2. 更快的硬件。GPU的再次使用、低成本計(jì)算能力的普遍化，特別是通過(guò)云服務(wù)，以及建立新的神經(jīng)網(wǎng)絡(luò)模型，已經(jīng)極大的增加了神經(jīng)網(wǎng)絡(luò)產(chǎn)生結(jié)果的速度與準(zhǔn)確率。GPU和并行架構(gòu)要比傳統(tǒng)的基于數(shù)據(jù)中心架構(gòu)的CPU能更快的訓(xùn)練機(jī)器學(xué)習(xí)系統(tǒng)。通過(guò)使用圖像芯片，網(wǎng)絡(luò)能更快的迭代，能在短期內(nèi)進(jìn)行更準(zhǔn)確的訓(xùn)練。同時(shí)，特制硅的發(fā)展，比如微軟和百度使用的FPGA，能夠用訓(xùn)練出的深度學(xué)習(xí)系統(tǒng)做更快的推斷。另外，從1993年開(kāi)始超級(jí)計(jì)算機(jī)的原計(jì)算能力有了極大發(fā)展（圖2）。在2016年，單張英偉達(dá)游戲顯卡就有了類(lèi)似于2002年之前最強(qiáng)大的超級(jí)計(jì)算機(jī)擁有的計(jì)算能力。
圖2：全球超級(jí)計(jì)算機(jī)的原計(jì)算性能，以GFLOPs測(cè)試
成本也有了極大的降低。英偉達(dá)GPU（GTX 1080）有9 TFLOPS的性能，只要700美元，意味著每GFLOPS只要8美分。在1961年，串夠IBM 1620s每提供1 GFLOPS需要的錢(qián)超過(guò)9萬(wàn)億。
圖3：每單位計(jì)算的價(jià)格有了極大下降
3. 更好、更普遍可用的算法。更好的輸入（計(jì)算和數(shù)據(jù)）使得更多的研發(fā)是面向算法，從而支持深度學(xué)習(xí)的使用。例如伯克利的Caffe、谷歌的TensorFlow和Torch這樣的開(kāi)源框架。比如，剛開(kāi)源一周年的TensorFlow，成為了GitHub上有最多forked repositories的框架。雖然不是所有的人工智能發(fā)生于普遍可用的開(kāi)源框架中，但開(kāi)源確實(shí)在加速發(fā)展，而且也有更多先進(jìn)的工具正在開(kāi)源。
方向
雖然本報(bào)告的重點(diǎn)是人工智能的發(fā)展方向以及公司如何把握這個(gè)方向，但是了解人工智能對(duì)我們生活的影響程度也是很重要的。
在線(xiàn)搜索。就在一年多以前，谷歌透露，它們已經(jīng)開(kāi)始將大量的搜索工作移植到了RankBrain（一個(gè)人工智能系統(tǒng)），使其和鏈接（links）以及內(nèi)容（content）成為了谷歌搜索算法的三個(gè)最重要的標(biāo)志。
推薦引擎。Netflix，亞馬遜 和Pandora都在使用人工智能來(lái)確定推薦什么樣的電影和歌曲，突出哪些產(chǎn)品。5月，亞馬遜開(kāi)源了它們的深度可擴(kuò)展稀疏傳感網(wǎng)絡(luò)引擎（the Deep Scalable Sparse Tensor Network Engine（DSSTNE），簡(jiǎn)稱(chēng)「Destiny」），它被用于產(chǎn)品推薦，同時(shí)可以被擴(kuò)展以實(shí)現(xiàn)超越語(yǔ)言和語(yǔ)言理解以及異議識(shí)別的目的。
人臉識(shí)別。Google（FaceNet）和Facebook（DeepFace）都投入了大量的技術(shù)來(lái)確定您的照片中的人臉和真實(shí)的人臉是不是幾乎完全吻合。1月，蘋(píng)果采取了進(jìn)一步措施，購(gòu)買(mǎi)了Emotient（一個(gè)致力于通過(guò)讀取人的面部表情來(lái)確定其情緒狀態(tài)的AI創(chuàng)業(yè)公司）顯然，這些技術(shù)遠(yuǎn)遠(yuǎn)不止于對(duì)照片進(jìn)行標(biāo)記。
雖然個(gè)人助理應(yīng)用產(chǎn)品有無(wú)數(shù)的用戶(hù)，比如蘋(píng)果的Siri，信用貸，保險(xiǎn)風(fēng)險(xiǎn)評(píng)估，甚至天氣預(yù)測(cè)。在接下來(lái)的篇幅中，我們探討企業(yè)該如何使用這些技術(shù)來(lái)加速增長(zhǎng)，降低成本和控制風(fēng)險(xiǎn)。從這些技術(shù)及其使用這些技術(shù)的應(yīng)用的發(fā)展速度來(lái)看，它們充其量不過(guò)可以為公司和投資者提供一些方向，以保持他們的競(jìng)爭(zhēng)力。
加強(qiáng)未來(lái)的生產(chǎn)率
美國(guó)的勞動(dòng)生產(chǎn)率在90年代中期的快速增長(zhǎng)和過(guò)去十年的緩慢增長(zhǎng)和之后，近年來(lái)已經(jīng)停止增長(zhǎng)了。我們認(rèn)為，就像20世紀(jì)90年代互聯(lián)網(wǎng)技術(shù)被廣泛采用那樣，消費(fèi)類(lèi)機(jī)器學(xué)習(xí)和人工智能的擴(kuò)散有可能大幅度地改變?nèi)虍a(chǎn)業(yè)的生產(chǎn)范式。
在整個(gè)行業(yè)中，我們發(fā)現(xiàn)在自動(dòng)化的促使下，勞動(dòng)時(shí)間減少了約0.5％-1.5％，同時(shí)，由于AI / ML技術(shù)帶來(lái)的效率增益，到2025年，這些技術(shù)將對(duì)生產(chǎn)力增長(zhǎng)產(chǎn)生高達(dá)51-1154個(gè)基點(diǎn)（bps）的影響。雖然我們期望AI / ML可以隨著時(shí)間同時(shí)提高生產(chǎn)率的分母和分子，不過(guò)我們認(rèn)為最重要的是，早期的影響將是低工資任務(wù)的自動(dòng)化，即以更少的勞動(dòng)時(shí)間推動(dòng)類(lèi)似的產(chǎn)出增長(zhǎng)水平。我們的基本案例AI / ML驅(qū)動(dòng)提高了97個(gè)基點(diǎn)，這意味著2025年的增長(zhǎng)生產(chǎn)率中的1.61％ 將由IT貢獻(xiàn)，比1995 - 2004年高出11個(gè)基點(diǎn)（圖9,10）。
