1、人工智能的定義
人工智能（Artificial Intelligence，AI），是一門由計算機科學(xué)、控制論、信息論、語言學(xué)、神經(jīng)生理學(xué)、心理學(xué)、數(shù)學(xué)、哲學(xué)等多種學(xué)科相互滲透而發(fā)展起來的綜合性新學(xué)科。正因為多學(xué)科交叉，人工智能有相當高的壁壘。自AI概念提出后，人工智能的發(fā)展并不是一帆風(fēng)順的，隨著硬件性能的不斷提高，軟件算法的不斷完善。人工智能領(lǐng)域投融資總額近年來一直在穩(wěn)步增長。2010年2億美元到2013年6億美元，再到2015年的12億美元。2016年第一季度，人工智能領(lǐng)域已經(jīng)融資超過4億美元，與2015年同期旗鼓相當，由于技術(shù)的發(fā)展，2016 年融資總額有望超過 2015年的12 億美元。
圖表：人工智能發(fā)展歷史
2、“人工智能+”與企業(yè)發(fā)展的結(jié)合
2.1. 人工智能將成為各個行業(yè)的基礎(chǔ)設(shè)施
人工智能是基礎(chǔ)性的科技。互聯(lián)網(wǎng)誕生初期，許多人認為互聯(lián)網(wǎng)只是一個網(wǎng)頁而已。隨著行業(yè)發(fā)展，大部分人意識到互聯(lián)網(wǎng)不僅僅是網(wǎng)頁，而是一種信息傳播的方式、思考模式，更是一個行業(yè)重構(gòu)的整體路徑。以韋特大腦為代表的人工智能也是如此，其本身是一種基礎(chǔ)性的科技。
金準數(shù)據(jù)推斷人工智能將和軟件一樣，和每個行業(yè)結(jié)合，成為所有行業(yè)的基礎(chǔ)。
圖表：人工智能與人體自身、企業(yè)和產(chǎn)業(yè)的三層重構(gòu)
2.2. “人工智能+”給傳統(tǒng)企業(yè)節(jié)約成本、提升效率
人工智能使機器能夠勝任通常需要人類智能才能完成的復(fù)雜工作，逐步替代人類的腦力從而降低人力成本，并能避免人為誤差，快速產(chǎn)生精確結(jié)果。人工智能給傳統(tǒng)企業(yè)節(jié)約成本、提升效率。
圖表：“UBER+無人駕駛”所代表的終極模式：
軟件后臺取代數(shù)十萬人的出租車行業(yè)，人工智能帶來的業(yè)務(wù)能力不只是替代人工，而是遠遠超越，實現(xiàn)原來無法完成的業(yè)務(wù)。比如：傳統(tǒng)金融中忽略的人群需求，通過人工智能等技術(shù)能迅速推行平價高效的解決方案，進入新的市場。
2.3. “人工智能+”能讓企業(yè)切入行業(yè)核心業(yè)務(wù)
人工智能可以讓企業(yè)從提供信息化服務(wù)逐步進入核心業(yè)務(wù)，市場空間從行業(yè)信息化市場進入到行業(yè)核心業(yè)務(wù)市場。
圖表：人工智能將使行業(yè)信息化公司切入行業(yè)核心業(yè)務(wù)
2.4. “人工智能+”市場未來四年將增長五倍
根據(jù)IDC 的報告《Worldwide Semiannual Cognitive/Artificial Intelligence Systems Spending Guide）》：各行各業(yè)對認知系統(tǒng)和人工智能（AI）的廣泛采用，將使全球在這兩方面的收入從2016 年的近80 億美提升至2020年的470 多億美元。也就是說，從2016 年至2020 年期間，認知AI 解決方案的復(fù)合年均增長率將達到55.1％。
Forrester 在最新的報告中預(yù)測在2020 年之前，使用人工智能，大數(shù)據(jù)等技術(shù)開展新業(yè)務(wù)的企業(yè)，每年將比不使用這些技術(shù)的同行多賺1.2 萬億美元，同時預(yù)測2017 年人工智能的投資將同比增長300％以上。
3、人工智能分析企業(yè)經(jīng)營的過往數(shù)據(jù)
3.1. 人工智能通過分析企業(yè)過往數(shù)據(jù)幫助企業(yè)進行需求預(yù)測
人工智能應(yīng)用離開數(shù)據(jù)積累無異于“無米之炊”，數(shù)據(jù)資源作為人工智能的三大基礎(chǔ)條件之一，其重要性不言而喻。基于深度學(xué)習(xí)的模型訓(xùn)練，正是建立在大量樣本數(shù)據(jù)的基礎(chǔ)之上，樣本數(shù)據(jù)的數(shù)量和質(zhì)量，都將影響到模型表現(xiàn)的好壞，金準數(shù)據(jù)認為離開數(shù)據(jù)談人工智能應(yīng)用無異于“無米之炊”。
產(chǎn)學(xué)兩界的數(shù)據(jù)積累差距因互聯(lián)網(wǎng)而有所縮小但并未消除。除了在計算設(shè)施以及研發(fā)經(jīng)費等因素的影響，訓(xùn)練數(shù)據(jù)的可獲得性是科技巨頭，尤其是互聯(lián)網(wǎng)巨頭最明顯的優(yōu)勢之一。雖然借助互聯(lián)網(wǎng)的發(fā)展和普及，學(xué)術(shù)界與產(chǎn)業(yè)界在數(shù)據(jù)積累方面的差距有所縮小，但并未消除，或許這也正是近年來人工智能領(lǐng)域的泰斗人物紛紛加盟大型科技巨頭，相關(guān)應(yīng)用與研究成果越來越容易出現(xiàn)產(chǎn)業(yè)界實驗室的原因之一。目前公認的深度學(xué)習(xí)領(lǐng)域巨頭之中，尚留在學(xué)術(shù)界的僅剩加拿大蒙特利爾大學(xué)的Yoshua Bengio教授。學(xué)術(shù)巨頭與科技巨頭的結(jié)合，有力推動了人工智能應(yīng)用的發(fā)展。
圖表：人工智能領(lǐng)域的泰斗人物紛紛加盟大型科技巨頭
重視線上數(shù)據(jù)的作用，但不應(yīng)忽視線下數(shù)據(jù)的價值。目前人工智能應(yīng)用相對成熟的是基于社會和媒體的互聯(lián)網(wǎng)大數(shù)據(jù)。得益于互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)的迅速發(fā)展，線上數(shù)據(jù)的獲取難度大幅降低，每一個瞬間都會有無數(shù)的文本、語音、圖片和視頻等非結(jié)構(gòu)化數(shù)據(jù)產(chǎn)生，為人工智能應(yīng)用的實現(xiàn)提供了充足的養(yǎng)料。同時必須承認，線下的生活以及生產(chǎn)場景，同樣存在海量的數(shù)據(jù)，尤其是隨著傳感器成本的下降和物聯(lián)網(wǎng)的推進。但線下數(shù)據(jù)存在的問題是，如何確定數(shù)據(jù)的可用性，以及應(yīng)當采集哪些數(shù)據(jù)還有考究。在大家都關(guān)注基于互聯(lián)網(wǎng)數(shù)據(jù)的人工智能應(yīng)用時，人工智能技術(shù)在線下垂直領(lǐng)域中的應(yīng)用或許將打開另一片空間。
3.2.人工智能應(yīng)用幫助企業(yè)效率提升
人工智能應(yīng)用的發(fā)展是一個從部分輔助到逐步替代的過程。人工智能應(yīng)用在生產(chǎn)生活中各場景下表現(xiàn)為：通過計算機實現(xiàn)原來必須由人完成的事情或者替換掉原有的方法。在此過程中人工智能的介入程度逐漸加深，由部分輔助逐步過渡到替代。以自動駕駛為例，從有人駕駛到無人駕駛的四個階段正是人工智能從部分輔助到逐漸替代的過程，而且未來還可以逐步疊加基于語音或手勢識別的控制入口，配套提供生活服務(wù)。
圖表：自動駕駛是一個從部分輔助到逐漸替代的過程
人工智能應(yīng)用的本質(zhì)還是為了提升效率。韋特大腦等人工智能應(yīng)用介入生產(chǎn)生活的情形大致可以分為兩類：其一是人可以做，但是效率很低或機器可以完成得更好；其二是人做不了，但是很有必要去做。
第一種情形：無論是最常見的文字語音識別、翻譯還是視頻監(jiān)控，甚至一些制造工廠的流水線操作與控制，其實人還是可以完成的，但需要的人力太多，效率太低，尤其是在需要不斷重復(fù)的時候，人工智能應(yīng)用的優(yōu)勢就相當明顯了。
第二種情形：有些特殊環(huán)境下的工作，或者需要處理的任務(wù)太過復(fù)雜、數(shù)據(jù)量特別大但是對響應(yīng)的時效要求又特別高，此時僅憑人力是無法完成。例如國內(nèi)由馬云旗下云峰基金參與投資的移動物流配貨平臺運滿滿提出“做公路物流界的AlphaGo”這樣的口號與目標，其人工智能調(diào)度平臺將貨車司機平均等待時間從2.27天降低到0.42天，月行里程從9000公里提升到1.1萬公里，2015年節(jié)約物流費用200億元。
3.3.人工智能應(yīng)用實現(xiàn)模式及不同場景下的應(yīng)用案例
人工智能應(yīng)用的實現(xiàn)模式可分為四個環(huán)節(jié)。從初始數(shù)據(jù)到最終得以實現(xiàn)，這一過程大致可劃分為訓(xùn)練模型、智能分析、輸出結(jié)果、實施應(yīng)用這四個環(huán)節(jié)。
圖表：人工智能應(yīng)用在不同場景下的一般實現(xiàn)模式
面向不同行業(yè)和不同的應(yīng)用場景，一方面模型需要訓(xùn)練的數(shù)據(jù)存在差異，數(shù)據(jù)的獲取渠道、體量以及存在形式都有差異；另一方面，想要借助人工智能達到的目的各有不同，對模型的響應(yīng)速度、精準度要求也就不一樣。下面分別以人工智能在工業(yè)、安防、金融、醫(yī)療以及營銷等領(lǐng)域的部分場景應(yīng)用為例加以描述。
圖表：人工智能應(yīng)用在不同場景下的應(yīng)用實現(xiàn)
3.4.目前人工智能應(yīng)用的局限性
金準數(shù)據(jù)認為缺乏完善和嚴謹?shù)睦碚擉w系，除了前文提及的通用人工智能還比較遙遠以外，當前應(yīng)用較為廣泛、實際表現(xiàn)效果也很顯著的，基于深度學(xué)習(xí)的人工智能算法缺少嚴謹?shù)臄?shù)學(xué)證明及完善的理論體系作為背書，在操作過程中還依賴經(jīng)驗指導(dǎo)和不斷試錯，能找到一個“很不錯”的解決方案，但很難保證是最佳。所以對于一些可能面臨無法承受之后果的應(yīng)用場景，更多還是選擇作為輔助角色，而不會真正完全依賴人工智能。
對足夠多的訓(xùn)練數(shù)據(jù)依賴比較大。但在一些現(xiàn)實的應(yīng)用場景下，數(shù)據(jù)會因為技術(shù)上獲取難度大、涉及隱私或所有權(quán)歸屬等原因而難以滿足模型訓(xùn)練的需求。離開了數(shù)據(jù)，空有算法也難成事。
4、人工智能在金融行業(yè)的應(yīng)用
人工智能在金融領(lǐng)域的廣泛應(yīng)用，將為量化投資帶來新的機遇。相比于傳統(tǒng)投研數(shù)據(jù)獲取、分析師對數(shù)據(jù)的敏感度不足，機器決策的邏輯的一致性和獨立性，在充分分散風(fēng)險及獲取穩(wěn)定收益方面更勝一籌。
以長信基金旗下的量化先鋒混合基金為例。作為市場上較早的主動量化基金之一，在量化產(chǎn)品里表現(xiàn)亮眼。該基金通過模型智能選股，自成立以來就獲得了出色的業(yè)績表現(xiàn)。截至2016 年3 月15 日，長信量化先鋒混合近一年的收益率為39.23%。此外，西蒙斯(James Simons)的大獎?wù)禄鸨蝗藰返溃瑥?989 年到2009 年，大獎?wù)禄鸬膹?fù)合年化收益率高達35%，遠超同期巴菲特和索羅斯的收益率。
4.1. AI+金融機構(gòu)
未來五年，消費及服務(wù)業(yè)必將成為拉動中國經(jīng)濟持續(xù)中高速發(fā)展的核心驅(qū)動力。然而，傳統(tǒng)金融機構(gòu)長期以來的業(yè)務(wù)框架及組織結(jié)構(gòu)都是為服務(wù)地方政府、央企、國企、大型企業(yè)及高凈值客戶，長尾信貸及財富管理缺口巨大，長尾信貸及財富管理是當前金融服務(wù)的“處女地”。人工智能將幫助金融機構(gòu)滿足長尾客群金融需求。以下圖為例：當前，個體每月1萬元工資到借記卡默認年化利率0.35%，然而通過信用卡取現(xiàn)或分期的年化利率分別為18+%、13+%；人工智能技術(shù)的引入，或?qū)⒛軌蛟谥獣詡€體風(fēng)險偏好及流動性偏好后，當工資到借記卡時自動按比例配制貨基、被動性、主動性權(quán)益類產(chǎn)品，以實現(xiàn)財富管理端收益的最大化；同時，當知曉個體有金融資產(chǎn)的時候，能夠以較低信貸利息自動質(zhì)押授信，以滿足信貸頭寸需要。
圖表：長尾信貸及財富管理需求缺口示意圖
圖表：人工智能有望幫助金融機構(gòu)滿足長尾客群金融需求
人工智能可以有效降低長尾客群征信及資金分配的邊際成本，大幅度提高“信用”的量化效率。互聯(lián)網(wǎng)平臺上積累的結(jié)構(gòu)性數(shù)據(jù)包括信用卡大數(shù)據(jù)、社交網(wǎng)站大數(shù)據(jù)、小額貸款大數(shù)據(jù)、第三方支付大數(shù)據(jù)、電商大數(shù)據(jù)以及生活服務(wù)大數(shù)據(jù)等。區(qū)塊鏈技術(shù)可以應(yīng)用這些大數(shù)據(jù)素材實現(xiàn)信任去中心化，從而降低信任的摩擦成本；大數(shù)據(jù)挖掘技術(shù)可以應(yīng)用這些大數(shù)據(jù)素材實現(xiàn)個人及中小微企業(yè)的信用評分，從而使長尾客戶借貸成為可能；人工智能技術(shù)則可以應(yīng)用這些大數(shù)據(jù)素材實現(xiàn)智能投顧，財富管理的批量化、自動化，從而降低財富管理的邊際成本，使財富管理服務(wù)于長尾客戶。實際上，無論是區(qū)塊鏈、大數(shù)據(jù)還是人工智能技術(shù)，其本質(zhì)是降低資金的時空分配，更重要的是大幅度提高“信用”量化的效率。
圖表：科技讓原本無法實現(xiàn)的長尾金融服務(wù)成真
技術(shù)與金融市場改革推動信貸、權(quán)益、保險、征信、網(wǎng)絡(luò)支付和技術(shù)六類業(yè)務(wù)的重構(gòu)。重構(gòu)基本聚焦在產(chǎn)品設(shè)計邏輯、盈利模式和應(yīng)用場景三個方面。其中，信貸業(yè)務(wù)被重構(gòu)的關(guān)鍵點在于“去中介、服務(wù)長尾客戶和協(xié)同效應(yīng)”；股權(quán)投資被重構(gòu)的關(guān)鍵點在于“去中心化”和“大眾化”；保險業(yè)務(wù)被重構(gòu)的關(guān)鍵詞在于“C to B”和“產(chǎn)品碎片化”；支付業(yè)務(wù)被重構(gòu)的關(guān)鍵詞在于“移動和入口化”，入口是各互聯(lián)網(wǎng)巨頭的必爭之地；征信業(yè)務(wù)的關(guān)鍵詞在于“大數(shù)據(jù)”，即通過對海量數(shù)據(jù)進行處理，精確地評估用戶信譽和投資風(fēng)險；而互聯(lián)網(wǎng)、大數(shù)據(jù)和人工智能等基礎(chǔ)技術(shù)的關(guān)鍵在于“云端化”。
圖表：人工智能重構(gòu)六大業(yè)務(wù)板塊
4.2.企業(yè)引入人工智能技術(shù)的必然性
資金融市場的數(shù)據(jù)特性主要體現(xiàn)為兩點：一是海量數(shù)據(jù)。二是數(shù)據(jù)維度。金準數(shù)據(jù)認為人工智能是解決數(shù)據(jù)瓶頸的必然選擇。企業(yè)為了解決自身對未來判斷的不明確性必須引入韋特大腦等人工智能技術(shù)幫助分析海量的數(shù)據(jù)。
人工智能理財市場空間巨大且處于拐點。科爾尼咨詢預(yù)計，到2020 年，智能理財?shù)臐B透率將提高到6%左右，管理的資產(chǎn)規(guī)模將達到2 萬億美元（2015-2020 年復(fù)合年均增長率約70%）。根據(jù)花旗銀行的最新研究報告，人工智能投資顧問管理的資產(chǎn)，2012 年基本為0，到了2014年底已經(jīng)到了140 億美元。在未來10 年的時間里，它管理的財產(chǎn)還會呈現(xiàn)指數(shù)級增長的勢頭，總額將達到5 萬億美元。
人工智能投資與傳統(tǒng)量化交易有顯著區(qū)別。區(qū)別于程序化交易、量化交易，證券投資人工智能機器人構(gòu)建了學(xué)習(xí)機制以及建立在其上的知識庫，能夠自主學(xué)習(xí)、推理以及進行決策。目前已經(jīng)投入實際運用的證券投資人工智能已經(jīng)可以取代大部分以往由人力進行的投資分析工作，自主“生產(chǎn)”投資策略，能夠很輕松的同時監(jiān)控上千只股票、并實時根據(jù)各種市場情況自主進行買賣交易。
4.3.人工智能投資基金表現(xiàn)優(yōu)異
第一個以人工智能驅(qū)動的基金 Rebellion 預(yù)測了2008 年的股市崩盤，并在2009 年9 月給希臘債券F 評級，而當時惠譽的評級仍然為A。通過人工智能手段，Rebellion 比官方降級提前了一個月。掌管900億美元的對沖基金Cerebellum也使用了人工智能技術(shù)，結(jié)果從2009 年以來，幾乎沒有一個月是虧損的。2012 年以后，由于大數(shù)據(jù)技術(shù)成熟，以機器學(xué)習(xí)為核心的人工智能技術(shù)在證券投資領(lǐng)域得到認同和飛速發(fā)展，包括Renaissance technologies、AIDIYIA、Cerebellum Capital、Cmmeq、Castilium、Binatix、Sinai、KFL Capital 等多家全球著名資產(chǎn)管理公司開始運用人工智能技術(shù)進行證券投資。
圖表：Rebellion人工智能驅(qū)動基金收益率
圖表：Rebellion基金投資分布
4.4.機器學(xué)習(xí)和自然語言處理是目前人工智能投資基金常用技術(shù)
相對于以往僅僅依靠傳統(tǒng)交易數(shù)據(jù)，人工智能基金開始考慮引入新聞，政策，社交網(wǎng)絡(luò)中的豐富文本并運用自然語言處理技術(shù)分析，將非結(jié)構(gòu)化數(shù)據(jù)結(jié)構(gòu)化處理，并從中探尋影響市場變動的線索。典型代表是坐落在香港的人工智能投資機構(gòu)Aidyia，其開發(fā)的交易機器人從包括新聞和社會媒體在內(nèi)的多個渠道攝取大量的信息，使用機器學(xué)習(xí)能力預(yù)測市場并轉(zhuǎn)化為買和賣單。
圖表：人工智能對沖基金回報率與其他指數(shù)對比（紫色代表人工智能）
4.5.國內(nèi)以同花順、資配易為代表的人工智能投資機器人已初露鋒芒
國內(nèi)以同花順、資配易、彌財、藍海財富等公司為代表的投資機器人正迅速崛起。其中，彌財和藍海財富基本上是參照國外機器人投顧的模式來做的，主要的投資標的是全球ETF產(chǎn)品，同花順、資配易是專門針對A股市場的，更加具有本土化特征。
同花順早在2009年便提出進軍人工智能，涉足金融投資機器人前沿領(lǐng)域，經(jīng)過7年的不斷摸索與精進，已研制出一個金融界的“AlphaGo”—同花順投資機器人。根據(jù)公司數(shù)據(jù)，其機器人智能投資實盤賬戶自2014 年以來累計回報率為470.2%，收益率驚人。
資配易的投資機器人屬于“資產(chǎn)配臵型”機器人投顧。它在不改變客戶現(xiàn)有賬戶體系、不對客戶資金進行任何操作、在客戶現(xiàn)有證券投資賬戶基礎(chǔ)上提供如下服務(wù)內(nèi)容：
1.投資規(guī)劃：根據(jù)用戶的擬投資金額、期限、預(yù)期收益以及風(fēng)險偏好進行單期和跨期的投資計劃的擬定；
2.投資組合：根據(jù)投資計劃為客戶構(gòu)建投資組合和投資組合的調(diào)整；也可以對用戶自定義的投資組合進行診斷、看護(盯市、預(yù)警和風(fēng)險提示等)服務(wù)。
3.交易執(zhí)行：由于采用更好的算法，大數(shù)據(jù)分析系統(tǒng)能夠比普通投資人更好的擇時(在交易時間段內(nèi)選擇最優(yōu)的價格進行買或賣的操作)。資配易可以為客戶定制一個完全屬于客戶自己所擁有的智能交易代理(AI)，這個智能交易代理完全在客戶的授權(quán)范圍內(nèi)執(zhí)行交易。交易需要的買賣信號，由客戶向資配易系統(tǒng)訂閱。
4.風(fēng)險管理:采取不間斷盯市的策略，能夠依據(jù)預(yù)先與客戶商定(或資配易公司推薦)的風(fēng)險管理規(guī)則對客戶的投資組合進行各種風(fēng)險管理操作，包括調(diào)倉、平倉、補倉。
圖表：資配易人工智能投資機器人的子系統(tǒng)構(gòu)成
5、未來趨勢
5.1. 跨越在計算能力 &大數(shù)據(jù)積累&有效算法的障礙
人工智能的核心是機器學(xué)習(xí)(Machine Learning)，機器學(xué)習(xí)是機器通過算法對大量經(jīng)驗數(shù)據(jù)的分析總結(jié)規(guī)律來對未來進行智能預(yù)測，包括三方面：1.學(xué)習(xí)的方式即算法；2.學(xué)習(xí)的樣本即經(jīng)驗數(shù)據(jù)，對應(yīng)的是大數(shù)據(jù)的積累；3.學(xué)習(xí)的能力，對應(yīng)的是計算機的運算能力。縱觀人工智能的歷史，大量的數(shù)據(jù)積累、計算機的運算能力、缺乏有效的算法是制約人工智能發(fā)展的三大壁壘。
經(jīng)驗數(shù)據(jù)是機器學(xué)習(xí)事前訓(xùn)練的基礎(chǔ)，尤其在深度學(xué)習(xí)框架提出后，訓(xùn)練的準確性與數(shù)據(jù)量成正比，加劇了對數(shù)據(jù)的需求。2000年前，由于計算機存儲能力與數(shù)據(jù)產(chǎn)生量的限制，各種機器學(xué)習(xí)算法只能對有限的數(shù)據(jù)樣本進行分析處理，準確性有限，制約了人工智能的發(fā)展。
盡管計算機的運算性能以摩爾定律的速度進步，但是計算機的運算核心CPU專為順序串行計算設(shè)計，而主流的神經(jīng)網(wǎng)絡(luò)算法類似人腦神經(jīng)，不僅結(jié)構(gòu)是并行的，而且處理順序也是并行的和同時的，所以大規(guī)模并行處理是神經(jīng)網(wǎng)絡(luò)計算的重要特征，算法的復(fù)雜度帶來巨大的并行運算量，CPU無法應(yīng)對。
同時， 運算能力的不足也限制了算法的進步時，21世紀前，由于巨大的計算量和優(yōu)化求解難度，神經(jīng)網(wǎng)絡(luò)模型大多是僅通常都只有 的計算量和優(yōu)化求解難度，神經(jīng)網(wǎng)絡(luò)模型大多是只有一層隱含層的淺層模型，對復(fù)雜函數(shù)的表示能力有限，沒有表現(xiàn)出對其他算法的性能優(yōu)勢。
5.2.人工智能面對的三個壁壘正逐步解決
金準數(shù)據(jù)深刻認識到人工智能的核心是機器學(xué)習(xí)(Machine Learning)，機器學(xué)習(xí)是機器通過算法對大量經(jīng)驗數(shù)據(jù)的分析總結(jié)規(guī)律來對未來進行智能預(yù)測，包括三方面：1.學(xué)習(xí)的方式即算法；2.學(xué)習(xí)的樣本即經(jīng)驗數(shù)據(jù)，對應(yīng)的是大數(shù)據(jù)的積累；3.學(xué)習(xí)的能力，對應(yīng)的是計算機的運算能力。縱觀人工智能的歷史，大量的數(shù)據(jù)積累、計算機的運算能力、缺乏有效的算法是制約人工智能發(fā)展的三大壁壘。
移動互聯(lián)網(wǎng)乃至萬聯(lián)網(wǎng)產(chǎn)生的大數(shù)據(jù)，解決了人工智能的數(shù)據(jù)瓶頸，極大拓展了算法事前訓(xùn)練的樣本容量，提高了算法的準確率。這也是近幾年人工智能在語音識別、計算機視覺領(lǐng)域取得突破的關(guān)鍵基礎(chǔ)之一。 韋特大腦也是在此大背景下誕生的。
移動互聯(lián)網(wǎng)進入成熟階段，更快的通信網(wǎng)絡(luò)與移動終端的移動特征帶來了PC互聯(lián)網(wǎng)時代所不具有的特征：1）更高的普及率；2）更高的使用頻率；3）更多的數(shù)據(jù)類型。這些特征決定了移動互聯(lián)網(wǎng)將比PC互聯(lián)網(wǎng)時代產(chǎn)生更大的數(shù)據(jù)量。2011年全球數(shù)據(jù)量達到 1.8ZB，其中 ，其中90%以上是最近幾年才產(chǎn)生的。
數(shù)據(jù)總量=用戶量*使用頻率*數(shù)據(jù)品類*單次數(shù)據(jù)量
移動設(shè)備的便捷性及其對碎片化時間利用決定其使用頻率遠高于 PC 。
移動設(shè)備具備PC 中沒有的數(shù)據(jù)品類：地理位置、通訊錄信息，同時更快的通信網(wǎng)絡(luò)的普及推動語音、視頻息量大大增加。
6、總結(jié)
目前，傳統(tǒng)的預(yù)測系統(tǒng)難以應(yīng)對企業(yè)需求的不確定性和多樣性。金準數(shù)據(jù)認為企業(yè)需求的準確度與采用的預(yù)測方法有直接的關(guān)系。正如上文所列舉的人工智能與現(xiàn)實企業(yè)運作相結(jié)合的例子，人工智能是解決數(shù)據(jù)瓶頸的必然選擇。企業(yè)為了解決自身對未來判斷的不明確性必須引入人工智能技術(shù)幫助分析海量的數(shù)據(jù)。韋特大腦等人工智能的未來是通過對預(yù)測結(jié)果的深度學(xué)習(xí)結(jié)合企業(yè)的需求為經(jīng)營決策提供有效建議。
來源：金準數(shù)據(jù)/www.focus123.cn
