若干年來，科技界反復在討論兩件事：一是第四次科技革命可能在中國發(fā)生，二是AI將成為第四次科技革命的核心驅動技術。

　　如果我們把兩件事融合在一起，就能夠很簡單的推理出一個結論：中國必須結合自身的實際情況，發(fā)展出一條前所未有，且其他國家和地區(qū)難以復刻的AI之路。只有如此，才能解釋AI技術帶來的新科技革命，為什么將會在中國而不是其他地方完成。

　　就像第一臺簡單的蒸汽機是在1688年由法國人德尼斯·帕潘發(fā)明，卻在近百年后的英國成為驅動科技革命的通用性技術。如何將AI轉化為新的通用性、底座型技術，是中國經濟發(fā)展遇到的歷史性機遇。

　　自深度學習技術為代表的第三次AI興起進入中國后，中國AI產業(yè)經歷了十余年探索。結合中國實際，面向第四次科技革命的AI之路，開始逐漸由懵懂走向清晰。

　　1月10日，百度Create AI開發(fā)者大會于線上召開。期間，百度CTO王海峰發(fā)表了《“深度學習+”，創(chuàng)新發(fā)展新引擎》主題演講，提出人工智能的技術創(chuàng)新和產業(yè)發(fā)展，進入“深度學習+”階段。

　　對于很多朋友來說，深度學習這個概念或許并不陌生。但“深度學習+”應該還是首次聽到。這個新的概念背后，卻是中國AI十余年的積累，AI底層技術與基礎設施的漫長凝聚，以及千行百業(yè)應用深度學習技術的銳意探索。

　　這些因素融合起來，讓中國AI技術與產業(yè)智能化發(fā)展得以百尺竿頭更進一步，中國智能化的新轉折點，也正醞釀在這個新的階段。

　　2019 年 3 月，強化學習之父 Richard Sutton 發(fā)文表示：" 短期內要使 AI 能力有所進步，研究者應尋求在模型中利用人類先驗知識;但之于 AI 的發(fā)展，唯一的關鍵點是對算力資源的充分利用。"

　　神經網絡模型在上世紀 90 年代出現，但在 2010 年前，基于統(tǒng)計的學習模型仍是主流，所以在打敗人類象棋高手多年后，遲遲無法攻克變數近乎宇宙級的圍棋。

　　后來得益于 GPU 算力的高速進步與深度神經網絡、卷積神經網絡等等算法的進步，深度學習模型逐漸成為主流，擺脫了窮舉法的限制，AI 能夠用來學習訓練的參數也越來越多，充分利用了 GPU 擅長并行計算的能力，基于龐大的數據集、復雜的參數結構一次次刷新人類對 AI 智力天花板的想象。

　　簡單來說，早期的 AI 就像個剛出生的小嬰兒，什么也不懂。爸爸媽媽就要拿著一張 " 貓 " 的圖片然后跟他說 " 這是一只貓 "，建立起圖像和語言的聯(lián)系。AI 也是如此，我們需要大量的 " 識圖卡 " 來訓練 AI。

　　在十年前，由于芯片的算力有限，人類使用的方法非常笨拙：

　　找出一張主體是貓的圖片，然后人工打上 " 貓 " 的標簽，喂給 AI 來學習，效率非常低下，而且訓練出來的 AI 只能識別特定的物種。經過大量的訓練，AI 雖然能識別幾千類物品，可一旦遇到復雜的情況就蒙了。比如給一只狗帶上貓貓的頭套，AI 大概率就出錯了，因為它只認識 0 和 1，但不認識 0.5。

　　物聯(lián)網的廣泛的應用場景也給AI提出了新的需求。

　　IoT技術更加強調“物與物”之間的互聯(lián)，連接更為廣泛并對時間敏感。且大多終端設備都工作內容簡單，算力要求小，工作時間長，續(xù)航要求高的特點。

　　這些要求讓終端設備不得不考慮功耗問題，甚至有許多終端設備由電池供電，在物聯(lián)網設備中部署人工智能算力時還要考慮對電池供電的支持。

　　AlphaGo等傳統(tǒng)中心化的人工智能核心雖然算力更高，但在更為碎片化的物聯(lián)網中，算力更多時候受到客觀條件制約，無法肆意馳騁，必須戴著“鐐銬”跳舞。

　　為了適應實際應用中分散式，碎片化的需求，人工智能逐漸與邊緣計算相結合，將算力從云端遷移至邊緣。

　　IoT時代，MCU再進化

　　邊緣端AI的要求與云端不同。邊緣端AI只處理由邊緣產生的數據，主要面向圖像分析、聲音分析、波形識別等工作。對于終端單一應用來說，算力要求不會很高。

　　但在另一方面，在物聯(lián)網環(huán)境中計算對功耗和成本則更加敏感。

　　處于邊緣的物聯(lián)網設備對功耗非常敏感，如傳感器、安防攝像頭等設備要求長期在線工作，但提供傳統(tǒng)人工智能算力的FPGA或GPU在邊緣端很難滿足這樣的工作要求。