去年，AlphaGo依赖人工智能挑战号称最难的人类游戏围棋大获成功，让人工智能背后的“深度学习”广为人知，也把谷歌收购的AI科技公司DeepMind推向了镁光灯下。
深度学习需要两样东西：海量的计量处理能力和海量的可学习数据（大数据）。DeepMind从汇聚业余和专家棋手的网站中摘选3000万步棋来训练AlphaGo。他们并对AlphaGo稍作改动，制造出它的一个分身，让两者互搏，从而更迅速地生成更多训练数据。按照DeepMind的CEO及联合创始人哈萨比斯的计划，公司的目标是发明类似人脑运作方式的AI新算法，正因如此，公司聘用了大批神经科学家。哈萨比斯称，从人脑寻求灵感使DeepMind大大有别于其他机器学习研究团队。虽然DeepMind的方法并没有完全排除蛮力计算，但AlphaGo的自学法与人类下围棋的方法接近的程度要远高于“深蓝”和人类在下国际象棋上的接近度。
人工智能大比拼，IBM的沃森PK谷歌的DeepMind
提起“深蓝”，马上就能想起二十年前这台IBM的超级计算机击败国际象棋冠军卡斯帕罗夫的例子，当时机器第一次在人机大战中获胜。而Waston（沃森）就是深蓝的后身。沃森在2011年大放异彩，因为当年它赢得了美国电视智力竞猜节目《危险边缘》（Jeopardy!）特别版的冠军。面对节目中用充满双关的英语提出的费解问题，沃森能做出分析并在巨大的自然语言数据库中寻找线索，将这些线索合成答案，再用语音的方式回答，从而击败了美国竞猜节目中最聪明的人脑。被沃森打败的人类选手詹尼斯当时就感慨道：“我，代表本人，欢迎我们新的电脑霸主。”
与DeepMind力图学习人脑运作方式创建新算法的做法不同，沃森背后依赖的是被IBM称之为“认知计算”的原理，其核心是所涉软件能自我修改从而不断学习。沃森会把拿到的问题和一个潜在答案数据库做比对，从中生成一个罗列各种可能答案的长列表。然后它用大量其他数据库如百科全书、医疗文档、音频或
图片的内容来给这些答案打分。事实核查算法会根据资料来源的可信度来调节这个过程，然后一个（或常常是几个）最可能是正确答案的结果被挑选出来。最后一步是由人类专家评定和微调这些结果，在一个迭代过程中完善它们（从而教导软件该做什么），直到该系统被训练得足够好而可向外界发布。为达到这一目标，IBM雇用了一批语言学家、心理学家、社会学家及编程人员，人机结合是沃森的重要卖点。
不管从什么方式去设计并改进算法，沃森与DeepMind所代表的人工智能研究都需要大量的数据帮助算法进行学习，尽快将人工智能推向市场，有助于它们在实践中学习，再学以致用。
IBM推动沃森商业化应用的步伐要早一些。2014年，IBM就把沃森开放给一般商业用途使用，让企业创造和销售自家基于沃森的应用。为此，IBM还设立了一个价值1亿美元的基金来支持那些使用沃森背后技术的创业公司。一年多以前，IBM发布了一套新工具来帮助外部人士开发沃森的商业应用。
如今，沃森在医疗、法律等领域都已经有了比较成熟的应用，而最新的应用在金融监管合规领域。IBM意识到每年在监管和合规方面的巨大支出（它预计达2700多亿美元，仅是理解监管要求就要花掉200亿），2015年初开始在沃森上开发这一业务功能。大量可能的违规手法被输入沃森，它可以对交易模式和各种交流内容（从公开信息到社交媒体）进行分析，这种监察还能延伸至交易对手方的人际网络，以厘清复杂的关系。同时，IBM希望旗下金融咨询公司Promontory熟悉金融领域监管及变化的专家能帮助沃森学习。
相比之下，DeepMind刚刚开启在各个领域内的应用。去年七月，谷歌宣布DeepMind已找到方法将谷歌数据中心的制冷用电量减少五分之二。它的算法先分析数据中心的操作日志来理解任务，然后通过反复模拟运行来优化过程。同样，DeepMind也已经进入医疗行业。去年11月，公司获得了首个付费工作，与NHS公立医院皇家自由伦敦医院（Royal Free London）签下五年的合同，为其处理170万份病历。
人工智能的竞争已经开始，谷歌、Facebook、微软、亚马逊、百度和IBM等全球IT巨头都已投身其中，沃森与DeepMind只是广为人知的两个例子。在这场人工智能的比拼中，获取现实世界的大数据至关重要。即使拥有大量数据的可供挖掘的谷歌，运用AI及机器学习技术改进医院、电网及工厂等系统时，获取其具体操作数据也非常重要。IBM开放沃森平台給各个行业开发应用，也是在积极获取分析各种大数据的机会。人工智能算法通过对各类大数据的分析学习所获得的改进和汲取的知识与洞察，可能是这场竞争的最大标的。
