[导读] 近期，市场研究机构麦肯锡发布了一份关于人工智能的报告。麦肯锡在该报告中，对19个行业的400多个案例进行了分析，强调了人工智能技术广应用的广泛和商业经济价值的巨大，对当今主流的机器学习与神经网络做了对比，还分析了深度学习在企业中应用的目的与效果，且阐明了训练人工智能所需的各种数据与资源。
身为华为荣耀品牌的总裁，赵明日前向记者谈及手机市场正迎来一场“冬天”时表示：荣耀从来不追逐什么风口，在手机行业正热潮涌动时会保持冷静，在行业转向寒意刺骨时会依旧向前行。“我们都是随着‘华为的冬天’成长起来的主管，一路走来，危机意识常伴左右”。赵明在向记者谈到人工智能的话题时则称，“人们会发现，有无AI的差别非常大，这会为手机应用以及整个手机产业带来质的影响”。当然，未来人工智会比现在更先进，与智能手机、平板电脑、笔记本电脑等相互融合的程度会越来越深。换言之，单从华为致力于在今后开发出如更具智能的手机等产品，以及赵明对人工智能的看法，那么作为每个人，是需要对人工智能有所了解的，从而跟上这个时代。
近期，市场研究机构麦肯锡发布了一份关于人工智能的报告。麦肯锡在该报告中，对19个行业的400多个案例进行了分析，强调了人工智能技术广应用的广泛和商业经济价值的巨大，对当今主流的机器学习与神经网络做了对比，还分析了深度学习在企业中应用的目的与效果，且阐明了训练人工智能所需的各种数据与资源。
伴随着人工智能不断地发展，行业专家们对人工智能的定义也在不断地拓展。除了深度学习外，该报告还研究了其他的机器学习技术和传统的分析技术。其中，迁移学习、强化学习和深度学习是人工智能应用得最流行的技术。
提起神经网络，这不过是机器学习技术的一个子集。从本质上讲，它们是基于模拟连接“神经单元”的人工智能系统，大致模拟了神经元在大脑中相互作用的方式。自20世纪40年代以来，人们一直在研究由神经连接的计算模型，随着计算机处理能力的提升，以及大量的训练数据集被行内业者们成功地用来对图像、视频和语音等数据的分析，这些模型又再一次流行了起来。人工智能研究人员们便将这些技术称为“深度学习”，因为神经网络有许多深层的模拟神经元层。
人工智能各种技术的流行度。
麦肯锡在报告中分析了三种在当下最流行的神经网络技术。首先是前馈神经网络（Feed forward neural networks），这是最简单的神经网络。在这个体系结构中，信息只沿着一个方向移动，即从输入层通过隐藏层，再到达输出层，网络中没有循环。其次是循环神经网络（RNNs），这种神经网络之间的连接包含了循环，非常适用于序列输入。然后是卷积神经网络（CNNs），这种神经网络的神经层连接其实比较特殊，它们之间的连接在受到了动物的视觉皮层组织的启发而发展起来的。另外，该报告还提到了生成对抗网络（GANs）和强化学习。
麦肯锡在报告中整理和分析了19个行业的400多个案例。并且，在这些行业中，使企业采用深度神经网络可以使自身的价值最大化。与相对传统的分析方法相比，这些神经网络可以提升增量，但要提升容量、多样性和速度等，需要依赖于大量的数据。
深度学习能给人类带来什么样的帮助？人们可以利用深度学习来提高设备、系统等的性能，降低维护和经营成本，提高工作效率。比如，人们利用深度学习技术，对大量的高维数据进行分析，可以将现有的预防性维护系统提升到更高的水平。又比如，深度学习预测故障和允许计划干预的能力，可以减少发动机停机的时间和运营成本，同时提高产量。再比如，人工智能驱动的物流优化可以通过检测车辆的性能和指导司机在驾驶过程中的行为，从而降低物流运输成本。
深度学习相比于起传统的分析方法，对各行业的的提升。
人们要在大多数的应用程序中有效地使用神经网络，则需要大量标记的训练数据集，并且能够充分计算基础权限。此外，深度学习擅长从复杂的多维数据类型中提取模型，比如图像、视频、音频和语音。
深度神经网络擅长于对图像、视频和音频数据类型进行分析，因为它们复杂、多维，被行业研究者称为“高维度”。神经网络则擅长处理高维度，因为网络中的多个层可以学习数据中存在的许多不同的特性。因此，对于面部识别，神经网络的第一个层可以聚焦于原始像素，第二层聚焦在轮廓和线条上，第三层是识别在一般的面部特征，最后一层才识别出人脸。
除了数据的数量和种类之外，速度也是一个要求。人工智能需要不断训练新的模型，来适应一直在变化的应用场景，因此业者们必须经常刷新训练数据。在麦肯锡所分析到的，其中占三分之一的案例中，模型至少每月需要更新1次；基本上每4个案例中就有1个案例需要每天更新，在市场营销、供应链管理和制造等行业，这一需求表现得尤为突出。
