例和从移动可穿戴设备中采集的个人健康数据，在人工智能的分析下，可能改变分配给临床医师的认知任务，并可能从根本上改变医疗输送系统。医疗机器人的出现可以改变临床手术的顺序，一些简单的伤口缝合，冲洗伤口等工作可以由永远不知道疲惫的机器人替代；健康预警技术的成熟可以避免很多疾病的出现；老年人和术后病人的看护问题也将得到解决，个性化的情感机器人和按需定制的服务机器人会对健康护理，陪护等行业产生影响。更加智能的听力助手，视觉辅助设备，身体辅助设备，可以让在身体上有创伤的人得到更好的生活。虚拟临床试验系统的出现，可以极大提高临床医学的发展速度，让科学工作者从等待中解放出来。
b) 金融 代表情境：智能投顾；风险监控
智能的投资理财机器人，可能改变人们对理财的理解，金融市场由于信息不平等产生的风险，可能会在一定程度上面得到规避。有了大量数据输入的人工智能，可以对金融市场的走向进行较为准确的预测，并给出合理的建议。银行业大规模应用的智能客服，会让人们得到更好的理财服务；聊天机器人的普及，使得银行不再需要柜员。
c) 政府 代表情境：智能交通系统；公共安全监管；社区升级；宏观经济监控和预测
无人车的普及使得车辆的整体调度得以实现，交通线路选择，停车难，堵车等问题得到解决。更加宽广的路面监控系统和精准人体身份识别的结合，可以有效识别犯罪行为和可疑路人，让警察迅速抓捕罪犯，有效降低犯罪率。智能社区的出现，可以合理分配社区周边资源，规划社区设施配给，丰富社区居民的生活，提高生活幸福度。宏观经济的监控和预测也会逐渐成熟，政府对宏观经济的调控会依赖人工智能给出的建议。
大家都知道原材料供应商、制造商、分销商、零售商、物流服务提供商等组成了供应链，供应链应该协同。在多数情况下，目前中国的供应链由制造商主宰，制造商过分强调博弈，较少考虑“双赢”或“多赢”，因此，供应链难以协同。目前形成的供应链关系不是合作关系，而是竞争关系，这不利于供应链的可持续发展。
d) 制造 代表情境：智能流水线；无人厂房
机器人的迅速发展使得传统制造业不再需要大量工人，智能流水线的出现让工人们从繁重、重复的体力劳动中解脱出来，智能调节厂房内的各项指标，分配资源，从而实现无人厂房。
e) 商业分析与决策 代表情境：辅助决策系统；预测系统
人工智能结合各个企业的自有数据和共享数据，可以做到分析行业发展状况，辅助老板决策企业的发展方向，预测并规避可能发生的各种风险。
中国企业玩家分类及各自的速赢策略
在行业布局中，由于不同的人工智能企业在纵向上打通的程度不同，横向覆盖的行业范围也不同，总体上来说，我们可以将现有市场上的人工智能企业分为五种类型的玩家：
1）硬件驱动者：这类企业的速赢关键因素是硬件集成性，计算能力；一体化能力。GPU的计算能力是毋庸置疑的，深度学习如果没有GPU的计算加速就不会发展的这么快。为了在市场上占有一席之地，各大硬件厂商争相推出适合机器学习硬件设备，在GPU芯片方面，Nvida很早就开始布局，推出了很多款不同配置的GPU芯片，占领低中高端市场，并专门为深度学习推出了GeForce 1080P和Tesla K40和K80，尤其是GeForce 1080P因为其极高的性价比，一经推出，一卡难求；Intel不甘人后，推出了适合深度学习的大规模参数服务器；Google有深度学习的一体机，并计划开放云端的计算资源；Amazon在AWS上面推出了拥有GPU资源的机器。
2) 入口占有者：也就是把握住数据供给和需求的端口的企业。这类企业的速赢关键因素是数据和需求的察觉和采集。每个行业都生产不同的类型的数据，但是数据类型单一，数据缺乏系统的治理，无法形成数据资产，在企业应用数据的过程中，不可避免的需要各种外部数据，就产生了数据需求。一些公司针对这种情况，着眼于对数据的治理，汇集，针对每一个行业的数据需求的理解和采集，构建数据市场，并且针对外部数据进行汇集，治理，分析，产生更具价值的数据，累积属于自己的数据资产。当这部分数据资产积累到一定程度，会形成数据壁垒，掌握上下游玩家的数据流向。
3) 算法服务提供者：指拥有巨量的算法并提供服务的企业。这类企业的速赢关键因素是算法的可复制性、可扩展性；算法开发的速度。由于开源社区的活跃，算法本身已经无法形成较高的竞争壁垒。很多开源算法包已经能够满足用户的需求，例如，如果在数据量很大的情况下，可以用TalkingData推出的大规模机器学习算法包，fregata；否则可以用python中的sklearn、java的weka等。在深度学习方面，开源的深度学习框架caffe，google推出的开源框架tensorflow，还有Torch，百度的Paddle等等，都能够很快搭建深度学习模型。但是开源的算法在某些场景下并不能很好的发挥作用，所以有些公司仍然提供更加专业的算法模型训练的服务，以帮助企业规避模型训练带来的风险和成本，比如Explosion，如果客户对模型结果不满意，就不收费；这类公司拥有专业的数学、工程方面的人才，通常对某些问题有自己的解决方案，在算法的优化，模型的训练上面积累了大量的经验，从而能够提供高效优质的服务。由于算法科学方面人才的紧缺，有些平台可以让算法科学家把自己研究的算法代码放上去，使用者按照调用次数付费。
4) 垂直领域玩家：垂直领域玩家指代在探索数据在行业的智能化应用的垂直行业的公司或服务于垂直行业的科技服务公司。这类企业的速赢关键因素是对于该垂直领域需求的深耕和闭环的运营。在探寻智能行业应用的过程中，通常以自身行业应用场景和需求为出发点，围绕新兴数据的生命全周期，快速构建“数据平台层、数据分析层、数据应用层”的智能化应用建设体系，挖掘出契合、提升自身传统业务体系效率或模式的数据智能化应用，实现行业产能的提升。以医疗科技公司Lifegraph开发的移动健康产品为例，智能可穿透设备为实时采集用户健康信息的数据提供了可能（基础层），其围绕医疗专家智库建立智能化情感与健康识别模型（分析层），实时医师与病患家属提供病患健康信息（应用层），保障病患异常信息被有效监测，从而降低病患事故。传感器技术的发展，为Lifegraph拓展了数据源的丰富度；通过与专业医疗机构合作伙伴的合作，快速定位移动医疗健康产业需求，并获取专家知识能力，开发垂直领域数据产品，形成行业竞争优势。其他垂直领域案例还包括：Tele-Lauguage的医疗智能代理语音治疗；Mapquest的智能交通规划；K-12的教育辅助机器人；蚂蚁金服的芝麻信用等等。
5）生态领域玩家：生态领域玩家是指能够建立起跨行业、跨业态，贯穿数据生命周期的数据平台、分析平台以及应用平台的智能数据科技公司。这类公司通常具备极强的平台技术能力，通过平台向合作伙伴提供数据整合能力、数据分析的算法能力；并最终在平台上实现横向差异化、纵向专业一体化的数据应用服务能力。生态领域玩家快速建立行业壁垒，形成竞争优势的核心是：一是具备较强的数据平台与自有数据优势，支撑生态合作伙伴的数据整合，帮助生态上的合作伙伴的数据交换与整合，加速完整的数据视图的构建，实现各场景化数据的有效支撑；二是具备较强自有数据科学优势，与合作伙伴进行能力互补，依托合作伙伴垂直领域的专业性，快速构建行业智能数据分析能力，实现对多维度数据的钻取，加速从数据到数据价值挖掘的进程；三是具备较强的客户渠道优势或品牌优势，以合作伙伴为应用验证场景，加速垂直领域智能数据应用的形成，快速复制并输出。以Google为例，Google生态中的Niantic Labs与任天堂的数据与技术合作推出了风靡全球的Pokemon go；百度生态中的百度联盟以平台为支撑，与广告生态商的数据合作，形成国内最大的网盟之一；苹果移动设备的功能生态与IBM达成合作，通过IBM的集客资源与大数据能力，打造更加垂直的商业应功能等等。
