大家好，微软人工智能cntk相信很多的网友都不是很明白，包括微软人工智能chat也是一样，不过没有关系，接下来就来为大家分享关于微软人工智能cntk和微软人工智能chat的一些知识点，大家可以关注收藏，免得下次来找不到哦，下面我们开始吧！

本文目录

1. BAT在人工智能领域和Google Facebook差距有多大？
2. 目前都有哪些公司做人工智能芯片？
3. 人工智能泡沫正在体现？人工智能行业发展困境？
4. 人工智能的最大技术工具集

BAT在人工智能领域和Google Facebook差距有多大？

1.布局

从产业图谱来看，人工智能主要分为技术层、应用层和基础层。技术层包括人工智能通用技术平台（例如计算机视觉与图像、自然语言处理、语音识别）。应用层包括人工智能行业应用方案、消费类终端或服务等。基础层包括人工智能芯片、算法和数据。

美国巨头呈现出全产业布局的特征，包括基础层、技术层、应用层，均有布局；而中国巨头主要集中在应用侧，只在技术层局部有所突破。

2.实验室

3.收购

中美并购事件近两年密集增加。CBInsights的研究报告显示，谷歌自2012年以来共收购了11家人工智能创业公司，是所有科技巨头中最多的，苹果、Facebook和英特尔分别排名第二、第三和第四。集中于计算机视觉、图像识别、语义识别等领域。Google于2014年以4亿美元收购了深度学习算法公司Deepmind，该公司开发的AlphaGo为Google的人工智能添上了浓墨重彩的一笔。

4.开源平台

谷歌早在2011年就成立AI部门，在谷歌内部，由机器学习驱动的产品和业务不计其数，包括谷歌搜索、GoogleNow、Gmail等，同时谷歌还向其开源Android手机系统中注入大量机器学习功能。2011年第一代机器学习系统，从大量的Youtube图片中学会了识别猫；2015年，谷歌将内部采用深度学习的技术整理到一起，发布第二代人工智能系统TensorFlow，并宣布将其开源。这是一套包括很多常用深度学习技术、功能和例子的框架。得益于庞大的计算和数据资源，谷歌大脑在深度学习方面取得了显著的成果。在几次人机大战中大放异彩的DeepMind公司自2014年被Google收购后，陆续发表了207篇顶级期刊论文，为Google带来了大量研究人才。

2013年卷积神经网络发明者YannLeCun加入Facebook，带领公司的图像识别技术和自然语言处理技术大幅提升。Facebook的深度学习框架是基于之前的Torch基础上实现的，于2015年12月开源。此外，Facebook还开源了人工智能硬件平台BigSur等十余个项目。

微软在2016年整合微软研究院、Cortana和机器人等团队建立“微软人工智能与研究事业部”，现有7000多名计算机科学家和工程师。同年，微软发布了其深度学习工作包CNTK，CNTK使得实现和组合前馈型神经网络DNN、卷积神经网络和循环神经网络变得非常容易。

IBM也开源了其深度学习平台SystemML。IBM主推的认知计算平台也向开发者开放了Watson的认知计算能力，加速人工智能的部署。

2016年，百度开放了其深度学习平台Paddle-Paddle，覆盖了搜索、图像、语音识别、语义处理、用户画像等领域的技术。腾讯不同事业部都在不同领域展开AI研究。AILab注重将技术与腾讯业务场景相结合，即游戏、社交、内容生态。

大公司纷纷拥抱开源有两方面原因：第一，通过开源来构建生态和护城河。无论是谷歌、亚马逊还是BAT都已经拥有云计算基础设施，Google、微软一直在讲的开源、AWS推出的AI功能，本质上并无差别，都是为了赋予自家云端客户更强的数据处理能力。在现有的云服务市场中，科技巨头占据多数，构建基于人工智能的云服务将成为巨头的下一个主战场。AI是信息基础设施的一个升级，是今后产业发展的巨大引擎。巨头都想把握升级过程中涌现的大量机会，赋能全行业。

第二，开源是一种开放式创新。通过开源深度学习平台，不仅可以吸引大量开发者，还可以为机器学习提供大量的数据支持，以及大量的现实场景。在人工智能平台化的趋势下，未来人工智能将呈现若干主导平台加广泛应用场景的竞争格局。

5.结论

第一，基础层的开源算法平台。

美国企业成为此次引领全球人工智能算法研究的领头羊，谷歌、Facebook、微软都已推出了深度学习算法的开源平台，而国内目前仅有百度推出开放平台paddlepaddle。

第二，技术层的云平台。

除了算法以外，大数据、云计算都是实现人工智能技术应用的关键性设施。从目前中美云服务平台发展的情况来看，作为云计算的“先行者”，北美地区仍占据市场主导地位。虽然中国云服务起步晚于美国，但阿里、腾讯、华为等中国互联网及IT企业都推出了领先的云服务平台，Docker技术在我国云计算领域逐步从实验阶段走向应用阶段，在云服务的基础技术上中美差距已不大，但在IT服务环境、用户认知等方面与美国仍存在差距，但这个差距是很快就能缩小并赶超的。

第三，应用层的应用平台。

在人工智能应用平台领域，中、美两国的互联网企业均推出基于人工智能技术的垂直应用平台。在语音平台上，美国有谷歌的Googleassistant、亚马逊的Alexa、IBM的Watson、微软的Cortana、Facebook的Deeptext等领先企业的语音平台，国内百度的百度大脑、科大讯飞语音开放平台等，虽然在开放平台的数量上中国不及美国，但从整体布局来看，基本与美国并驾齐驱。

目前都有哪些公司做人工智能芯片？

据永生联众科技所知的，目前人工智能芯片的公司有苹果、高通、谷歌、亚马逊、微软、英伟达以及中国人工智能芯片公司寒武纪科技公司。当然，华为也在人工智能上发力。

一、苹果公司

苹果公司最早在2011年推出语音助手Siri时，就开始了人工智能的尝试，但在那以后它在人工智能领域一直鲜有大动作，但是最近，根据彭博社的报道，这家电子消费品巨头也要像Google和高通一样开发专业的人工智能芯片了。

苹果正在研发一款专门处理人工智能相关任务的芯片，他们内部将其称为「苹果神经引擎」（AppleNeuralEngine）。据彭博社的消息，这块芯片将能够改进苹果设备在处理需要人工智能的任务时的表现，比如面部识别和语音识别等。

同时，有了这块芯片，苹果就可以全力布局以设备为中心的人工智能。苹果在人工智能领域的反应一直比较迟钝，这使得亚马逊的智能助手Alexa捷足先登，占据了智能家居的市场，但像人工智能芯片这样的产品极有可能会让苹果再一次重演后来居上的戏码。

二、高通

QualcommTechnologies,Inc.工程技术执行副总裁，MattGrob在一次采访中说到：

在Qualcomm，创新是的企业文化。我们为研发出大规模改变世界的基础技术而深感自豪。在人工智能方面也不例外。我们于十年前就开始了基础研究，目前我们的现有产品支持了许多人工智能用例：从计算机视觉和自然语言处理，到各种终端，如智能手机和汽车上的恶意软件侦测。同时，我们正在研究更广泛的课题，例如面向无线连接、电源管理和摄影的人工智能。

自2007年，Qualcomm开始探索面向计算机视觉和运动控制应用的机器学习脉冲神经方法，随后还将其研究范围从仿生方法拓展到了人工神经网络——主要是深度学习领域（这是机器学习的一个子范畴），并展现出一流的成果。一个令人瞩目的例子就是，2012年AlexNet利用深度学习技术（而非传统手作计算机视觉）赢得ImageNet比赛。

Qualcomm骁龙移动平台是最高性能移动终端的首选系统级芯片（SoC）。人工智能工作负载在这方面提出了另一个挑战。通过在适宜的计算引擎上运行各种机器学习任务（如CPU、GPU和DSP等），我们能提供最高效的解决方案。这已经集成在了我们的SoC中。QualcommHexagonDSP就是一个典型范例。

三、谷歌

谷歌公司在2017年度创新大会上（GoogleI/O2017）展示了第二代人工智能专用处理器（TPU），其强大性能引起军方和军工企业高度关注。

第二代TPU主要以云端方式提供服务，即客户通过购买权限的方式接入谷歌云环境，使用TPU资源进行在线运算和处理。

GoogleI/O上发布的新一代云端TPU

美国防部对TPU在人工智能和机器学习领域的突出性能表现出极大兴趣，已与谷歌探讨未来使用TPU部署“军事云2.0”，以增强美军无人系统的协同作战能力。美空军研究实验室就TPU在军用无人机智能化组网、协同行动等方面的应用与谷歌进行了研讨。

亚马逊

亚马逊一直在开发一项先进的语音识别功能，该功能可让其Echo智能音箱内置的Alexa语音助手能够根据声音识别用户的身份。

亚马逊的新功能会匹配发出指令的人和语音样本（或者说“声波纹”），以确认他的身份。主要账号所有者可要求提供特定的声波纹才能访问特定的指令。例如，通过设置，用户能够使得诸如信用卡支付和通过Echo打开咖啡机的操作要提供家长的语音。

亚马逊至少是从2015年夏季开始开发该项内部名称为VoiceID的功能。直到去年夏末，该功能仍然在Alexa的发展路线图上，但目前还不清楚它将于什么时候推出，是否真的推出。据其中一位消息人士透露，它的底层技术已经完成开发，现在就只剩下将该功能整合到Echo产品的问题了。多个因素可能会推迟或者阻碍该功能的推出，其中包括隐私担忧。

亚马逊已经允许Echo用户设置不同的个人档案，以及在它们之间切换，但用户必须要先说“切换账号”或者使用Alexa应用才能切换。Alexa应用也有设置要求用户大声说出四位数的验证码来确认信用卡支付。

微软

8月23日，微软在HotChips大会上正式揭晓了Brainwave系统，该产品是微软加入人工智能硬件竞赛的首发产品。微软表示这款高速度、低延迟的AI专用芯片系统可以为机器学习开发者们提供超越GPU的性能。

微软的研究人员现场展示了Brainwave的威力：在使用英特尔最新的Stratix10FPGA（现场可编程门阵列）芯片的情况下，Brainwave运行GatedRecurrentUnit（LSTM的变种）的浮点运算速度可高达39.5TFLOPS，并且不需要任何批量处理，即芯片可以即时处理每一项提交上去的请求，为机器学习系统提供实时的见解。

微软的展示的Stratix10是一款全新芯片，还有与英特尔合作优化的空间。据Burger计算，使用Stratix10的Brainwave的运算速度最高应该可以实现90TFLOPS。

目前，Brainwave只支持在微软CNTK框架和谷歌TensorFlow框架下的模型。其团队正开发兼容Caffe等其他框架的Brainwave版本。微软表示，未来，第三方客户将可以在Brainwave上运行任何模型，不过并未给出Brainwave全面上市的时间表。

为了抢占人工智能市场的庞大商机，英伟达及其芯片业的同行，乃至一些IT巨头，都在加快投资和研发脚步。去年8月，芯片巨头英特尔收购了专注于人工智能解决方案的初创企业Nervana系统公司，并计划集成Nervana技术芯片的首个人工智能专用硬件，能够使深度学习系统运行速度提升100倍。今年3月，英特尔还宣布成立专门的人工智能产品事业组，将横跨英特尔所有部门展开合作，旨在降低人工智能成本并开发各种标准。

另据10月24日消息，近日华尔街投资银行杰富瑞的分析师在接受采访时表示，英伟达公司最近在人工智能领域获得了极大的成功。凭借人工智能领域的成功，英伟达的股价在近期实现了连续上涨的成绩。

中国人工智能芯片公司寒武纪

寒武纪科技有“全球AI芯片界首个独角兽”之称，寒武纪科技便源自中科院计算所——中国第一个专门从事计算机科学技术综合性研究的国立学术机构，被誉为“中国计算机事业的摇篮”，曾自主研发了中国首台数字电子计算机、首个通用CPU，为中国计算机产业界和学术界培养了大量高技术人才，创办了联想、曙光等一批高技术企业，中科院计算所也是寒武纪科技的重要股东和产学研长期合作伙伴。

寒武纪的芯片，图片来源中科院计算所

有强大科研支撑的寒武纪，成绩灰常耀眼。它是全球第一个成功流片并拥有成熟产品的AI芯片公司，拥有终端AI处理器IP和云端高性能AI芯片两条产品线。

2016年发布的寒武纪1A处理器（Cambricon-1A）是世界首款商用深度学习专用处理器，面向智能手机、安防监控、无人机、可穿戴设备、智能驾驶等各类终端设备，在运行主流智能算法时性能功耗比全面超越传统处理器，入选了第三届世界互联网大会（乌镇）评选的十五项“世界互联网领先科技成果”，国内外主流媒体纷纷报道。

以上就是大家比较熟知的科技公司，当然，也可能还有没整理到的，如果有，欢迎大家补充！

人工智能泡沫正在体现？人工智能行业发展困境？

据中研产业研究院发布的《2019-2025年中国人工智能行业发展分析与投资战略研究报告》统计数据显示

国际人工智能行业发展分析及经验借鉴

第一节全球人工智能市场总体情况分析

一、全球人工智能行业的发展特点

“人工智能”涵盖了很多前沿技术和分支，却很难用一句话来定义，因为它一直处在发展当中。比如，一些在过去看来很“人工智能”的事情，现在却变成了简单的“机械重复”，像是数字的高速计算、图像的处理等。但总体上来看，“人工智能”的本质和目的一直没有发生太多变化，那就是“完成人类的部分脑力工作”。

20世纪60年代开始，就有许多科幻电影和科幻小说描述着人类对“人工智能”的憧憬和恐惧，比如斯皮尔伯格的知名影片《人工智能》。不过在现实中，长久以来，受到技术、科技发展和应用层面的限制，人工智能只是一件人人都在说，都以为别人在做，但事实上却没多少人知道该怎么做的事——无论在学术研究层面还是在应用层面都是如此。

人工智能曾经在20世纪90年代互联网泡沫破裂前风靡一时，到了21世纪伊始却变成了一个禁忌，大家开始怀疑它是否存在。而到了2011年，美国资本市场再度为人工智能而疯狂。风险投资机构和顶级科技公司们开始频繁投资这个领域的创业公司，投资范围从应用层面的机器人、增强现实，到底层技术层面的深度学习算法、神经网络芯片等，人工智能项目也遍地开花。比如，Google接连投资了虚拟现实创业公司MagicLeap，收购了人工智能公司DeepMind;Facebook收购语音识别公司Wit.ai，等等。

除了投资外部团队之外，像IBM、Google、Facebook和百度等国内外科技巨头们也纷纷加强自己的人工智能方面的专业团队，招募了一批人工智能尤其是深度学习相关领域的科学家，如深度学习鼻祖之一GeoffreyHinton加入了Google，YannLeCun加入了Facebook担任人工智能实验室负责人，AndrewNg(吴恩达)加入百度负责深度学习研究院等。

从人工智能的整个发展历程来看，按照应用场景和人工智能资源的集中度，可以大致分成三个阶段。

第一阶段：实验室研究阶段，这一阶段的人工智能资源高度集中。人工智能在2011年前的发展大致还处于实证研究阶段，资源高度集中在国家或大学资助的研究机构中，用于算法模型的训练和研究，人工智能还只能为极少数人接触到。这一阶段大量的工作除了在算法模型本身的研究外，还包括建立计算能力本身。

第二阶段：企业应用阶段，这一阶段的人工智能资源被少部分科技巨头掌握。在人工智能表现出一定的实际应用价值后，科技巨头们一拥而上，纷纷希望在这个领域取得突破。在少部分核心企业掌握了大规模的人工智能资源以后，其它小规模的企业一般会利用这些核心企业提供的人工智能资源接口和其支持的人工智能应用为自身的发展提供服务。由于掌握大规模的计算资源是这一模式的前提，因此这一阶段人工智能资源的集中度仍然非常高，而这将是人工智能在企业场景下的主要应用形式，即集中计算，分布使用。

第三步：个人应用阶段，这一阶段的人工智能资源被分散到个人手中。显然，依赖于云端大规模计算资源的人工智能算法限制着人工智能在消费者场景的应用，因为集中式计算意味着巨量的网络资源消耗，并且因为网络问题，难以在消费者应用场景中有稳定的表现。因此，人工智能的本地化，也就是从集中走向分布(细化到智能手机、可穿戴设备等)实现将是人工智能在消费者场景中得到普及的关键一步。伴随着人工智能的本地化实现，将使得人工智能真正延展到手持设备、家用电器、汽车等消费级应用。

图表：人工智能发展阶段

数据来源：中研普华产业研究院

二、全球人工智能市场结构

全球人工智能企业分布极不平衡，主要集中于美国、欧洲及中国等少数国家地区。排名前三的美国旧金山/湾区、纽约及中国北京，企业数量分别占全球的16.9%，4.8%与4.0%。在增速方面，整体上一直保持增长势头，直至2015年出现小幅度回落。欧洲的人工智能企业多集中于本国家的首都。在欧洲各城市中，英国伦敦的企业数量最多，为第二位巴黎的3.1倍，占全球总数的3.69%。日本与韩国的企业数量明显不及中国，日本东京仅与杭州相当，韩国首尔仅与成都相当。东亚地区排名前三的城市，北上深三城占全球总数的7.4%。虽然还远不及美国，但在全球中的重要性将日益明显。

三、全球人工智能行业发展分析

“人工智能”涵盖了很多前沿技术和分支，却很难用一句话来定义，因为它一直处在发展当中。比如，一些在过去看来很“人工智能”的事情，现在却变成了简单的“机械重复”，像是数字的高速计算、图像的处理等。但总体上来看，“人工智能”的本质和目的一直没有发生太多变化，那就是“完成人类的部分脑力工作”。

20世纪60年代开始，就有许多科幻电影和科幻小说描述着人类对“人工智能”的憧憬和恐惧，比如斯皮尔伯格的知名影片《人工智能》。不过在现实中，长久以来，受到技术、科技发展和应用层面的限制，人工智能只是一件人人都在说，都以为别人在做，但事实上却没多少人知道该怎么做的事——无论在学术研究层面还是在应用层面都是如此。

人工智能曾经在20世纪90年代互联网泡沫破裂前风靡一时，到了21世纪伊始却变成了一个禁忌，大家开始怀疑它是否存在。而到了2011年，美国资本市场再度为人工智能而疯狂。风险投资机构和顶级科技公司们开始频繁投资这个领域的创业公司，投资范围从应用层面的机器人、增强现实，到底层技术层面的深度学习算法、神经网络芯片等，人工智能项目也遍地开花。比如，Google接连投资了虚拟现实创业公司MagicLeap，收购了人工智能公司DeepMind;Facebook收购语音识别公司Wit.ai等。除了投资外部团队之外，像IBM、Google、Facebook和百度等国内外科技巨头们也纷纷加强自己的人工智能方面的专业团队，招募了一批人工智能尤其是深度学习相关领域的科学家，如深度学习鼻祖之一GeoffreyHinton加入了Google，YannLeCun加入了Facebook担任人工智能实验室负责人，AndrewNg(吴恩达)加入百度负责深度学习研究院等。

图表：人工智能发展阶段

数据来源：中研普华产业研究院

从人工智能的整个发展历程来看，按照应用场景和人工智能资源的集中度，可以大致分成三个阶段。

第一阶段：实验室研究阶段，这一阶段的人工智能资源高度集中。人工智能在2011年前的发展大致还处于实证研究阶段，资源高度集中在国家或大学资助的研究机构中，用于算法模型的训练和研究，人工智能还只能为极少数人接触到。这一阶段大量的工作除了在算法模型本身的研究外，还包括建立计算能力本身。

第二阶段：企业应用阶段，这一阶段的人工智能资源被少部分科技巨头掌握。在人工智能表现出一定的实际应用价值后，科技巨头们一拥而上，纷纷希望在这个领域取得突破。在少部分核心企业掌握了大规模的人工智能资源以后，其它小规模的企业一般会利用这些核心企业提供的人工智能资源接口和其支持的人工智能应用为自身的发展提供服务。由于掌握大规模的计算资源是这一模式的前提，因此这一阶段人工智能资源的集中度仍然非常高，而这将是人工智能在企业场景下的主要应用形式，即集中计算，分布使用。

第三步：个人应用阶段，这一阶段的人工智能资源被分散到个人手中。显然，依赖于云端大规模计算资源的人工智能算法限制着人工智能在消费者场景的应用，因为集中式计算意味着巨量的网络资源消耗，并且因为网络问题，难以在消费者应用场景中有稳定的表现。因此，人工智能的本地化，也就是从集中走向分布(细化到智能手机、可穿戴设备等)实现将是人工智能在消费者场景中得到普及的关键一步。伴随着人工智能的本地化实现，将使得人工智能真正延展到手持设备、家用电器、汽车等消费级应用。

当前人工智能的浪潮已席卷了全球，人工智能领域的公司也在不断激增。根据VentureScanner的统计，截至到2016年初，全球共有957家人工智能公司，美国以499家位列第一。覆盖了深度学习/机器学习(通用)、深度学习/机器学习(应用)、自然语言处理(通用)、自然语言处理(语音识别)、计算机视觉/图像识别(通用)、计算机视觉/图像识别(应用)、手势控制、虚拟私人助手、智能机器人、推荐引擎和协助过滤算法、情境感知计算、语音翻译、视频内容自动识别13个细分行业。

四、全球人工智能行业竞争格局

各国政府高度重视人工智能相关产业的发展。自人工智能诞生至今，各国都纷纷加大对人工智能的科研投入，其中美国政府主要通过公共投资的方式引导人工智能产业的发展，2013财年美国政府将22亿美元的国家预算投入到了先进制造业，投入方向之一便是“国家机器人计划”。在技术方向上，美国将机器人技术列为警惕技术，主攻军用机器人技术，欧洲主攻服务和医疗机器人技术，日本主攻仿人和娱乐机器人。

现阶段的技术突破的重点一是云机器人技术，二是人脑仿生计算技术。美国、日本、巴西等国家均将云机器人作为机器人技术的未来研究方向之一。伴随着宽带网络设施的普及，云计算、大数据等技术的不断发展，未来机器人技术成本的进一步降低和机器人量产化目标实现，机器人通过网络获得数据或者进行处理将成为可能。目前国外相关研究的方向包括：建立开放系统机器人架构(包括通用的硬件与软件平台)、网络互联机器人系统平台、机器人网络平台的算法和图像处理系统开发、云机器人相关网络基础设施的研究等。

由于深度学习的成功，学术界进一步沿着连接主义的路线提升计算机对人脑的模拟程度。人脑仿生计算技术的发展，将使电脑可以模仿人类大脑的运算并能够实现学习和记忆，同时可以触类旁通并实现对知识的创造，这种具有创新能力的设计将会让电脑拥有自我学习和创造的能力，与人类大脑的功能几无二致。在2013年年初的国情咨文中，美国总统奥巴马特别提到为人脑绘图的计划，宣布投入30亿美元在10年内绘制出“人类大脑图谱”，以了解人脑的运行机理。欧盟委员会也在2013年年初宣布，石墨烯和人脑工程两大科技入选“未来新兴旗舰技术项目”，并为此设立专项研发计划，每项计划将在未来10年内分别获得10亿欧元的经费。美国IBM公司正在研究一种新型的仿生芯片，利用这些芯片，人类可以实现电脑模仿人脑的运算过程，预计最快到2019年可完全模拟出人类大脑。

高科技企业普遍将人工智能视为下一代产业革命和互联网革命的技术引爆点进行投资，加快产业化进程。谷歌在2013年完成了8家机器人相关企业的收购，在机器学习方面也大肆搜罗企业和人才，收购了DeepMind和计算机视觉领军企业AndrewZisserman，又聘请DARPA原负责人ReginaDugan负责颠覆性创新项目的研究，并安排构建Google基础算法和开发平台的著名计算机科学家JeffDean转战深度学习领域。苹果2014年在自动化上的资本支出预算高达110亿美元。苹果手机中采用的Siri智能助理脱胎于美国先进研究项目局(DARPA)投资1.5亿美元，历时5年的CALO(CognitiveAssistantthatLearnsandOrganizes)项目，是美国首个得到大规模产业化应用的人工智能项目。Amazon计划在2015年能够使用自己的机器人飞行器进行快递服务。韩国和日本的各家公司也纷纷把机器人技术移植到制造业新领域并尝试进入服务业。

五、全球人工智能市场区域分布

图表：2018年全球人工智能企业数量前五名

数据来源：中研普华产业研究院

2018年，全球人工智能初创企业共计2617家。美国占据1078家居首，中国以592家企业排名第二，其后分别是英国，以色列，加拿大等国家。

全球人工智能企业融资规模的分布，与人工智能企业分布相同。美中英三国融资规模为全球最大，但三者间的规模目前仍存在较大差距。

图表：2018年全球人工智能企业融资规模分布

数据来源：中研普华产业研究院

截止至目前，美国达到978亿元，在融资金额上领先中国54.01%，占据全球总融资50.10%;中国仅次于美国，635亿，占据全球33.18%;其他国家合计占15.73%。

中国的1亿美元级大型投资热度高于美国，共有22笔，总计353.5亿元。美国超过1亿美元的融资一共11笔，总计417.3亿，超过中国63.8亿。

六、国际重点人工智能企业运营分析

1、微软公司

(1)企业发展概况

微软，是一家美国跨国科技公司，也是世界PC(PersonalComputer，个人计算机)软件开发的先导，由比尔·盖茨与保罗·艾伦创办于1975年，公司总部设立在华盛顿州的雷德蒙德(Redmond，邻近西雅图)。以研发、制造、授权和提供广泛的电脑软件服务业务为主。

最为著名和畅销的产品为MicrosoftWindows操作系统和MicrosoftOffice系列软件，目前是全球最大的电脑软件提供商。

(3)微软AI研究新进展

微软在人工智能方面有着很深的积淀，比如微软研究院在语音识别、自然语言和计算机视觉、机器学习方面已经有很多成果，在这些研究的基础上微软先后推出了Skype即时翻译、小冰和小娜(Cortana)这样的AI产品。

而新成立的部门必将深化这种产研的结合。微软称，整合后的新部门将包括AI产品设计、基础与应用研究实验室，以及新体验与技术(NExT)这几部分。

而为了实现AI普及的目标，微软列出了4大重点关注领域：

代理。利用AI通过Cortana这样的代理从根本上改变人机交互方式。

应用。将智能注入从相机app到Skype、Office365等的一切应用。

服务。把注入到微软应用的相同能力(如视觉、声音等认知能力，机器分析能力)开放给全球的应用开发者。

基础设施。微软称要利用Azure开发出全球最强大的AI超级计算机并开放给每个人，让个人和组织都能利用它的能力(这让人想到IBM的Watson)

从中可以看出，微软已经把AI当作一种基础能力，希望从端到端渗透到各个领域。

(4)微软加快布局人工智能

现在，小娜(Cortana)收到的指令和问题已经超过120亿条，拥有1.33亿活跃用户。小娜可以在多设备上运行。她根据你的日常生活和工作养成的技巧，已经形成了一个高效的生态系统。通常在你意识到自己有需要之前，她就能做好准备。为了让开发人员都能够使用认知能力，微软还提供了CortanaIntelligenceSuite。

微软的MicrosoftPix应用是一个图片编辑工具，它能感知，帮助你选择合适的图像。

MileIQ是一个位置提醒APP，它的智能在于帮助你量化和分类旅行。SwiftKey是一个智能键盘，使用神经网络，根据你的输入方式进行训练，能为你想要输入的下一个词建模，即使这样一个简单的任务，也会变得更加智能。它不受平台的限制。SwiftKey现在已经被30亿安卓和IOS设备使用。在Office365中，MyAnalytics会追踪你每天的工作，通过图表展示你每天的时间分配。

客户关系管理(CRM)，CRM系统一般都是孤立的，用具体的术语为客户行动建模，为管理而建，而不是销售生产率。假如销售员能够根据客户的CRM系统之外的信息行动，比如来自Twitter，Facebook，客户服务应用程序等的信息，那会怎么样呢?微软在每天交互的应用中注入智能wait，可以让销售员以一种综合的方式采取行动，使用丰富的数据模型，这些模型能在所有的地方加入智能。

微软的平台BotFramework，允许在新的应用程序中建立智能的工具包——从Build大会以来，已经有40000开发人员使用它——包括像Uber这样的品牌，在认知服务中使用人脸识别APIs来改善他们的移动应用程序，以确保乘客安全。

AI服务需要各种类型的技术。为了实现这个目标，微软们已经往我们的云中投入大量FPGA(现场可编程门阵列)，它能直接与网络对话。在云中加入FPGA达到前所未有的网络性能，提高了所有工作负载的吞吐量，包括运行如SAP这种关键任务程序。

此外，微软还有一个全球性的、超大规模的云基础框架，在云中增加了GPU，以提供更高性能的云接入，使一些从前根本不可能的方案得以实现。微软的Azure现在是世界上第一台AI超级计算机。

最后，还有研究AI的平台。微软支持所有的框架，其中，微软自己的CNTK是最快的分布式运算神经网络框架，也是唯一开源的可扩展的深度学习工具包。

(5)微软人工智能发展计划

2017年7月，微软宣布建立一个专注于人工智能的全新研究实验室MicrosoftResearchAI，EricHorvitz计划将不同的学科结合起来，以期创建更多通用的学习系统。

该新实验室将以位于华盛顿州雷德蒙德的总部为基础，由来自感知、学习、推理和自然语言处理等人工智能研究的多个子领域中的科学家组成。人数超过100人，约占微软研究院研究人员总数的十分之一。新的实验室系全球微软研究部门下属机构，微软雷德蒙研究院院长EricHorvitz同时担任MSRAI的负责人。

(6)、微软建立机器学习工具

无论是学术界的研究人员还是工业界的开发者，DMTK可以帮助他们在超大规模数据上灵活稳定地训练大规模机器学习模型。当前版本的工具包包含以下几个部分：

1.DMTK分布式机器学习框架：它由参数服务器和客户端软件开发包(SDK)两部分构成。参数服务器在原有基础上从性能和功能上都得到了进一步提升——支持存储混合数据结构模型、接受并聚合工作节点服务器的数据模型更新、控制模型同步逻辑等。客户端软件开发包(SDK)支持维护节点模型缓存(与全局模型服务器同步)、节点模型训练和模型通讯的流水线控制、以及片状调度大模型训练等。

2.LightLDA：LightLDA是一种全新的用于训练主题模型，计算复杂度与主题数目无关的高效算法。在其分布式实现中，我们做了大量的系统优化使得LightLDA能够在一个普通计算机集群上处理超大规模的数据和模型。例如，在一个由8台计算机组成的集群上，我们可以在具有2千亿训练样本(token)的数据集上训练具有1百万词汇表和1百万个话题(topic)的LDA模型(约1万亿个参数)，这种规模的实验以往要在数千台计算机的集群上才能运行。

想要了解更多关于行业专业分析请关注中研普华研究报告《2019-2025年中国人工智能行业发展分析与投资战略研究报告》

人工智能的最大技术工具集

它是计算网络工具包(ComputationalNetworkToolkit)的缩写，CNTK是一个微软的开源人工智能工具。不论是在单个CPU、单个GPU、多个GPU或是拥有多个GPU的多台机器上它都有优异的表现。

微软主要用它做语音识别的研究，但是它在机器翻译、图像识别、图像字幕、文本处理、语言理解和语言建模方面都有着良好的应用。

关于本次微软人工智能cntk和微软人工智能chat的问题分享到这里就结束了，如果解决了您的问题，我们非常高兴。