“这是时下的热门投资领域。”人工智能公司Context Relevant的史蒂芬·普尔普拉（Stephen Purpura）指出。Context Relevant自2012年创立以来已累计融资超过4400万美元。据普尔普拉称，已有超过1700家创业公司加入人工智能浪潮。

人工智能的新晋者认为，该技术终于赶上人类对它的期望了，它将给计算机带来更高的智能程度。它们想要给人类带来新的人机互动方式，想要使得机器能够以预想不到的方式“入侵”人类世界。

另一家新兴人工智能创业公司Kensho的丹尼尔·纳德勒（Daniel Nadler）表示，“从技术上说，从给机器输入指令到让计算机自动观察学习是一种范式转变。”Kensho最近获得了1500万美元的融资，它正追逐一个雄心勃勃的目标：训练计算机使得它们能够取代金融分析师等白领岗位。

“我们并没有将我们在做的事情称作人工智能，而是称之为‘自动化人为干预型的知识性工作。’”纳德勒指出。

投资者的羊群效应，一定程度上解释了为什么人工智能在“大数据”口号燃起了千千万万创业梦想以后成为了最热门的创业投资趋势之一。那些融资的规模还相对较小，说明那些创业公司大多处于初期阶段。不过，获得融资的公司之多，投资者背景之广泛，充分说明了投资者对人工智能的浓厚兴趣。

除了硅谷的部分知名风投公司（其中包括Khosla Ventures和Greylock Partners）以及伊隆·马斯克（Elon Musk）、彼得·泰尔（Peter Thiel）等科技大佬之外，人工智能创业公司的部分活跃投资方还包括认为该类技术在其行业大有用处的企业，如高盛。

纳德勒说，各家风投公司现在都需要参与投资该领域：有限合伙人们都希望在科技行业最新的“下一个大热门”分得一杯羹。

价值应用问题

最新的人工智能热潮很大程度上得益于针对近乎“智能”的机器的新编程技术。首当其冲的是机器学习技术，它涉及训练机器通过挖掘大量的数据来识别模式和作出预测。但跟其它催生一众创业公司的新热门概念一样，涉足其中的公司很多将面临着难以给其技术找到有利可图的应用的风险。

“很多的人工智能平台都像是瑞士军刀，”最近获投1300万美元的Expect Labs的CEO蒂姆·塔特尔（Tim Tuttle）说道，“它们能够做很多的事情，但哪些才是高价值的应用并不明朗。”

他说，结果是该行业彷如狂热的西部，创业者们都争相将人工智能应用到他们能够想到的任何一个计算问题。

普尔普拉补充道，“我不认为机器学习作为独立的技术会造就一项富有价值的业务。很多的相关公司都将以被收购收场。”

人们之所以觉得人工智能将不仅仅是另一股只是一时流行的热潮，是出于对其广泛潜力的考虑。跟“大数据”一样，人工智能指代的不仅仅是单一的技术或者用途，而是可能有广泛用途的一种解决方案。

西雅图风投公司Madrona合伙人麦特·麦克韦恩（Matt McIlwain）表示，深度学习等技术会有助于企业在客户情况上获得更加智能的推断。他补充道，它们将能够识别客户的偏好并作出预测，如客户最想在什么时候被接洽，哪些客户最有可能不续约。

涌入该领域的创业公司面临着巨大的竞争。人工智能最大的进展悉数来自谷歌、IBM、Facebook等投入巨大的科技巨头。这些公司并没有透露它们具体投入了多少资源去研发该项技术，倒是进行了一些公开演示来向大众证明它们处于领先位置：谷歌旨在从YouTube视频识别出猫的一项测试，Facebook用以识别人脸的Deep Face系统，以及IBM的沃森（Watson）问答系统。

然而，塔特尔等创业者将希望更多地寄托在将现有技术打包应用于针对性很强的用途，而不是寄托在新技术的前沿开发上。例如，Expect Labs致力于打造声控服务，使得企业能够通过其服务让客户可以进行在线对话检索等操作。

塔特尔表示，“大公司在试图开发这种技术来解决一切问题，而我们则是尝试解决不同的问题。”塔特尔说。

三大热门用途

该技术的基本用途可分成几个不同的领域。得益于模式识别功能的进步，图像识别变得比以往容易了。涉足这一领域的创业公司Vicarious最近完成融资7200万美元。它能够解决验证码问题。

同样的技术也用于帮助计算机“理解”语言——自然语言识别问题。这是IBM沃森等系统背后的技术之一。人工智能的第三个热门用途是找出关联性——用于个性化在线内容和其它的推荐服务，或者提高广告定向效率。

跟前景可期的新概念一样，人工智能的部分早期应用也是用于金融市场，不过考虑到所涉的利益问题，参与者并不敢公开宣讲它们的技术。

“如果你的金融应用可行的话，为什么要将它公诸于众呢？”Sentient Technologies首席科学家巴巴克·霍贾特（Babak Hodjat）指出。他的公司致力于从数据中心获得大量的运算能力来对金融市场进行全面的模拟：通过运用尝试学习市场对不同情况的反应的“进化算法”，它希望能够开发出模型来预测市场未来的演变。

将像这样的想法在各个领域付诸实践，需要作出巨大的投入来开发人工智能技术。例如，Sentient最近融资超过1亿美元来将它的技术应用于更多的领域，说明招揽“训练”人工智能系统应用于多个不同领域所需的行业专家等事项的成本相当高昂。

Sentient认为，最有吸引力的行业是那些需要挖掘海量数据来解决高价值问题的行业，如医疗保健、保险和电商。计算机安全和诈骗检测也属于诸多人工智能公司最想涉足的那部分领域。

Context Relevant的普尔普拉说，让人工智能技术能够真正用于现实用途也需要付出其它的成本。“关键的争夺跟底层的机器学习技术无关，而是关乎建造支撑系统让它变得可用。”他称，这些辅助技术包括传输大量信息所需的数据“管道”，以及用以确保人工智能技术在可接受的业务参数内运行的控制系统。

鉴于诸多创业公司面临着证明其技术不仅仅是令人惊艳的展品的压力，能否从投资者那里抢得融资，可能会决定它们在无可避免的人工智能行业洗牌中的生死存亡。

机器学习

金融时报专栏作家理查德·沃特斯（Richard Waters）写道，人工智能、机器学习、深度学习和神经网络，关乎开发机器来解决之前被认为只有人脑才能解决的问题，它们催生了一系列的技术和专门术语。

跟其它技术分支一样，公司在最佳方案上的差异有时候就像是宗教信仰上的差异。“你所使用的名称表示你所属的部族。”普尔普拉说道。

人工智能承载着实现完全人类式的计算机“思维”的梦想。但以计算机逻辑解码人类思维的尝试并不顺利。

业界对人工智能重燃兴趣，很大程度上是因为机器学习——一种有意跟人类思维类比划清界限的方案。机器学习是信息处理成本下降的产物，涉及海量如今能够进行收集并传输到网上的数字数据。

作为机器学习的子集，深度学习是人工智能趋势出现的重要原因。深度学习基于人工智能历史的另一个概念：神经网络，即寻求模拟人脑运作加快“学习”的软件。

Nara Logics的CEO亚娜·艾格斯（Jana Eggers）表示，神经科学的进步为这种生物模拟带来了新思路。她补充道，模拟的目的是“看看人脑是如何进行决策的，如何使得计算机能够做得更好。”