其中，最好的例证莫过于 Mobileye，这家市值已经超过百亿的以色列算法公司在2014年8月IPO时，首日涨幅接近50%。此前的智驾深谈中，新智元也提到过，截至2015年底，Mobileye在全球有超过1000万装机量，覆盖超过20家车企的273款车型。集成度极高的解决方案，快速的市场推进速度，无一不让所有人觉得眼前一亮，这些成功的背后，都是因为其多年积累的强大算法在支撑。
Mobileye 为特斯拉提供的自动驾驶系统是全球首个实际上路的DNN。来源：wccftech.com/
5月，被英特尔收购的初创公司 Itseez，其核心技术是一套名叫“驾驶员高级助理系统”的视觉算法，能让汽车硬件识别出行人和交通标志，探测汽车何时偏离车道，并对可能发生的碰撞提出警报。这类技术目前已应用于高端汽车；将来当自动驾驶汽车实际上路时，该技术或将变得更加重要。
差不多在同一时间，ARM 以 3.5 亿美元收购了英国计算视觉公司 Apical。Apical 是全球领先的图像和嵌入式计算视觉公司，拥有多项计算视觉 IP 模块。不仅如此，现在全球有超过 15 亿 台智能手机和 3 亿台网络摄像机、数码静态相机和平板使用 Apical 的图像产品。像这样既有数据又有算法的公司，ARM 以 3.5 亿美元收购用以巩固计算视觉和图像处理技术壁垒，也就不令人意外了。
Magic Pony 的算法看了左边的图片后，自动生成右边的图片。来源：theguardian.com
还有刚刚过去的热潮，Twitter 据称用 1.5 亿美元收购只有十几个员工的英国初创公司 Magic Pony。根据英国专利局网页，这家机器学习算法公司在图像和视频处理方面拥有 15 项专利(Magic Pony 官网称拥有超过 20 项)。其中，最有名的算法能够利用图像中原本没有的信息，提高图像的分辨率，这些新的数据是算法从以前看过的、与待处理图像类似的大量图像中生成的，这个算法的工作原理跟人眼类似。
数据飞轮效应
数据和云存储遵从摩尔定律：每过两年，世界上的数据量就会翻倍，同时用于存储这些数据的成本则会以同样的速度下降。这些大量的数据使得人们可以创造出更多的产品特征和更好的机器学习模型。
Somasegar 用“数据飞轮效应”来形容这个情形：在智能应用的世界里，数据为王，而那些能够产生出最高质量数据的服务将获得压倒性的优势——更多的数据生成更好的模型、更好的用户体验，进而吸引更多的用户以及更多的数据。换句话说，也就是形成一个闭环和正反馈。
例如，Tesla 收集了 7.8 亿英里的驾驶数据，每过 10 小时里程数就会递增 100 万英里。
这些数据被喂给了 Telsa 的辅助驾驶程序 Autopilot，它使用超声传感器、雷达和摄像机以在不与人互动的情况下进行驾驶和改变车道和避免碰撞。最终，这些数据将成为他们计划在 2018 年发布的自动驾驶汽车的基础。
谷歌的自动驾驶项目只积累了 150 万英里的驾驶数据。与之相比，Telsa 的数据飞轮效应更加强劲有力。
云端人工智能
一家公司要想发现其业务中的洞见，使用算法机器智能从其数据中进行迭代学习是唯一可扩展的方式。要知道，这一直以来都成本高昂，也不一定有产出。
Sirosh 说，今天的数据科学就像40年前的裁缝一样费时费力。
例如，一家公司需要首先收集定制数据，雇佣一个数据科学家团队，持续地开发并优化模型，以跟上快速改变和增长的数据的步伐——而这只是工作的开始。
现在，当拥有更多的数据，而存储数据的成本也下降之后，机器学习开始向云端迁移；在云上，可扩展的网络服务是可以随叫随用的 API。数据科学家不再需要管理基础设施或实现自定义代码。系统将为他们实现这些功能，实时产生新的模型，并提供更快、更准确的结果。
数据显示，谷歌从2012年到2015年，使用深度学习技术的软件数量每年都在急剧增长，2012年只有100个左右，到了2015年第四季度前，已经有近2700个。
“当用来建造和部署机器学习模型的成本大大变小，当你可以 ‘批量生产’ 它时，我们就可以从云端广泛地获取机器学习所需的数据了。”
【免责声明】本文仅代表作者个人观点，与IT09数码网无关。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容。您若对该稿件内容有任何疑问或质疑，请联系本网将迅速给您回应并做处理。