人工智能是IT领域的竞争对手，微软和谷歌都在各自的开发者大会Build和I/O上展示了强大的、随时可用的企业人工智能工具。
这不仅仅是关于工作:人工智能软件现在下国际象棋、围棋和一些复古视频游戏比任何人都好，甚至开车也比我们中的许多人好。这些超人般的表现，尽管是在狭窄的领域，但都是可能的，这要归功于数十年来人工智能研究的应用——这些研究越来越多，就像Build和I/O，使其走出实验室，进入现实世界。
与此同时，虚拟助手背后的人工智能语音技术，如苹果的Siri、微软的Cortana、亚马逊的Alexa和三星电子的Bixby，可能不能提供超人的性能，但它们运行所需的电力也比超级计算机少得多。企业可以涉水这些边缘，例如开发Alexa“技能”，让亚马逊Echo的用户无需拨打其呼叫中心，就可以与公司进行互动，利用各种基于云的语音识别和文本到语音的“即服务”产品，开发自己的成熟的自动化呼叫中心。
人工智能最早的一些研究试图以一种计算机可以处理和推理的形式，明确模拟人类对世界的认识，即使计算机不能真正理解。这导致了第一个基于文本的“专家系统”的商业化。那些早期的系统并不像人类那样，通过他们的专业知识，在他们的职业生涯中通过经验学习。相反，这些经验是通过人类与其他人类的对话，并将他们的隐性知识提炼成显性规则的艰难过程灌输给他们的。
近年来，人工智能研究的最大进展，以及最适用于企业的进展，都涉及到机器从经验中学习以获得知识和理解。去年，机器学习技术的进步直接导致AlphaGo戏剧性地以4比1击败了18次世界围棋冠军李世石(Lee Sedol)。AlphaGo是谷歌旗下DeepMind开发的程序。
机器学习开始建立神经网络 - 模拟的方式神经细胞，即神经元，在我们的身体发送信息的运算模型。我们的大脑包含约100个十亿神经元，每个连接到约1000人。人工神经网络模型中的这些细胞的集合，每个都有自己的输入（输入数据），并输出（简单的计算的对数据的结果）。神经元被组织成层，每层以从以前的一个输入端和它的输出传递到下一个。当网络正确地解决了一个问题，附加的权重给予该预测正确的答案的神经元的输出，并且因此网络获悉。
有许多层的网络——所谓的深度神经网络——可以更精确。它们在计算上也更昂贵——在它们的早期，这是令人望而却步的。GPU的并行处理能力使它们免于成为研究的好奇对象，而GPU以前主要用于显示游戏，而不是玩游戏。
晶体管正在为自己做这件事
这些进步为企业提供了处理大数据问题的新方法，但在某种程度上，创造必要的技术本身也是大数据问题。
我们的优势之一是，我们可以从几个例子了解，谷歌工程总监光芒Kurzweil说的Cebit全球会议的与会者在三月。
他说:“如果你的另一半或老板告诉你一两次某件事，你可能真的会从中学到东西，所以这是人类智能的一个优势。”
但在深度学习领域，有一种说法是“生命始于十亿个例子，”他说。
换句话说，深度神经网络等机器学习技术需要观察一项任务10亿次，才能学会比人类做得更好。
发现十亿例子的东西本身就是一个问题:AlphaGo的开发商就在互联网上搜索记录成千上万的去比赛的人类玩家提供初始培训13-layer神经网络,但当它变得更强,诉诸于比赛本身生成新游戏数据的其他版本。
AlphaGo利用两种机器学习方法赢得了比赛。人类游戏使用监督学习进行分析，在这种情况下，输入数据被标记为神经网络应该学习的响应——在这种情况下，下这些步将导致胜利。
当AlphaGo独自与自己对弈时，它使用了另一种技术，即强化学习。赢得比赛的目标仍然是明确的，但是没有输入数据。AlphaGo被留下自己生成和评估，使用了第二个神经网络，其中神经元开始时的权重与监督学习网络相同，但随着发现超人的策略，逐渐修改了它们。
第三种技术是无监督学习，它在商业中很有用，但在游戏中用处不大。在这种模式下，神经网络没有得到关于其目标的信息，而是自行探索数据集，将数据分组并识别它们之间的联系。以这种方式使用的机器学习只是另一种分析工具:它可能识别出游戏可以以多种方式进行或结束，但它将如何处理的判断留给人类监督。
有很多公司，无论大小，都在提供一些用于企业应用和服务的人工智能构建模块。小公司通常专注于特定的任务或行业;更大的部分，以及可以用于一般应用程序的工具。
这在很大程度上要归功于围绕它的铺天盖地的宣传沃森发行，IBM是AI的春天想到的第一供应商之一 - 虽然它喜欢的术语“认知计算”。
沃森系列包括用于创建聊天机器人、发现文本数据中的模式和结构以及从非结构化文本中提取知识的工具。IBM还对沃森的一些服务进行了行业特定信息的培训，为医疗保健、教育、金融服务、商业、营销和供应链运营等领域的用户量身定制服务。
IBM及其合作伙伴可以帮助将这些工具与现有的业务流程集成，或者开发人员可以自行开发，因为大多数工具也可以作为api在IBM的Bluemix云服务门户上使用。
认知也是微软的首选术语。下微软的认知服务品牌，它为开发者提供API访问功能用于将机器学习技术整合到自己的应用程序。这些措施包括将语音转换为文本，并了解其意图的工具;检测并在文本校正拼写错误;翻译语音和文本;探索学术论文，作者和出版是他们的期刊之间的关系。还有建立聊天机器人和连接它们懈怠服务，微博的Office 365邮箱等服务，被称为机器人框架．微软还提供了一个开源工具包，企业可以下载它，用自己的海量数据集训练他们的深度学习系统。
在5月初的Build大会上，它提供了以前只能预览的服务的生产版本，包括一个面部标签API和一个自动内容版主，可以批准或屏蔽文本、图像和视频，将困难的案例转发给人类进行审查。还有一个新的自定义图像识别服务企业可以通过培训识别自己感兴趣的物体，比如工厂里使用的部件。
谷歌提供了许多它内部使用的机器学习技术谷歌云平台的一部分．该系统可要么已经训练了特定任务或可作为对您的数据进行训练一张白纸，和包括图片，文字和视频分析，语音识别和翻译。还有用于提取情绪和可以在聊天机器人和呼叫中心使用文本意义的自然语言处理工具。甚至还有一个超集中职位搜索工具试图匹配基于他们的位置，资历和技能空缺求职者。
至于亚马逊网络服务(Amazon Web Services)，它允许企业为Alexa创造新的“技能”或语音控制应用程序，Alexa是嵌入在亚马逊Echo设备中的数字助手，并提供了很多Alexa“作为服务”背后的技术。它最新的服务是一个呼叫中心，亚马逊连接，按每通电话和每分钟收费。该系统集成了亚马逊的语音识别和理解服务，允许企业创建更复杂的交互式语音响应(IVR)系统。
当明天到来
这些服务都在生产中，但还有许多其他服务在等待。
微软为例，已经邀请企业的其他几个服务测试“预览”版本。这些措施包括情感API图像分析工具，它可以通过识别照片中的面孔表达情感，赋予相对概率愤怒，轻蔑，厌恶，恐惧，快乐，悲伤和惊奇。（你可以给它发一张自拍尝试一下。）即将增强了公司的语音工具，让企业能够调整发动机的具体地区或环境（自定义语音服务），甚至承认扬声器。
一种新的工具叫做问答模块制造商从文本语料库中提取经常被问到的问题，并将它们作为答案提供给聊天机器人。到目前为止，结果有些迟钝，但这可能是源文本的问题，而不是QnA Maker的问题，它很可能还没有阅读10亿个faq来学习自己的艺术。
在谷歌的云下一页'17三月在旧金山会议上，公司推出了云视频智能API的私人beta测试，这将使beta测试者通过搜索名词或动词描述的内容找到相关的视频剪辑。谷歌希望刺激对其服务的进一步需求与它与风险资本公司数据集体和出苗资本，并以其机器学习先进的解决方案实验室在加州山景城，在这里客户可以工作在开放运行的新的机器学习创业公司竞赛与谷歌专家机器学习运用到自己的问题。
两个月后，在谷歌I/O上，该公司展示了用于移动电话的TensorFlow Lite平台，以及用于运行机器学习工作负载的更强大的处理器云TPU(张量处理单元)。它还公布了一些在内部使用的机器学习api的细节。
大公司并没有垄断人工智能的研究，但对合格人才的竞争是激烈的。Facebook有自己的内部人工智能研究部门，组织内部培训活动，提高员工对机器学习的认识。
一些从事人工智能研究的最大公司显示出愿意公布他们的结果，并公布他们的大部分代码开源许可证。即使是臭名昭著的秘密苹果公司发表了第一篇研究论文就在去年年底。
但他们没有放弃王冠上的宝石。这些机器学习工具包和云服务都非常好，但很明显的是未经训练的神经网络大约是有用的典型企业作为一个16岁的高中辍学。
经验最重要，只是因为它在招聘和公司，如谷歌，Facebook，亚马逊，甚至是苹果和微软，正在收集那些几十亿的小例子是库兹威尔评价。每个搜索结果点击或购物推荐接受，每张照片加标签或运动分数要求被添加到集合。
当然，一个十亿的例子可能并不总是必要的：电脑可以学会今天做一些事情几乎与用少了很多数据的人，并为许多的任务，几乎可以不够好，特别是如果计算机能够是指它不能与一个人的上司打交道的情形。
就在你身边
在任何情况下，这都是许多构建人工智能聊天机器人的组织所依赖的。他们拥有的数据点远远少于10亿，但他们仍然希望微软的QnA Maker等服务能够帮助他们以新的方式服务客户。
英国关节炎研究就是其中之一，这是一个慈善组织，为关节炎症的医学研究提供资金，并为患者提供建议。它使用IBM的沃森对话API来构建一个虚拟助手，该助手将回答有关关节疼痛的问题，并建议进行适当的锻炼以缓解症状。
该组织的目标有两个:减少现有电话支持人员的负担，并创建一个新的对话通道，以便在未来提供其他服务。
助理已经学会了1000分的答案约50种肌肉骨骼疾病的常见问题。
“我们将在适当的时候扩展它的功能，包括关于医疗和外科治疗以及饮食的信息，”英国关节炎研究中心的传播运动经理Shree Rajani说。