人工智能—产业爆发的拐点

☞ 新丝路金融诚邀有识之士加入，岗位详情，请戳文末原文链接“阅读原文”！

    风口上的人工智能技术究竟会引起什么样的产业转型巨浪！

1、人工智能即将进入产业爆发的拐点

自从 2016 年 3 月 AlphaGo 大战李世石以来，人们对人工智能的关注度空前火热，国内外互联网巨头 Google、微软、亚马逊、百度、腾讯、阿里巴巴等在人工智能领域跑马圈地，各国也将人工智能上升到国家战略，企图抢占下一代技术革命的制高点。

1. 1深度学习技术使人工智能达到商用化水平

在深度学习出现之前，机器学习领域的主流是各种浅层学习算法。传统的机器学习需要人工提取特征，其思路是，从开始的通过传感器来获取数据，然后经过预处理、特征提取、特征选择、再到推理、预测或者识别，最后一部分也就是机器学习的部分。然而手工地选取特征既耗费时间又不能保证选取好，深度学习彻底解决了这个问题。

深度学习突破人工智能算法瓶颈。 2016 年， Hinton 等人提出深度学习神经网络， 掀起了深度学习的浪潮。“深度”某种意义上是指人工神经网络的层数， 旨在建立可以模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据，例如，图像、声音和文本。在短短几年内，深度学习颠覆了语音识别、图像分类、文本理解等众多领域的算法设计思路，创造了一种从数据出发，经过一个端到端（end-to-end）最后得到结果的新模式。由于深度学习是根据提供给它的大量的实际行为（训练数据集）来自调整规则中的参数，进而调整规则，因此在和训练数据集类似的场景下，可以做出一些很准确的判断。 

1.2运算力和数据量为人工智能提供引擎

1.2.1数据量和算法可以分别比作人工智能的燃料和发动机。

数据集的丰富和大规模性对深度学习算法训练尤为重要。实现精准识别的第一步，就是获取海量而优质的应用场景数据。以人脸识别为例，训练该算法模型的图片数据量至少应为百万级别

1.2.2运算能力提升和运算成本下降大幅推动人工智能发展

深度模型训练是一件比较复杂的事情，很多事项需要注意，如网络结构的选择，神经元个数的设定，权重参数的初始化，学习率的调整，Mini-Batch 的控制等，具体实践中还需要反复尝试、多次训练。在 GPU 出现之前，算法运行的速度是很慢的，即使一个简单的神经网络数据的培训，也得花费几天、甚至几周时间。1999 年，NVIDIA 公司提出了 GPU（图像处理器）概念。GPU 是专为执行复杂的数学和集合计算而设计的数据处理芯片。它的出现让并行计算成为可能，对数据处理规模、数据运算速度带来了指数级的增长，极大的促进了人工智能行业，尤其是计算机视觉领域的发展。

今天，数据处理速度不再成为制约计算机视觉发展的主要瓶颈。目前 GPU 已经发展到了较为成熟的阶段。谷歌、微软、Facebook、百度等公司都在使用 GPU 分析图片、视频和音频文件，改进搜索和图像标签等应用功能。VR/AR 产业也在使用 GPU，同时很多汽车生产商也在使用 GPU 作为传感器芯片发展无人车技术。研究公司 Tractica LLC 预计，到 2024 年深度学习项目在 GPU 上的花费将从 2015 年的 4360万增长到 41 亿美元，在相关软件上的花费将从 1.09 亿增长到 104 亿。除了使用 GPU 之外，很多公司都在研究用其他的芯片来替代 GPU，如 Nvidia Tesla 、P100 芯片，谷歌的 TPU，微软研发 FPGA、寒武纪芯片、IBM  TrueNorth 等。

1.3资本持续投入催化产品化进程与产业链的构建

人工智能领域投资额逐年增长，5 年增长 12 倍。2011 年开始投资额度飞速增加，据 Venture Scanner 统计，截止到 2016 年 Q2，全球人工智能公司已突破 1000 家，跨越 13 个子门类，融资金额高达 48 亿美元。

深度学习、自然语言处理和计算机视觉是创业最火热的领域。目前受到关注度最高的 AI 应用有自然语言处理、图像识别的深度学习、计算机视觉、自动驾驶、聊天机器人等。其中研究深度学习应用的公司最多，自然语言处理和计算机视觉的公司其次。同时，深度学习和自然语言处理获得的融资额也是最多的。应用型的深度学习公司融资额最高为 2.1 亿美元，自然语言处理类的公司总融资额为 7000 万美元，位居第二位。

1.4  政策加码，加速人工智能发展

1.4.1国内人工智能首次写入政府工作报告，政策不断落地

2017 年两会上，人工智能更是首次写入政府工作报告，2016 年 5 月，国家四部委更是颁布《“互联网+”人工智能三年行动实施方案》 ，明确提出要培育发展人工智能新兴产业、推进重点领域智能产品创新、提升终端产品智能化水平。

 2 人工智能产业链明晰，科技巨头卡位布局

2.1产业链可分为基础支撑层、技术应用层和产品层

基础支撑层主要由算法模型（软件）和关键硬件（AI 芯片、传感器）两部分构成。传感器负责收集数据，AI 芯片（GPU、FPGA、NPU 等）负责运算，算法模型复杂训练数据。技术应用层主要由感知类技术和其他深度学习应用构成。感知技术主要用于让机器完成对外界的探测，即看懂、听懂、读懂世界，由计算机视觉、语音识别、语义理解构成，是人工智能产品或方案不可或缺的重要部分。只有看懂、听懂、读懂才能够做出分析判断，进而采取行动，让更复杂层面的智慧决策、自主行动成为可能。方案集成是集成一类或多类基础应用技术而面向应用场景特定需求的产品或方案。人工智能作为一类技术，应用在多种多样的应用场景中；而在各类产品中人工智能的比重或有区别，但其本质都是让机器更好的服务于我们的生产和生活。

2.2巨头打造开源平台、布局 AI 芯片和核心技术

人工智能被认为是引爆下一代产业革命的技术，国内外巨头纷纷布局人工智能产业链，主要有三种方式：打造开源平台、布局 AI 芯片、布局 AI 核心技术。

2.2.1. 打造人工智能开源平台，“开放”谋求大生态

开源是科技巨头在人工智技术层的共同选择。开放的安卓系统在手机中获得成功，份额高达 87%。科技巨头通过推出算法平台吸引开发者，希望能够实现快速的产品迭代、活跃的社区、众多的开发者，从而打造开发者生态，成为行业标准，实现持续获利。谷歌、Facebook、IBM、微软等科技巨头相继推出并开源自家的人工智能平台。

Google 开源人工智能系统 TensorFlow 和训练平台 DeepMindLab。TensorFlow 是谷歌基于 DistBelief 研发的第二代机器学习系统。是一个能处理多种语音理解和认知任务的开源软件库。DeepMindLab 是针对基于代理的 AI 研究而开发的平台，为学习代理提供了一系列颇具挑战的三维探索和解谜任务。旨在为 AI 研究，尤其是深度强化学习提供试验田。DeepMindLab 具有高度可定制、可扩展性。

2.2.2.  布局 AI 芯片，抢占技术制高点

人工智能基层芯片作为重要的底层架构， 具有极强的战略意义。目前并行运算的 GPU 广泛应用于 AI 领域， NVIDIA在该市场份额超过 80%。其他科技巨头希望研发新一代芯片提升计算性能并打破垄断。谷歌专为其深度学习算法TensorFlow 设计专用集成芯片 TPU，IBM 推出神经元芯片，降低功耗，微软研发基于 FPGA 的 A-eye 芯片，赋予摄像头视觉理解力。 英特尔将于 2017 年推出为 AI 深度学习设计的 Intel Xeon Phi 处理器， 强度与 CPU 协调工作的 GPU 技术，能快速计算，并根据概率和联系做决策。中科院推出专门面向深度学习技术的处理器芯片“寒武纪”.

2.2.3. 兼并收购，布局 AI 应用技术

谷歌、IBM、雅虎、英特尔、苹果和 Salesforce 竞相收购人工智能企业，福特、三星、通用电气和 Uber 也加入其中。自 2012 年已经有超过 200 家私营人工智能企业被收购， 仅 2017 年第一季度就有超过 30 家人工智能初创企业被并购。规模最大的是福特以 10 亿美元的价格收购 Argo AI。

IBM、Google、百度全面布局 AI  技术，在重点研究 AI  核心算法基础上，在应用层全面推进 AI  商用化进程，在 AI  核心算法、智能搜索、无人驾驶、医疗诊断等领域率先布局且行业领先。Facebook、腾讯、微软、苹果侧重于，社交应用，这些巨头最为关注图像和语音的识别技术，希望打通图像、语音等人机交互接口，提高用户参与度，收集用户行为数据，从而进一步训练 AI  系统，最终希望打造一个智能私人助理来统一管理旗下应用。

2.3. 语音识别、计算机视觉等技术日趋成熟，步入商业化阶段

目前人工智能处在感知阶段，即机器听懂、看懂、读懂世界，才能进一步分析、预测。人工智能感知技术主要包括语音识别、计算机视觉、 自然语言处理。 从产业链角度讲， 这些技术可以作为核心技术直接应用于终端产品中，也可以作为一种传感技术集成于产品中。如语音识别既可以作为人机交互的核心技术，也可以作为一种产品解决录音电子化的产品。

2.3.1. 语音识别，下一个流量入口

Siri 掀起语音的高潮，深度学习大幅提高识别准确率Iphone 4s 内置 Siri 开始，语音助手开始受到重视。 Goole 随后发布智能个人助手 Google Now，微软发布 Cortana，同时亚马逊 Amazon 推出基于 Alexa 助手的智能音箱，将智能语音推向一个新的阶段。语音交互是下一代人机交互的入口，因此各巨头纷纷抢占语音入口，百度、腾讯、阿里、讯飞等纷纷利用各自不同平台以及软硬件方面的数据和技术进一步提高识别率，构建智能生态。

语音识别技术日臻完善，行业内技术差异缩小。Google Now，微软的 Cortana 以及苹果 Siri 背后的 Nuance 成为语音识别行业性的标杆。国内科大讯飞、云知声、思必驰三家语音识别公司通用识别率均超过 95%。

应用需求不断增加，市场规模达到百亿级别智能语音可以在家居、车载、客服、金融、教育乃至医疗领域，应用场景非常广泛。未来随着使用场景的深耕，语音技术的下沉以及交互技术的融合，语音需求将不断增长，语音交互作为人机交互的重要发展方向，将渗入到我们的日常生活中。Gartner 预测，到 2018 年，30%的人机交互通过自然语言完成。

语音识别厂商通过用户数据积累迅速提升技术实力。 科大讯飞、 百度是我国智能语音的龙头，创业公司中，云知声、智臻智能、聚熵科技为排名靠前的公司。该行业市场规模不断增长，技术仍在不断迭代，仍有新的存量市场来容纳创业企业。科大讯飞的智能语音识别占据市场 40%的份额。通过语音识别终端不断积累用户数据，并进一步反馈增强语音识别产品，可以迅速提升技术实力。

2.3.2. 计算机视觉 让机器看得懂

计算机视觉是指用计算机来模拟人的视觉系统，实现人的视觉功能，以适应、理解外界环境和控制自身的运动。

人们对经验归纳提取，进而设定机器识别物体的逻辑，有很大的局限性，识别率较低。深度学习的引入让识别逻辑变为自学习状态，精确度大大提高。从 ImageNet 比赛图像识别准确率来看，2012 年的识别率提升较快，此后一直在上升，2015 年，ImageNet 计算机视觉识别挑战中系统错误率已经低于人眼识别错误率，达到 4.94%。

人脸识别、OCR 识别较为成熟，安防为其刚需应用市场。计算机视觉各细分领域的成熟度相差较大。在生物特征识别领域，如人脸识别、指纹识别、瞳孔识别、技术成熟度较高，工业化程度高，广泛应用于安防和考勤。在物体和场景识别方面，由于识别的物体种类繁杂，表现形态多样，技术成熟度较低。行业龙头图像识别技术已达到商业化水平。

3. 人工智能重塑各行业，场景应用不断落地

未来 3-5 年，智能仍以服务智能为主要趋势，在服务智能情景下，数据可得性高的行业，人工智能将率先用于解决行业痛点，爆发大量场景应用。。医疗、金融、交通、教育、公共安全等行业数据电子化程度较高、数据较集中且数据质量较高，因此在这些行业将会率先涌现大量的人工智能场景应用，用以解决行业痛点。

3.1. 机器人遍地开花，服务与工业应用需求不断爆发

机器人是一种自动化机器， 主要分为工业机器人和服务机器人。 工业机器人根据用途不同，可以分为焊接机器人、喷涂机器人等，目前已广泛应用在汽车、家电、电子、轻工等各个行业。服务机器人主要包括家用机器人和专业服务机器人。家用机器人包括扫地机器人、教育机器人等。

随着工业自动化的推进，人力成本的上升，对工业机器人的需求不断增加，工业机器人市场规模不断增大。服务机器人处于起步阶段，受劳动力不足、人口老龄化等刚性需求驱动，与消费升级和大数据、计算机、人机交互、人工智能等先进技术快速迭代的影响，服务机器人行业发展空间巨大，2012-2017 年服务机器人市场年复合增长率将达到 17.4%

3.2AI+安防

智能安防是安防行业的新的竞争热点，随着平安城市、智慧城市的推进，摄像头及高清视频的普及，安防行业有海量的数据，是人工智能可以发挥强大作用的领域，目前 AI 技术已经基本实现安防监控的主要三个目标：

1、识别行人的生理属性。

2、识别行人车辆。

3、实现人群分析。

3.3. AI+医疗

人工智能对医疗的正向作用主要体现在三方面：第一，让机器能够代替医生完成部分工作，让医疗资源更多的触达到用户；第二，能够提高机构、医生的工作效率，降低医疗成本；第三，能够通过发现、更好管理疾病。

医疗数据处理要求远超人类信息处理能力，人工智能助力核心业务解决方案。医疗行业数据量极大，一个癌症患者的基因组就相当于半个 TB  数据；而且非结构化数据众多，但医生的记忆和能力却是有限的，人工智能可以提供医疗行业的核心业务解决方案，深入众多医疗相关行业的核心业务。人工智能强大的数据挖掘能力能够帮助人类分析、利用激增的医疗数据，加速推动精准医疗。

“AI+医疗”将改变行业的投资逻辑。人工智能技术的成熟和普及将让医疗行业步入技术驱动的轨道，从基于医生经验医学到循证医学（统计学+小样数据）的阶段再进一步进化到基于大数据以及人工智能的个性化诊疗，医疗行业将发生根性的变革。从患者的角度来看，个性化诊疗无疑将大大提高治疗方案的准确性和针对性；从医生角度来看，人工智能机器医生的到来，则将根性的解决医生资源紧缺的问题。

3.4. AI+金融

人工智能在金融领域的应用场景包括智能投顾、征信、风控、身份验证、智能克服等。主要采用的方法有机器学习、自然语言处理、知识图谱、人脸识别等。智能个人身份识别将用于解决金融安全隐患，智能高频交易将用于提高金融决策效率，智能投顾将帮助金融机构开拓用户。

智能投顾就是人工智能＋投资顾问的结合体，借助大数据识别用户的风险喜好，再通过通过算法和模型定制风险资产组合。优势在于费用低、服务效率高、 覆盖人群广， 且在一定程度上满足了“千人千面”的理财需求国外有 Wealthfront、Betterment、Future Advisor 等知名智能投顾平台，国内也出现了钱景、拿铁财经、理财魔方等模仿者，就连记账软件，网易有钱也开始向智能投顾转型。

据不完全统计，目前国内从事智能投顾的公司超过 20 家，按照研发主体来分，中国目前的智能投顾产品可分为三类。首先为传统金融公司研发的智能投顾，以平安一账通、嘉实基金为代表。其次为独立第三方类智能投顾平台，弥财、蓝海财富、积木盒子为其中代表。最后是互联网公司研发的智能投顾,以京东智投、雪球财经、同花顺为代表。

在征信、风控方面，大数据和人工智能是其核心技术。利用知识图谱提供更深度、更有效的借款人、将企业间、行业间的信息维度关联，将企业子母公司、上下游、合作商、竞争对手、高管信息等信息深度呈现。

3.5. AI+家居

亚马逊 Alexa 语音助手引爆智能家居的热潮。智能家居的重点之一是人机交互，语音交互是首选，交互体验自然，几乎不存在额外学习的成本。此外，家居一般选取一个入口作为智能管家，即用户不要对每个家居发号施令，由智能管家来运行其他机器，音响就是很好的入口。亚马逊推出智能音响 Echo，引起领域的热潮， 随后谷歌推出 Google Home，京东联合科大讯飞推出叮咚音响，整合智能家居平台，做大生态。语音入口是智能家居第一步，更重要的是整合平台，以便所有设备听候管家的调遣。各大企业基于自身平台内数据和终端资源提供给软硬件服务。这些智能平台不仅包含自身产品，还面向第三方厂商开放，以做大智能家居生态。以亚马逊为例，其 Alexa 开放给开发者，向开发者提供工具，让它们将服务和设备整合到 Alexa 中。目前很多家电厂商如三星、格力、海尔等均采用亚马逊的 Alexa 平台研发智能家电产品。

4. 人工智能竞争格局及发展路线

4.1. 巨头掌握基础层资源，生态构建者

人工智能的基础平台需要三大要素：超算能力、顶尖的深度学习算法人才、海量的数据资源。每一样都有极高的门槛，这决定了基础层只能是少数巨头能够把控的领域。科技巨头长期投资基础设施和技术，同时以场景应用作为流量入口， 积累应用，成为主导的应用平台， 将成为人工智能生态构建者（如 Google、 Amazon、 Facebook、 阿里云等） 。

在某个行业应用场景数据资源相同的情况下，基础层的企业因为能够从最基本的神经网络模型算法作出相应的适配和改进，往往体现出其他企业难以超越的优势。

4.2. 技术层以 AI-Saas 模式拓展行业应用范围

AI 通用技术的所有者提供 AI-aaS 服务已经成为一种趋势。各科技巨头纷纷开放自身掌握的三方的合作伙伴。如谷歌开放基于深度学习的自然语言处理（NLP）的 API，第三方用户可以利用其情感分析、实体Wason 的 NLP API，借助该 API，可以使用 NLP 解释不同的用户指令，并将这些指令传达给不同的智能家居软件，比如控制灯光的应用，为人通过本文或语言同机器通信提供便利。开发语音交互的第三方公司可以直接采用自然语音处理的 API 来开发自己的产品。

4.3. 场景应用优先爆发于数据化高的行业

安防、医疗、金融、教育、零售等行业数据电子化程度较高、数据较集中且数据质量较高，因此在这些行业将会率先涌现大量的人工智能场景应用。

安防是人工智能最先产业化的行业。近些年由于国家“平安城市”建设的推进，安防领域的政府投资力度较大，全国过半摄像头已完成高清摄像头部署，警务电子化与信息化已逐步完成，为人工智能技术部署提供了基础条件。且随着安防数据爆炸式的增长，智能化安防已经是安防领域新的诉求。从 AI 技术上讲，安防领域主要运用到的技术是以图像识别为基础的人脸识别、车辆识别、人群与行为识别等技术以及以语义理解为基础的警务数据分析与理解技术。

5.2. 投资建议

2017 年是人工智能产业化的元年，国内外巨头积极布局， 创业公司处于早期阶段。建议从以下几个方向提前布局

1、布局基础技术上渗透的公司，中科曙光；

2、以视觉、语音为代表的感知技术领域，科大讯飞；

3、以安防、医疗为代表的大数据行业，能够将海康威视、万东医疗；

4、无人驾驶及机器人领域，合众思壮、埃斯顿、机器人。

更多精彩资讯 请关注新丝路金融（www.nsrwm.com）

长按以下二维码识别：