2017年度最具商业价值人工智能公司TOP50 榜单发布

未来最有赚钱潜力的50个人工智能项目都在这里了。

经过了60年的发展，人工智能在2017年，正式走向应用的元年。

从今年起，人工智能首次被写入政府工作报告。AI相关内容，以前所未有的力度覆盖了各大媒体的头条，成为人们已不陌生的话题。但和之前不同的是，一场关于人工智能商业化应用的革命，已然显露雏形。

去年AlphaGo战胜李世乭，将业界对人工智能领域的关注引向了高潮。在今年年初，AlphaGo Master以60连胜中日韩棋坛的顶尖高手后，5月份在乌镇，AlphaGo对战柯洁又取得了三战全胜的成绩。随即，DeepMind宣布AlphaGo引退，不再下棋，而是将精力投入研发高级通用算法，为解决复杂的问题提供帮助，包括找到新的疾病治疗方法、降低能耗和发明革命性的新材料等。

对无人驾驶的布局已然全面展开。无论是传统车商，还是互联网巨头，以及创新公司们，都纷纷在整车解决方案、传感设备、地图等方面试水。

智能家居的语音交互终端，似乎迎来了春天。苹果发布了最新的Siri音箱HomePod，而在此之前，亚马逊Echo已经占领了先机，Google和微软也先后推出了Google Home和Cortana语音助理驱动的智能音箱。

帮助人类进步，对于人工智能而言，是最大的意义。

人工智能在2017，创业的难度已经大大降低，创新的大门正在向各种规模、各种行业参与者敞开。算法不再是护城河，智能革命走向现实应用。在人工智能相关技术驱动下，推动全新的应用场景落地，助力产业升级，成为这个时代的焦点话题。

因此，创业黑马、黑智，与铂诺联合发布了这份《2017年度最具商业价值人工智能创新公司TOP50》榜单。

在初期，黑智广泛采访和拜访了业内知名公司和投资机构，并联合各投资机构和项目方，通过在线报名和机构推荐的方式，收集了百余家企业资料。

通过资料透明度、融资情况和对技术、团队、业务模式等的调研初筛，我们筛选出其中的76个项目，还邀请了云启资本、清流资本、蓝湖资本、联想之星、峰瑞资本、蓝驰创投、九合创投、英诺天使基金、源码资本、高榕资本、丰厚资本等11家投资机构的代表，对其从创新性（30%）、成长性（20%）、可投资性（20%）、产业发展潜力（30%）等不同维度进行评选，最终评出50家上榜公司。

在本次上榜的公司中，我们要求，必须满足以下条件：

1、主营业务是基于人工智能技术提供产品/服务，或者AI的支持服务提供商；

2、公司主要在国内运营，已有具备创新性的产品/技术研发成果推出；

3、公司未上市，融资轮次在C轮以下，并至少获得天使轮以上融资；

4、公司具有较强的商业前景和发展潜力，项目创新性强。

人工智能领域也已经获得了创投界的巨大关注。根据黑智不完全统计，在2016年前三季度，国内发生了48起人工智能领域投资事件，而在2017年，仅仅在Q1，国内人工智能获投项目已经达到了36家。而在近两年的获投人工智能项目中，又以B轮以前的融资轮次居多，国内的人工智能投资仍然处于发展的早期阶段。

尽管近两年，人工智能领域的专家“下海”投入创业项目已经成为主流。而当时间推进到了2017年，AI产业仍然面临着人才和资金投入的巨大缺口和需求，在人工智能领域的商业化应用方面仍然还处于试验阶段。因此，在这次评选中，我们也更多地将注意力放在了处于初创和成长期的企业，期待能够更多地挖掘出，人工智能在未来和不同的行业结合，进行商业化转化的可能性；以及发现人工智能技术更多的应用场景。

而在投资机构代表们看好并入选的项目中，我们也可以发现，深度学习，从的技术成熟度而言，正被赋予越来越高的投资价值。越来越多的互联网公司、传统企业，正基于深度学习，提供智能化产品和服务。计算机视觉、语音/自然语言等为代表的应用，正在多个领域，实现了落地应用，并酝酿引发更大的行业变革。

2B市场，正在成为人工智能的重要应用领域，包括医疗、教育、金融、企业级服务、商业服务机器人、自动驾驶等。在2C领域，智能机器人等语音交互设备终端，正在家庭、教育、陪护等领域实现应用。

我们评选出的50个项目只是对当前人工智能技术应用现状的一个极小的缩影。由于处于技术研发期以及其他原因，还有部分项目不便对外曝光。而由于时间和获取渠道等各种原因的限制，也有众多的项目并未参与本次评选。而这些入选者，也是在人工智能领域中起步不久的新秀。在未来，我们还将见证它们的成长，以及看到更多的革命性的技术和研究涌现，更多的行业应用爆发和改变。但是，技术的变革和进步，带来的消费体验的升级和效率的革命，却是不可逆转的过程。智能技术革命，正在我们的生活和商业中萌芽。

智程营销将解释人工智能工程师的角色、具体的工作内容、人工智能工程师所需的技能和资格。资料《曲阜市智程网络科技有限公司》

1. 1.什么是AI工程师？

   1. 1-2. AI工程师和IT工程师的区别

2. 2、AI工程师具体工作内容

3. 3、AI工程师的主要活动场所有哪些？

   1. 3-1. 采用人工智能技术的企业

   2. 3-2. 人工智能相关教育者

   3. 3-3. 大学和研究所的研究人员

4. 4、AI工程师所需的知识和技能

   1. 4-1. 机器学习和深度学习的知识

   2. 4-2. 以通用编程语言“Python”为中心的编程技巧

5. 5、人工智能工程师的需求和未来潜力

   1. 5-1. 未来需要大量人力资源

   2. 5-2. 接待好客的可能性

6. 6. 成为 AI 工程师的职业道路

7. 7. 人工智能工程师所需资格

   1. 7-2. 数据科学家的资格

8. 8.未来AI工程师有望更加活跃

近年来，许多公司已经推进了使用 AI（人工智能）的系统的开发并开始实际使用它们。网站上安装的用于查询的聊天机器人功能可以说是我们日常生活中使用人工智能的例子之一。

处理这种人工智能的人力资源统称为“人工智能人力资源”。而且，在这些AI人力资源中，“AI工程师”的工作尤其是拓展活动领域。尽管未来发展和成长的前景并不为人所知，但AI工程师的工作是什么？

在本文中，我们将解释人工智能工程师的角色、具体的工作内容、人工智能工程师所需的技能和资格。

一般人工智能人力资源，请参见“什么是人工智能人力资源？” 详细解释必要的原因、所需的技能和培训方法”，也请参考这里。

人工智能是可以进行类似人类的判断和学习的软件和系统的总称。那么AI工程师在AI相关开发中的作用是什么？

AI工程师使用Python等语言进行“AI开发”，“学习”将数据放入AI中以提高准确度，“学习”以验证AI在运行中并提高准确度。主要作用是执行“分析”并构建和运行人工智能。

公司使用人工智能来解决各种业务挑战。人工智能工程师需要利用人工智能专业知识和技术来开发人工智能系统并解决公司面临的问题。

以这种方式创建AI系统并解决企业问题的AI工程师与通常所说的IT工程师有何不同？

IT 工程师的主要工作是根据预定的规范和计划开发系统。因此，工作流程和要构建的系统具有一定的类型是一个特征。

另一方面，在人工智能发展的时机，人工智能工程师也像IT工程师一样，按照规定的规范和计划来开发系统。但是，对于AI工程师来说，所需的知识会发生变化，因为这些内容将与AI相关。

比如很多编程语言都是Python、C、C++等，这和IT工程师说的很多Java和C#是不一样的。另外，由于使用的库如 TensorFlow、PyTorch 和 Keras 不同，您需要能够使用它们。

此外，如上所述，AI工程师可能负责AI学习的过程和分析。因此，即使 IT 工程师和 AI 工程师进行相同的开发，业务内容、所需的知识和技能也会发生显着变化。

既然了解了AI工程师的角色，那我就来解释一下具体的工作。

如上所述，人工智能工程师的工作可以分为“人工智能开发”、“学习”和“分析”三类。在这里，我将解释每个是什么类型的工作。

首先是人工智能的发展，这是人工智能工程师最重要的部分。

近年来，深度学习被大量使用，以至于人工智能开发被称为深度学习。这种深度学习有 TensorFlow、PyTorch、Keras 等库，我们在利用这些库的同时进行开发。

主流的编程语言是Python，上面的库都用到了Python。在称为边缘AI的终端侧插入的AI类型的情况下，可以使用C或C++。

对于 Edge AI，还请查看以下文章。
什么是边缘人工智能？解释云AI和使用场景的区别

开发AI后，我们将研究提高AI的准确性。

需要给内置的AI大量的数据。AI 工程师还可以收集和创建这些数据，删除不需要的数据，称为清理等。

数据科学家可能负责这项学习任务。对于数据科学家，还请查看“什么是数据科学家？对技能、需求和未来潜力的全面解释！”

最后是分析。执行分析的AI工程师并不多，但在很多情况下，他们提供分析所需的数据。

数据科学家和数据分析师也活跃在分析领域。

与数据科学家一样，数据分析师主要负责提出如何通过分析和分析数据来实现项目目标。例如，我们分析数据以了解客户需求，根据结果做出假设，并提出解决企业问题所需的措施。

这是一份与数据科学家有很多相似之处的工作，但数据分析师更擅长分析。

既然已经确认了AI工程师的工作，接下来介绍一下AI工程师实际活跃和需要的站点。

到目前为止，在自动驾驶等领域已经招聘了很多人工智能工程师。然而，由于人工智能技术将被金融、医疗制造商、制造行业等处理，预计未来将被广泛的公司所需要。

除了厂商之外，SIer（系统集成商）公司、专门从事AI系统的开发公司、专门从事AI的公司也纷纷出现，活动领域将越来越广泛。

人工智能系统并不是一个系统开发完成后的终结。还需要维护、维修等售后跟进，以维护AI系统。因此，随着使用人工智能的公司数量增加，对人工智能工程师的需求将不断增加。

近年来，在招聘人工智能工程师的公司数量不断增加的同时，人工智能工程师的人力资源仍然短缺。

相信未来由于政府的人工智能战略，人工智能教育将变得更加普遍。预计在不久的将来，职业学校和民办学校将成为人工智能教育业务的热门。

因此，通过掌握人工智能的知识，您可以作为培养人工智能相关工程师的教育者发挥积极作用。

人工智能相关知识和技术将高度专业化。因此，如果你想成为一名人工智能相关的教育工作者，你作为一名人工智能工程师的经验和知识将非常有用。

AI 工程师还可以选择在大学和研究机构专攻 AI 相关技术。

如果您作为 AI 工程师在一家公司工作，您将仅为商业目的开发 AI。因此，AI工程师需要首先为项目获得结果。

另一方面，在大学或研究机构工作不是为了盈利，而是利用人工智能技术为整个社会做出贡献。也有可能出于“我想知道”和“我想尝试”等纯粹动机的 AI 开发。

大学和研究机构有更多机会从事基础研究，以开发新的人工智能技术，而不是应用现有技术。因此，将需要与人工智能相关的更高级的知识和技能。

那么AI工程师究竟需要具备哪些技能呢？从这里开始，我将解释成为AI工程师必不可少的知识和技能。

AI工程师分析各种数据，解决企业问题，构建AI，最终形成系统。

到 2021 年，AI 通常指的是深度学习，但根据所需的要求，机器学习可能适用。因此，人工智能工程师最好同时了解机器学习和深度学习。

AI工程师也做开发，所以他们需要编程知识。

如上所述，Python 作为一种编程语言尤其重要。Python 用于许多深度学习库，是一种与 AI 技术配合良好的编程语言。

此外，根据现场或项目的不同，C 或 C++ 开发也正在使用嵌入式边缘 AI 进行。

另请查看这篇文章以了解 Edge AI。
什么是边缘人工智能？解释云AI和使用场景的区别

在机器学习中，使用微积分、线性代数、概率论、统计学等进行数据分析。因此，人工智能开发可能还需要数学知识。除了人工智能开发之外，还可以利用数据利用情况等数学知识。

到此为止，我们已经解释了AI工程师的技能和工作内容，但从现在开始，让我们看看未来的需求和未来的潜力。

使用人工智能开发业务的公司数量逐年增加。根据经济产业省的IT人力资源供需调查，人工智能人力资源的平均需求前景预计将从2018年的44,000人增加到2030年的243,000人。

但是，2030年人力资源供给展望为12万人，据了解，2030年平均人力资源供需缺口将超过12万人。因此，预计人工智能相关行业将继续需要大量人力资源。

我觉得我的目标障碍很高，因为我需要先进的专业知识和技能才能成为 AI 工程师。但是，这是一个需求量很大的工作，公司为了确保优秀的人力资源，往往会给予工资等优惠待遇，并且有可能会与好客一起工作，所以可以说未来是高的。

通过这种方式，人工智能工程师是预计需求量很大的工作。作为一名 AI 工程师，你需要什么样的职业道路？

首先，要想成为一名人工智能工程师，就必须掌握“人工智能特有的技能”，例如编写数学模型和利用人工智能相关的库。除了上面提到的TensorFlow、PyTorch、Keras等库，Python等语言的开发能力也很重要。

除了技术技能外，最好拥有更接近数据科学家和数据分析师的技能，例如数据分析、报告和有效性验证。即使您不实际在现场进行分析，它也是提供必要数据的一部分。

在考虑职业道路时，获得这些技能并直接申请 AI 工程师工作是很常见的。但是，在这种情况下，由于需要可以立即使用的知识和技能，因此根据技能可能难以找到工作。

最好先跳槽到 AI 相关公司担任 IT 工程师，获得支持职位的经验，然后再争取 AI 工程师的职位。在这种情况下，您将能够利用您现有的技能换工作，并有机会在学习的同时接触该领域的人工智能，从而成为一名人工智能工程师，因此可能需要时间，但您可能会成为一名人工智能工程师。顺利……

到目前为止，我们已经从角色、技能、工作内容和职业道路方面研究了 AI 工程师。最后，我们再来看看与AI工程师的职业道路也有关系的资质。

编者按：本文作者赵勇，CEO。36氪经授权发布。

2016年人工智能最吸引眼球的事件莫过于谷歌旗下的DeepMind依靠人工智能算法的阿尔法狗在围棋比赛中大胜人类顶尖选手。但要算商业价值的落地，2016年人工智能的赢家则非Nvidia（英伟达）莫属。这家全球领先的显卡公司最新的季度财报（截至2016年10月30号）显示该公司的营收比去年同期增长54%，尤其是在数据中心业务方面有了两倍多的增长。该公司的股票在过去的一年中也增长了4倍多，稳坐了标普500的榜首。

Nvidia在人工智能芯片市场的真实统治力，可能比股票市场上的亮眼成绩更为显著。尽管市场上也存在其他深度学习训练（training）和预测（Inference）的解决方案，但试问各家AI企业，无论其内部的模型训练，还是销售给最终客户的智能产品，绝大多数还是采用了Nvidia的GPGPU方案。在Nvidia不断从各个角度（服务器、PC、嵌入式、汽车、训练专用和预测专用）推陈出新的时候，其他各家竞争公司基本上还处在尝试初次产品化的过程中。据我粗略估计，Nvidia在人工智能芯片领域，领先最接近的竞争者至少有2年的时间。 

今天NV在人工智能领域的优势绝对不是一日之功。事实上整个深度神经网络技术在过去三年的崛起，除了大规模数据（如ImageNet）提供了训练深度网络的基础条件，通用图形运算单元（GPGPU）技术提供的强大运算能力也功不可没。如果没有Nvidia的CUDA平台，科学界证实深度学习巨大潜力的时间不知道还要推迟多久。更难能可贵的是，GPGPU技术使得在PC级别的计算机上进行高密度的高性能运算成本大幅降低，以至于一个普通科研人员的台式电脑都有可能部署上万个并行处理内核。这使得深度学习技术迅速地在科技界发展和普及起来。可以这么说，如果没有GPGPU，坚持研究了二十多年神经网络算法的Yann LeCun和Hinton教授们，恐怕还得继续在学术界被继续埋不少年。 

而是什么原因使得一家以提供3D游戏渲染的显卡公司，在这个重要的历史节点，扮演了救世主的角色呢？ 

本文基于我个人的经历和观察，提供一些相关的线索和理解。在这个过程中有两个关键性的人物，分别是英伟达的CEO黄仁勋（Jen-Hsun Huang），以及英伟达的前首席科学家David Kirk。 

fellow。事实上了解Nvidia历史的人都知道，这家1993年创建的公司，真正的拳头产品GeForce系列就是1999年上市并且打响了国际声誉的。也就是说，David Kirk任职期间，他带领NV创造了至今仍是全世界最畅销的独立显卡产品。对于高性能运算以及人工智能领域的学者来说，David Kirk最伟大的功绩则是他促成了GPU通用化，推广了CUDA平台以及OpenCL标准。在摩尔定律面临时钟频率无法继续进步的时代，GPGPU这种低成本大规模的SIMD并行处理架构，让很多普通人的计算机变成了超级电脑，也让本该寿终正寝的摩尔定律继续发光发热。他发明的GPGPU科技，给历经苦难的神经网络技术，铺垫了一条通往苦尽的道路，也成就了人工智能当前大发展的局面。

Research作实习生。那时我还是一枚计算机视觉专业的博士候选人。当时从事人工智能研究专业的博士生，日子过得可不像今天的师弟师妹们那么痛快。整个领域整体还处在不靠谱的状态，也没有专门针对计算机视觉而设计的专用芯片。学生时期的我，为了实现视觉信号实时处理，钻研过嵌入式CPU、DSP、FPGA等方案。这些方案要么性能不足，要么开发流程复杂不便。我甚至尝试过同时使用十几台服务器并行处理一路实频流的视觉理解（也真是土豪极了）。2007年Nvidia推出了CUDA beta版，我在EPSON实验室自己摸索着用一块普通的游戏显卡，把一个视角转换功能（使得一台投影仪在任意形状和颜色的背景上显示出理想画面）的性能，相比最好的台式机CPU解决方案，提高了整整50倍。从此以后我就认定了GPGPU是人工智能的重要解决方案，我的科研人生就此走上了康庄大道。EPSON的实习结束后，我申请了Nvidia Research lab的实习生，希望深入研究一下GPGPU在计算机视觉信号处理中的应用。 

很幸运的是，我实习期间的名义导师就是Nvidia首席科学家David Kirk。不过由于Kirk先生太忙，整个实习期间我和他其实也只见面交流了几次而已。Kirk先生教导学生的方式挺有意思。我进公司第一次见到导师，问我的任务是什么。Kirk先生说你有两个任务：第一个任务是花两周的时间想清楚自己想解决什么问题；第二个任务就是用实习剩下的时间完成那个任务（这不就是放羊吗？）。Kirk先生一方面组织科研，一方面花很多时间研究公司未来的产品策略，近在咫尺却实在没有时间指导学生，于是就委托了远在明尼苏达的Michael

Huang工作很忙，但是他对于研究院的工作极其感兴趣。我亲眼目睹黄总在实验室和研究员们讨论问题时的认真和耐心。2008年夏天有个专为实习生安排的demo展示会。没想到那天Jen-Hsun也来参观，并且很耐心地巡视实习生作品。6年之后的2014年，当我在Nvidia北京办公室代表我的创业公司再次见到Jen-Hsun时，他竟然一口叫出了我的名字并回忆起当年我给他做的展示。这样的记忆力和洞察力，让我印象深刻。 

Kirk的主要精力都在试图把原来只用来作3d渲染加速的GPU技术通用化，让更多的应用分享到大规模SIMD运算阵列的性能优势。在一次聊天中，Kirk跟我说他从2003年就开始琢磨这个问题：那时Intel刚刚推出了四核的CPU处理器，NV就已经推出包含了100多个SIMD内核的GPU了。Intel的处理器可以通过多线程技术被所有计算机应用分享；但是GPU基本上还是只能通过OpenGL/DirectX等高等绘图渲染接口，或者使用极度麻烦的Shader Program接口跟用户交互。如果能够提供合适的编程模型，把丰富的GPU并行运算资源给开发者分享出来，那么每一个用户的GPU，都可以变成一台上百核的大规模高性能计算机。 

让每一台个人电脑变成一座大规模超级计算机！ 

这个想法虽好，但是需求在哪里呢？普通吃瓜群众，为什么要花钱（即使是几百块美元）去购买一台超级计算机呢？除此以外，全世界所有的计算机软件工程师几十年来已经适应了在CPU上编写程序，该怎么去培养懂得在超级计算机上编写并行处理程序的软件工程师呢？毕竟，理想是理想，现实是现实。但是David Kirk先生，竟然就说服了Jen-Hsun，投入很多资源研发出了能够让GPU变得通用化的CUDA技术。等到这个技术成熟以后，David Kirk又向CEO提出要求：NV未来所有的产品，每一颗GPU，无论是卖到哪个产品线的，都必须支持CUDA！ 

David Kirk的理由是这样的：如果仅仅是数据中心版本的GPU支持CUDA，那么只会有很少的工程师拥有合适的硬件来学习和研发CUDA程序；如果普通消费者的显卡不支持CUDA程序，那么这种技术永远不可能变成一种普惠的、能够影响大多数人的成果。因此要么不干，要么就彻底地大干特干。 

即便是今天回想起来，这仍然是一个风险极高、形同疯狂的决定。要知道，那个年代的Nvidia，几乎100%的收入都来自电脑游戏或者美工设计等传统应用。这意味着面对这些尚没有高性能运算需求的传统客户，Nvidia都必须在硬件产品的设计中增加相关的CUDA逻辑电路，这使得芯片面积增大、散热增加、成本上升、故障几率增加；同时，对于每一款产品，相关的软件驱动都必须保障对CUDA的完美支持。要知道，CUDA本身的升级换代，使得对过去每一款硬件产品的兼容性支持变成了海量工作（我想NV至少有几百名驱动程序工程师哭晕在厕所）。最要命的是，谁也说不清这些额外的工作，除了要成就把每一台PC都变成超级计算机这样遥远的科学理想，到底对消费者有什么具体的价值。 

很显然，这样的决定如果放在一般的把风险控制和短期利益看得很重的公司，是绝无可能发生的。但Jen-Hsun Huang不是一位普通的CEO。他支持了这个伟大的、同时也伴随巨大风险的决定。于是，2007年，从Nvidia的Tesla架构（内部代码G80）开始，NV出的每一款GPU芯片（除了Tegra1-4等移动嵌入式系列），都完全支持GPGPU的CUDA架构。 

和今天Nvidia的繁荣景象不同，2008年的Nvidia处在水深火热中。一方面CPU大咖AMD收购了NV的老对手ATI，形成了CPU整合GPU的新解决方案；一方面Intel中断和Nvidia之前在集成显卡方面的合作，把三维图形加速功能集成进了自家的芯片组。面对两大CPU巨头的合力夹击，NV的局面异常紧张，只剩下高性能的独立显卡一条路。然而屋漏偏逢连夜雨，NV主打的高端笔记本独显产品8600M系列出现了和散热有关的品质问题，很多采用了这款显卡的笔记本电脑（所有的主流品牌包括苹果的MacBook Pro）出现了黑屏甚至是烧机等故障。这时，NV除了面临用户和股民们潮水般的谴责和质疑，还要面对整机厂商的诉讼和赔偿要求。 

对于重大的产品品质事故，当时在公司内外部都流传着这么一种质疑：虽然事故的直接原因是芯片制造商台积电（NV是一家fabless的芯片公司，也就是只设计芯片，把芯片生产外包给其他公司）采用的一种没有经过长期充分验证的封装材料导致芯片散热出现问题。但是如果不是每个芯片都支持CUDA，那么散热的压力原本可以轻松一点，制造部门也就没有必要铤而走险采纳台积电的不成熟方案。 

与此同时，竞争公司Intel和AMD的攻击一波一波来袭。Intel计划推出的GPCPU方案Larrabee采用了大规模支持x86的阵列，号称能让Legacy Software顺利运行（后来该方案在2010年由于性能不如预期等原因被Intel取消）；AMD则在竞争激烈的游戏显卡市场推出游戏性能强大并且功耗和散热更优的纯粹GPU产品直接竞争。一时间，Nvidia颇有些四面楚歌的感觉。在2007到2008年度，NV的股价从最高37美元跌落到最低6美元左右。 

而就在2009年1月，David Kirk离职了。他离职后去了UIUC和Wen-mei W. Hwu教授一起开了一门关于CUDA的编程课。我也应他们的要求帮他们的教科书写了一点东西。那时我听到一些谣言，说Jen-Hsun Huang后悔支持CUDA了。不过接替Kirk的是斯坦福大学计算机系主任Bill Dally教授。Dally教授是并行运算领域的大牛级专家，而且是Kirk在加州理工的校友。这个人事任命消息使得我确信之前听到的传闻都是谣言。Dally是增强版的Kirk，Nvidia并没有放弃让每一台PC成为超级计算机的理想。 

从2009年的GTC开始，CUDA、高性能科学运算和个人超级计算机变成了一家游戏显卡公司最显著的主题。来自计算机视觉、自然语言处理、语音识别、生物、医疗、天文地理、脑神经科学，甚至是社会科学的研究者们，基于CUDA，在他们的个人电脑上不断挖掘出惊人的计算力。这些成果发表在各个领域的各种重要期刊上，推动着这些领域的快速发展。2011年，我在谷歌的同事们发起了一个叫做Google Brain的项目，大量地使用GPGPU技术把深度神经网络技术应用在几个重要的人工智能应用领域里。2012年的CVPR，他们探索出只用一个模型就可以在不同图片中区分10万种物体的检测算法，并成为CVPR最佳论文。在我看来，这一年是人工智能技术发展的分水岭。从此这个领域的进展真的可以用日新月异来形容。2013年，我离开山景城的谷歌研究院，回到北京创立了格灵深瞳，中国最早的一批人工智能公司。 

今天，格灵深瞳的所有产品（硬件部分）都采用了Nvidia的GPGPU处理器。格灵深瞳能够有今天的机遇，离不开这家令人尊敬的显卡公司，离不开Jen-Hsun、David Kirk这些有远见和魄力的企业家和科学家。 

有人说是深度学习技术成全了NV的GPGPU，要不然NV这么多年对科学运算大规模的投入可能就打水漂了。其实我认为，反而是GPGPU技术，成全了深度学习技术。数据运算的能力，对于人工智能领域，就像空气和水对生命的重要性一样。 

2015年夏天在广州的一个活动上，我很高兴地再次遇见了David Kirk。那时他已经全职回到了Nvidia工作。人工智能领域经过几十年的发展，道路曲折坎坷。很幸运我们这个领域总是被一些有远见的人预见和引导。远见很重要，但坚持理想，让远见落地变成现实是需要勇气与魄力的。 

一家具备计算机视觉和深度学习技术以及嵌入式硬件研发能力的人工智能公司，作为一家视频大数据产品和方案提供商，公司主要关注的领域包括公共安全、智能交通、金融安防等，同时公司在无人驾驶、机器人和智能医疗方面也进行了深入的布局，目前已经推出了深瞳人眼摄像机、威目视频结构化系统、威目人脸识别系统、威目车辆大数据系统、威目视图大数据平台以及皓目行为分析仪等产品。

『封面图来自：Yestone 邑石网正版图库』