若干年来，科技界反复在讨论两件事：一是第四次科技革命可能在中国发生，二是AI将成为第四次科技革命的核心驱动技术。
如果我们把两件事融合在一起，就能够很简单的推理出一个结论：中国必须结合自身的实际情况，发展出一条前所未有，且其他国家和地区难以复刻的AI之路。只有如此，才能解释AI技术带来的新科技革命，为什么将会在中国而不是其他地方完成。
就像第一台简单的蒸汽机是在1688年由法国人德尼斯·帕潘发明，却在近百年后的英国成为驱动科技革命的通用性技术。如何将AI转化为新的通用性、底座型技术，是中国经济发展遇到的历史性机遇。
自深度学习技术为代表的第三次AI兴起进入中国后，中国AI产业经历了十余年探索。结合中国实际，面向第四次科技革命的AI之路，开始逐渐由懵懂走向清晰。
对于很多朋友来说，深度学习这个概念或许并不陌生。但“深度学习+”应该还是首次听到。这个新的概念背后，却是中国AI十余年的积累，AI底层技术与基础设施的漫长凝聚，以及千行百业应用深度学习技术的锐意探索。
这些因素融合起来，让中国AI技术与产业智能化发展得以百尺竿头更进一步，中国智能化的新转折点，也正酝酿在这个新的阶段。
2019年3月，强化学习之父RichardSutton发文表示："短期内要使AI能力有所进步，研究者应寻求在模型中利用人类先验知识;但之于AI的发展，唯一的关键点是对算力资源的充分利用。"
神经网络模型在上世纪90年代出现，但在2010年前，基于统计的学习模型仍是主流，所以在打败人类象棋高手多年后，迟迟无法攻克变数近乎宇宙级的围棋。
后来得益于GPU算力的高速进步与深度神经网络、卷积神经网络等等算法的进步，深度学习模型逐渐成为主流，摆脱了穷举法的限制，AI能够用来学习训练的参数也越来越多，充分利用了GPU擅长并行计算的能力，基于庞大的数据集、复杂的参数结构一次次刷新人类对AI智力天花板的想象。
简单来说，早期的AI就像个刚出生的小婴儿，什么也不懂。爸爸妈妈就要拿着一张"猫"的图片然后跟他说"这是一只猫"，建立起图像和语言的联系。AI也是如此，我们需要大量的"识图卡"来训练AI。
在十年前，由于芯片的算力有限，人类使用的方法非常笨拙：
找出一张主体是猫的图片，然后人工打上"猫"的标签，喂给AI来学习，效率非常低下，而且训练出来的AI只能识别特定的物种。经过大量的训练，AI虽然能识别几千类物品，可一旦遇到复杂的情况就蒙了。比如给一只狗带上猫猫的头套，AI大概率就出错了，因为它只认识0和1，但不认识0.5。
这些要求让终端设备不得不考虑功耗问题，甚至有许多终端设备由电池供电，在物联网设备中部署人工智能算力时还要考虑对电池供电的支持。
AlphaGo等传统中心化的人工智能核心虽然算力更高，但在更为碎片化的物联网中，算力更多时候受到客观条件制约，无法肆意驰骋，必须戴着“镣铐”跳舞。
为了适应实际应用中分散式，碎片化的需求，人工智能逐渐与边缘计算相结合，将算力从云端迁移至边缘。
IoT时代，MCU再进化
但在另一方面，在物联网环境中计算对功耗和成本则更加敏感。
处于边缘的物联网设备对功耗非常敏感，如传感器、安防摄像头等设备要求长期在线工作，但提供传统人工智能算力的FPGA或GPU在边缘端很难满足这样的工作要求。