有句话叫作，你能看见多久的历史，就能看见多远的未来。让我们首先简单回顾一下互联网和人工智能之间的历史风云。
大家对于互联网的历史多少已有耳闻。互联网于20世纪60年代诞生于美国军方的实验室，一开始用来在几所高校和科研机构之间传递和共享情报。到了20世纪80年代末，一群科学家提出万维网概念并创造了TCPIP（互联网传输控制协议），赋予计算机联网通信的统一标准，使互联网得以向全世界扩展。至此，一条宽阔深远的信息高速公路展现在世人面前。
大约20年前，23岁的年轻人马克·安德森发明了网景浏览器，就此点燃了大众互联网的熊熊火焰，打开了互联网商用的大门。那时，微软开始焦虑自身的软件业务会不会被互联网颠覆，太阳公司的年轻人则毅然与僵化的公司割裂，决定发明一种可以在各种操作系统上通用的语言，以此打破微软的垄断，闯开互联网创新之门，于是就有了Java（程序设计）语言的诞生。Java语言极大地加速了互联网产品的开发创造。
当时的中国，在北京、上海也还找不到几家网吧，1997年，也就是香港回归的那一年，瀛海威刚刚开通全国网络接入服务，张小龙刚刚写出了Foxmail电邮软件程序，全国信息化工作会议也在那一年召开……从外面看万维网世界，一切都是刚苏醒的模样。但在技术圈，新技术、新思想层出不穷，各种商战明争暗斗正酣。
那时我还在美国搜索引擎先驱Infoseek公司工作，在第一线感受互联网商战气氛，感受美国人对新科技浪潮的昂扬热情。当时我想，新技术革命正在发生，中国准备好了吗？我在1998年写出了《硅谷商战》一书，详细描绘了硅谷天才们的奋斗与创新过程。在写完这本书后，我于1999年回国，在北京一家宾馆的房间里创办了百度公司。
回想网景、太阳、微软这三家公司在互联网领域类似三国争雄般的时代，至今依然激动不已。当时人们都在猜测谁是最后的赢家。微软看上去好像是不可战胜的，它总是能消化新技术。网景的发展则是起起伏伏，最终被美国在线收购，而美国在线也在2014年被以无线业务称雄的Verizon（威瑞森）公司收购。后来，Verizon还收购了叱咤风云多年的雅虎。太阳公司一度如日中天，2001年在全球拥有5万名雇员，市值超过2000亿美元。然而当互联网泡沫破碎时，太阳公司在一年内由峰顶跌入谷底，2009年被Oracle（甲骨文）公司收购。
俱往矣，互联网的发展大大超出了当时大多数人的预料，新科技公司快速崛起，苹果、谷歌终于凭借手机操作系统完成了对微软的逆袭。而创造网景浏览器的马克·安德森——我在《硅谷商战》开篇就描摹的创新者，如今已没有多少90后知道他的名字。
但马克·安德森并没有离开，他成了硅谷风投界的教父。互联网技术也依然继续高歌猛进。昔日人们关注互联网大咖明争暗斗，今日人们感慨移动互联设备全面超越PC，却一直无意中冷落了一个默默崛起的“幽灵”。这个“幽灵”就是人工智能，互联网只是它的身体之一。
<h2>
人工智能的黎明</h2>
人工智能的历史早于互联网，与计算机历史相伴。1956年达特茅斯会议召开，人工智能被正式提上日程。那时候一台计算机的体积有一栋房子那么大，计算能力低下，为什么就有人敢于提出人工智能的概念？这就在于科学家的洞察力。当时，香农早已完成他的三大通信定律，为计算机和信息技术打下基础。明斯基已经造出第一台神经网络计算机（他和同伴用3000个真空管和一台B-24轰炸机上的自动指示装置来模拟40个神经元组成的网络），不久后写出了论文《神经网络和脑模型问题》。这篇论文在当时没有太受重视，日后却成为人工智能技术的鼻祖。而图灵则早在1950年就提出了如今人尽皆知的图灵测试理论以及机器学习、遗传算法、强化学习等多种概念。
图灵去世两年后，在达特茅斯会议上，麦卡锡正式提出人工智能的概念。参与会议的十位年轻科学家在会议之后都成为世界各国人工智能领域的领军人物。人工智能短暂的春天开始了。不过当时他们的成绩更多被埋没在计算机发展成果之中，比如，可以解决闭合式微积分问题的程序，搭建积木的机械手等。
理想超前但基础设施尚在襁褓中。超前的人工智能遇到两个难以克服的瓶颈：一个是算法逻辑自身的问题，也就是数学方法的发展还不够；另一个是硬件计算能力的不足。比如，机器翻译就是典型问题，科学家夜以继日地总结人类语法规则，设计计算机语言模型，机器却始终无法把翻译准确率提升到令人满意的程度。
<img src="/uploads/allimg/200412/1-2004120Q230N1.jpg" />
图1-1 达特茅斯会址
注：使用手机百度或智能革命App扫描图片可见AR效果。
新技术和产业链条没有被打通，令人兴奋的产品应用没有被发明出来，政府投资和商业投资都大幅度减少，人工智能研发在20世纪70年代中期到90年代经历了两次低潮，只是普通大众并没有感受到，毕竟高速发展的计算机本身就已经是很神奇的智能工具了。
对于普通人来说，接触最多的“人工智能”实例大概就是街机游戏了，20世纪80年代在中国的一些小县城街头就已经出现了游戏厅。那些街机NPC（非玩家控制角色）总是能被熟练玩家轻松战胜，这不仅可以看作“人工智能”能力低下的表现，也造成了一种错误观念：智能是安装在一台计算机中的事物。直到互联网和云计算的兴起，这种观点才被改变。
<h2>
百炼成钢</h2>
2012年，我注意到深度学习在学术界和应用方面都有了突破。比如，用深度学习的方法来识别图像，突然就比以前的任何算法都有明显提升。这个时候我马上意识到，新的时代来临了，搜索将被革新。过去我们用文字搜索，现在可以用语音和图像进行搜索。比如我看到一株不认识的植物，拍一张照片上传搜索，就可以立刻识别出来它叫福禄桐。过去用文字搜索是没法描述这样的植物的。不仅是搜索，很多过去不可能的事情现在都可能了。
语音识别能力、图像识别能力、自然语言理解能力，包括为用户画像的能力，这些都是人的最本质的智慧能力。当计算机拥有了人的这些能力时，一场新的革命就会到来。以后速记员和同声传译人员可能会被机器代替，计算机可以做得更好。以后也许不需要司机了，车自己就可以开起来，更安全，更有效率。在企业里面，金牌客服可能人人都可以做了，因为有了智能客服助手。人工智能对人的这种赋能，超过了以往任何一个时代。工业革命解放了人的体力，过去一些像搬石头之类的粗活需要人类自己来干，现在机器可以替你把更巨大的石头搬起来。智能革命到来之后，原本很多需要费脑子的事情，机器也可以帮你做。未来20~50年，我们会不断看到各种各样的变化，收获各种各样的惊喜。这是一个很自然的过程。
然而，站在智能革命开始的时点，有必要向那些人工智能科学的坚守者、开拓者致敬。
在资本寒冬期，有少数科学家依然坚持人工智能领域的探索。如今百度拥有一支庞大且实力雄厚的人工智能研究团队，其中不少担纲者从20世纪90年代开始就在从事机器学习研究工作，或师从名师，或在大科技公司从业多年，今天的研发成绩只是水到渠成、顺势而为的结果。
20世纪90年代只有Geoffrey Hinton（杰弗里·辛顿）、Michael Jordan（迈克尔·乔丹）等少数科学家坚持机器学习领域的探索。原百度首席科学家吴恩达在20世纪90年代就师从Jordan，后来他通过开创在线课程，把机器学习的理论传授给无数年轻人。现任百度研究院院长林元庆，百度杰出科学家以及世界上最早利用神经网络做语言模型的徐伟等人，十多年前就在深度学习的重镇NEC（日本电气股份有限公司）的美国实验室工作。在那里工作过的人工智能专家，有发明SVM（Support Vector Machine，支持向量机）的美国工程院院士Vladimir Vapnik（弗拉基米尔·瓦普尼克），有发明卷积神经网络的深度学习领军人物、现任脸书（Facebook）人工智能实验室主管的Yann Le Cun（扬·勒丘恩），还有深度学习随机梯度算法的核心人物Leon Buttou（利昂·布托），以及原百度深度学习实验室主任余凯等。
他们中的很多人都经历了人工智能研究的数次潮起潮落。简单来说，最初的人工智能研究大多基于规则——人类总结各种规则输入计算机，而计算机自己并不会总结规则。比这个高级的方法是基于“统计”的机器学习技术，让计算机从大量数据和多种路径中寻找概率最大、最合适的模型。
这两年促使人工智能再度技惊世人的技术，则是机器学习技术的升华版——基于多层计算机芯片神经网络的“深度学习”方法。通过多层芯片联结，模仿人脑大量神经元的网状联结方式，辅以精妙的奖惩算法设计和大数据，可以训练计算机自己从数据中高效地寻找模型和规律，从而开启了一个机器智能的新时代。
正是少数人的坚持，为人工智能的王者归来保存了火种。在中国，百度是最早布局人工智能的公司之一，我们似乎是自然而然地做了很多其他公司当时还没听过的事情。六七年前，在美国，陆奇和我畅谈了深度学习的巨大进展。于是我们下定决心要大举进入这样一个领域。最终，在2013年1月，百度年会上我正式宣布了IDL（深度学习研究院）的成立，这应该是全球企业界第一家用深度学习来命名的研究院。我自任院长，不是因为我比其他人更懂深度学习，而是用我这块牌子，来展示对深度学习的高度重视，来召唤那些坚守多年的科学家一起奋斗。
过去百度从不专门成立研究机构，我们的工程师就是研究人员，研究始终与实际应用结合得非常紧密，但是我认为，深度学习会在未来很多领域产生巨大影响，而那些领域并不都是百度现有业务范围之内的。所以，有必要创造一个专门的空间，把人才吸引进来，让他们能够自由发挥，去尝试各种各样的创新，在百度过去可能从来没有接触过的领域做研究，为全人类的人工智能革命探索道路。
<h2>
“智能”已换代</h2>
如果人工智能的启蒙阶段可以称为1.0时代的话，那么现在很明显已经大步进入2.0时代了，机器翻译就是典型案例。过去的机器翻译方法就是基于词和语法规则进行翻译——人类不断地把语法规则总结出来告诉机器，但却怎么也赶不上人类语言尤其是语境的多变，所以机器翻译总是会出现诸如把“how old are you”翻译成“怎么老是你”的笑话。
后来出现了SMT（统计机器翻译），基本思想是通过对大量的平行语料进行统计分析，找出常见的词汇组合规则，尽量避免奇怪的短语组合。SMT已经具有机器学习的基本功能，有训练及解码两个阶段：训练阶段就是通过数据统计让计算机构建统计翻译模型，进而使用此模型进行翻译；解码阶段就是利用所估计的参数和给定的优化目标，获取待翻译语句的最佳翻译结果。
SMT研究在整个业界已经持续了二十多年，对于短语或者较短的句子，翻译效果显著，但是对于较长的句子翻译效果就一般了，尤其是对语言结构差异较大的语言，例如中文和英文。直到近几年NMT（基于神经网络的翻译）方法崛起。NMT的核心是一个拥有无数结点（神经元）的深度神经网络，一种语言的句子被向量化之后，在网络中层层传递，转化为计算机可以“理解”的表达形式，再经过多层复杂的传导运算，生成另一种语言的译文。
但是应用这个模型的前提是数据量要大，否则这样的系统也是无用的。像百度和谷歌这样的搜索引擎，可以从互联网上发现和收集海量的人类翻译成果，把如此巨大的数据“喂给”NMT系统，NMT系统就可以训练和调试出比较准确的翻译机制，效果要好于SMT。中文和英文之间的双语语料信息储备越多，NMT的效果就越好。
SMT以前用的都是局部信息，处理单位是句子切开以后的短语，最后解码时将几个短语的译文拼接在一起，并没有充分利用全局信息。NMT则利用了全局信息，首先将整个句子的信息进行编码（类似人在翻译时通读全句），然后才根据编码信息产生译文。这就是它的优势，也是其在流畅性上更胜一筹的原因。
比如，翻译中有一个很重要部分是“语序调整”。中文会把所有的定语都放在中心词前面，英文则会把修饰中心词的介词短语放在后面，机器常混淆这个顺序。NMT在语序学习上的优势带来了它翻译的流畅性，尤其在长句翻译上有明显优势。
传统的翻译方法也不是一无是处，每一种方法都有其擅长的地方。以成语翻译为例，很多时候有约定俗成的译文，不是直译而是意译，必须在语料库中有对应内容才能翻译出来。如今互联网用户的需求是多种多样的，翻译涉及口语、简历、新闻等诸多领域，一种方法很难满足所有的需求。因此百度一直把传统的方法如基于规则的、基于实例的、基于统计的方法与NMT结合起来向前推进研究。
在这种机器翻译的模式中，人类要做的不是亲自寻找浩繁的语言规则，而是设定数学方法，调试参数，帮助计算机网络自己寻找规则。人类只要输入一种语言，就会输出另一种语言，不用考虑中间经过了怎样的处理，这就叫作端到端的翻译。这种方法听起来挺神奇，其实概率论里的贝叶斯方法、隐马尔科夫模型等都可以用来解决这个问题。
以资讯分发当中的贝叶斯方法为例，可以构建一个用概率来描述的人格特征模型。比如男性读者模型的特征之一是在阅读新闻时点击军事新闻的概率是40%，而女性读者模型是4%。一旦一个读者点击了军事新闻，根据图1-2中的贝叶斯公式就可以逆推这个读者的性别概率，加上这个读者的其他行为数据，综合计算，就能比较准确地判断读者的性别以及其他特征。这就是数学的“神奇”。当然，计算机神经网络使用的数学方法远不止这些。
<img src="/uploads/allimg/200412/1-2004120Q230S5.jpg" />
图1-2 贝叶斯与贝叶斯公式[1]
类似机器翻译的人工智能技术方法的前提是数据量足够大。互联网提供了以前科学家梦寐以求却难以得到的海量数据。互联网诞生的初衷是为了信息沟通方便，结果带来了信息爆炸，信息爆炸又促进了人工智能技术的发展。
再以下棋为例。1952年瑟·萨缪尔编写了跳棋程序，水平能达到业余高手程度。跳棋规则比较简单，计算机在这方面有人类很难比拟的优势，但是国际象棋就难多了。百度总裁张亚勤在微软担任研究院院长的时候，请来中国台湾计算机才子许峰雄，他在IBM（国际商业机器公司）的时候开发了名噪一时的国际象棋机器人“深蓝”。20世纪90年代的人工智能代表非“深蓝”莫属，“智慧”集中在一台超级计算机上［使用了多块CPU（中央处理器）并行计算技术］，连续战胜人类国际象棋高手，并终于在1997年战胜了人类国际象棋冠军卡斯帕罗夫。不过富有意味的是，比赛之后不久，IBM就宣布“深蓝”退役了。张亚勤对许峰雄说，“你去做围棋吧，等能下赢我的时候再来找我”，但直到他离开微软，许峰雄都没有再来找过他。
“深蓝”本身面临一些无法突破的瓶颈，虽然可以处理国际象棋棋盘上的运算，但面对围棋棋盘上达到宇宙数量级变化的可能性，只能望洋兴叹。基于决策树算法，穷举一切走子可能性的模式超出了计算机的承载能力，虽然算法不断优化，但还是无法突破计算瓶颈。以围棋为代表的东方智慧，面对人工智能似乎可以稳若泰山，但一个新时代正在来临。
<h2>
Internet的大会师</h2>
“深蓝”代表的计算机智能似乎与互联网无关，然而云计算和大数据的发展，使得人工智能和互联网终于合二为一，元神合体，获得了一种不同于“深蓝”时代的智慧模式。多芯片分布式计算加上人类积累的大数据，再通过超越决策树的新算法来贯通，体现了人类智慧与机器智慧的结合。
2016—2017年，AlphaGo（阿尔法围棋）横扫人类围棋高手圈。AlphaGo的下棋“思路”不同于人类，也不同于“深蓝”。简而言之，是千万盘人类围棋对弈的数据滋养了它。如果要给出更专业的解读，则可以说是蒙特卡洛搜索算法和基于深度学习的模式识别促成了AlphaGo的成就，其中最为重要的，恰恰是其前辈“深蓝”所不具备的深度学习。
根据各方的研究来看，AlphaGo不是自己想出棋着来，而是学习了人类高手的千万盘棋局（这就是大数据）。它记录下每个棋局中的每个局面，把上百万个局面当作输入进行训练，通过一个多层神经网络来预测人类高手会走出的下一着。经过巧妙的神经网络设计与训练，这个多层神经网建模了人类高手的“棋感”——对于当前局面，已知以往下棋历史中的胜率。在实际下棋时，计算机可以通过视觉识别记录下棋局，然后和以往的棋局数据比较，找到相同的模式（局面），再检索不同局面往后发展下去，根据以往下棋史中的胜率高低选出一些高质量的候选点供走子，而不必每个候选点都去尝试一遍，从而极大地减少系统运算量，不至于让系统“殚精竭虑”而死。这就像人类，不会穷尽所有候选点，而是根据经验和感觉选择某些点。选出几个点之后，人类还是要分别计算、比较哪个点更好。对于机器来说，这个计算就要交给蒙特卡洛搜索算法。
我们用一个不一定十分准确，但是形象的比喻来说明。蒙特卡洛树形搜索是对以往决策树算法的优化。对于以往的决策树算法，即便给了一个高质量的候选点，对于接下来的选择，它同样要进行穷举，在每个要选择的地方做一次分支，同样会遇到可选路径数量的指数爆炸。
蒙特卡洛方法就体现了概率学的精妙。假设在某个棋局局面下，深度学习网络给出了三个候选落子办法A、B、C，以这三个点为根节点，分别往下走子，可以想象成三棵树，每棵树还有无数分支。蒙特卡洛搜索不去穷尽所有分支，而是派出300万只蚂蚁分别从A、B、C出发，每个点100万只，飞速向树梢爬（也就是往下黑白棋交替走子直到决出胜负，基本上走200步就会分出胜负），总有部分蚂蚁走到最高点（也就是决出胜负，假设蚂蚁走到终点的情况代表黑子胜，没走到终点的情况代表白子胜）。
假设从A点出发的100万只蚂蚁有30万只到达终点，从B点出发的有50万只到达终点，从C点出发的有40万只到达终点，系统就认为黑子走B点胜率更高，就会选择B点。这就是概率学的取样算法，相比逐项穷举法，极大地缩减了计算量。
为什么派100万只蚂蚁而不是10万只或者1000万只？这是根据计算机的计算能力和对竞争对手的大致估计来确定的。如果派10万只蚂蚁就可以得到较高胜率，那么派10万只也可以。在相同时间内派出越多蚂蚁，对计算能力要求越高。
CPU芯片与GPU（图形处理器）芯片同时进行神经网络计算与蒙特卡洛树形搜索，模拟海量的终盘局面，这是人类计算能力无法相比的。由于采用深度学习建模了人类高手的棋感，看上去人工智能拥有了人类的大局观，而这个大局观恰恰蕴藏在人类高手的千万盘对弈数据里。
相信聪明的读者即便不太了解数学理论，也已经基本明白AlphaGo是怎么做的了，虽然具体的算法和策略要远比上面描述得复杂。AlphaGo向大众展现了一次当下人工智能/深度学习技术的发展水平。但实际上做同类研发的机构和人才很多，而且八仙过海，各显神通。
人类的行为一旦被互联网以数据的形式记录下来，就成为滋养人工智能在各行各业齐头并进，进而帮助人类自己的无穷无尽的燃料。机器翻译、语音识别、图像识别都是基于互联网提供的大量数据，用户点击行为也是如此。为什么百度搜索引擎的准确性是国内其他搜索引擎难以比拟的？因为数据量最大、算法最先进、积累最雄厚。用户的每一次点击其实都在训练搜索引擎背后的百度大脑，告诉它哪一条资讯才是用户最想要的。
当人工智能遭遇冬天的时候，人们认为机器很难像人一样思考，但机遇也正在这句话里。20世纪90年代以后，人类认识到人工智能没必要像人类那样思考，只要能够解决人类的问题即可。所以语言学家乔姆斯基在被问及“机器可以思考吗？”的时候，借用丹麦计算机科学家迪克斯特拉（Dijkstra）的说法反问：“潜艇会游泳吗？”潜艇不会像鱼儿或者人类那样摆动身姿游泳，但是它的水下能力非常好。
当我们回望历史——这个历史不仅仅是互联网的发展历史——整个人类工业发展都在孕育人工智能。凯文·凯利说过，蒸汽机活塞的自我往复运动就是一个精巧的设计，这种自我应答已经蕴含了“进化”的要素。自动化的追求是人工智能的进化动力。
比如，工业革命开始的时候，蒸汽机最先出现在煤矿和坑口。因为早期的蒸汽机效率低、能耗大，只有在煤特别多、特别便宜的地方才可能使用。采煤的时候会产生很多水，要从煤矿里面把水抽出来。有了这种需求，又有足够廉价的能源，才会想到用蒸汽机这种办法。一旦得以运用，蒸汽机的技术就不断发展，最终推动工业革命。人工智能也是一样：当你容易得到足够多的数据时，数据就是新的能源，就是燃料，有了数据燃料，人工智能的发动机就可以运转起来。
要感谢互联网的发展以及一切人类活动产生的数据记录，没有人类的数据积累，计算机就没有可学习的对象。要感谢那些人工智能探索者，他们并非都是计算机科学家，他们有的做生物学研究，有的做工程学研究，有的研究数学和计算机程序的自动迭代优化，有的改革计算机芯片的协作架构。各种研究成果汇流成海，终于汇聚成今天的人工智能。
<h2>
巨头群起逐鹿</h2>
2016年AlphaGo在媒体上引发的惊呼其实是舆论的后知后觉。回到2007年，人工智能领域巨擘Geoffrey Hinton早已察觉到“山雨欲来风满楼”。
当时他的一个学生在谷歌大数据的帮助下，将Hinton若干年前的研究成果应用于语音识别技术上，并取得了明显的成功。Hinton不由得感叹：“回顾过去，失败只是源于缺少数据量和计算能力”。
时间进入到21世纪的第二个10年，人工智能万事俱备，百舸争流的竞争时代开始了。自2015年以来，人工智能创业潮持续发酵。根据美国风投数据机构CB Insights发布的人工智能产业数据分析，人工智能投资额在2016年第一季度就超过了10亿美元，第二季度发生了121笔融资，而2011年同期只发生了21笔。2011年第二季度到2016年第二季度，人工智能方向上的投资额超过75亿美元，其中有60多亿美元都是在2014年后产生的。
《乌镇指数：全球人工智能发展报告》显示，2016年前两季度，国内新增60余家人工智能创业公司，投资金额达到6亿美元。在过去一年中，中国大陆在人工智能领域进行了202笔投资，共涉及10亿美元（约合人民币68亿元），市场规模庞大。
<img src="/uploads/allimg/200412/1-2004120Q230515.jpg" />
图1-3 中国人工智能投资金额和频次
资料来源：www.cbinsights.com
2016年，中科院副院长、中国人工智能学会副理事长谭铁牛院士说，2015年全球人工智能市场规模为1270亿美元，2016年当年预计达到1650亿美元，到2018年，这个数字将超过2000亿美元。
中、美、英三国是人工智能的发展重地。美国是互联网和人工智能的起源地，拥有得天独厚的人才优势，加上技术家底雄厚，科研经费庞大，使其在这个领域领先。除了谷歌、脸书、微软、亚马逊、IBM、苹果等巨头大举投入人工智能领域，还有大大小小近百家专注人工智能业务的公司。比如，擅长自然语言处理的X.AI公司，三轮融资达3.4亿美元。英国则继续老牌名校的辉煌，在制造业萎缩的背景下，将人才都聚集到人工智能领域。研发AlphaGo的DeepMind公司就是其中的代表。
亚马逊推出Alexa智能语音助手和Echo智能音箱，与苹果、谷歌、微软争夺语音入口。2016年6月，亚马逊总裁贝索斯在接受美国科技博主沃尔特·莫斯伯格（Walt Mossberg）采访时透露，亚马逊针对人工智能领域关键项目的投资已经持续了4年时间，“亚马逊从事这些项目的团队超1000人，你看见的只是冰山一角”。
2016年9月，微软宣布在执行副总裁哈里·舒姆的领导下成立新的人工智能研发事业群。他领导数千名计算机科学家和工程师将人工智能整合到该公司的产品中，包括必应搜索引擎（Bing）、小娜数字助理以及机器人项目。当年末，微软正式发布了可以开发聊天机器人的服务，并宣布将为埃隆·马斯克和创业孵化器Y Combinator的总裁山姆·奥特曼（Sam Altman）共同创办的Open AI人工智能实验室提供CPU服务。
脸书也拥有自己的人工智能实验室以及类似谷歌大脑的团队——应用机器学习事业群。这些机构的使命是在各种脸书产品中推广人工智能技术。用该公司首席技术官麦克·斯克洛普夫（Mike Schroepfer）的话说：“脸书约有1/5的工程师现在都在使用机器学习技术。”
AlphaGo的主人谷歌当然也不会只满足于下棋，其人工智能投入多年来不断膨胀。2012年，谷歌只有两个深度学习项目，2016年底这个数字突破了1000。目前谷歌从搜索、安卓系统、Gmail（免费网络邮件服务）、翻译、地图、YouTube（视频网站）甚至到无人车，都有深度学习的影子。
中国拥有庞大的业务应用场景、用户和数据以及基数最庞大的人才群体，进步很快。除了BAT（百度、阿里巴巴、腾讯三大互联网公司首字母缩写）、华为等巨头大力开发人工智能，还有很多垂直领域的人工智能公司涌现。2016年的各种互联网论坛上，不论是电商、社交媒体，还是搜索引擎，各家互联网企业的掌门人都在将话题引向人工智能，汇报着或大或小的成绩。
2016年，百度语音识别准确率达到97%、人脸识别准确率达到99.7%。作为百度大脑的云化，百度天算、天像、天工和天智平台相继向全社会全面开放百度大脑的技术和能力。
<h2>