畴，而不会将它视为威胁。

二、强人工智能

人类级别的人工智能。能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作，在各方面都能和人类比肩的人工智能。创造强人工智能比创造弱人工智能难得多，这里的“智能”是指一种宽泛的心理能力，强人工智能能够胜任人类大部分的工作,在大多数领域甚至达到取代人类50%以上的工作。

三、超人工智能

牛津哲学家，知名人工智能思想家Nick Bostrom把超级智能定义为“在几乎所有领域都比最聪明的人类大脑还聪明很多，包括科学创新、通识和社交技能”。超人工智能可以是各方面都比人类强一点，也可以是各方面都比人类强万亿倍的人工智能。

客观来讲，人工智能目前尚处于最初级的弱人工智能时代。它们是优秀的信息处理者，但不是基于对信号和数据意义的理解而生，无法真正理解接收到的信息，也无法拥有发展出意识的潜能。现阶段来看，一定时间内人工智能发展方向是人与机器通力合作，形成更高级别的“增强智能”（还是弱人工智能阶段），使其可以具备超越人类的某些能力，用于提高人类的生产力和移动性上。

第二节 人工智能的发展历程

从宏观的角度来讲，人工智能的历史按照所使用的方法，可以分为两个阶段一个关键点，两个阶段分水岭大概在1986年神经网络的回归，前半段主要使用的方法和思路是试图模拟出人类思维的过程，解决人工智能的问题。后半段主要采取的方法是基于统计的方法，不需要把人类的思维过程模拟出一套规则来教给计算机，而是在一个大的数量集里面训练计算机，让它自己找到规律从而完成人工智能遇到的问题。一个关键点是指2006年，加拿大多伦多大学教授Geoffrey Hinton及其合作者宣告了深度学习时代的到来，打破了BP神经网络发展的瓶颈,人工智能再次突破性发展。

在人工智能从诞生到如今60余年的探索中，人工智能发展并非一帆风顺，几经沉浮、起起落落，先后经历了三起两落的发展历程。

一、1956年之前

沃伦和瓦尔特——1943年首次提出“神经网络”概念。

马文·明斯基和Dean Edmonds——1950年建造了世界上第一台神经网络计算机SNARC。其发表的博士论文“神经网络和脑模型问题”，可以被称作人工智能的早期工作。

阿兰·图灵——最早提出机器智能设想，被誉为“计算机科学之父”，1950年发表的一篇名为“计算机器与智能”的文章中，提到诸如图灵测试、机器学习、遗传算法和强化学习等概念，至今都是人工智能领域十分重要的分支。

二、1956年至1974年

约翰·麦卡锡——1956年组织“人工智能达特茅斯”会议，标志着人工智能诞生，被称作“人工智能之父”。Lisp语言、分时概念和搜索法的创始人。

罗森布拉特——1958年提出感知机神经网络的诞生，标志人工智能第一个高峰。

在随后的日子里，“通用解题机”（GPS）被制造出来，斯坦福大学研究机构发明第一款能够自己回应的机器人“shaky”,人工智能程序在问题求解、语言处理方面取得了一些进展，并得到美国国防高等研究计划局（ARPA，即后来的DARPA）的大力支持。

三、1974年至1980年

人工智能领域的研究者越来越意识到他们所遇到的瓶颈和困难，发现逻辑证明器、感知器、增强学习等等只能做很简单、非常专门且很窄的任务，稍微超出范围就无法应对。同时伴随着学者及政府相关研究报告（以马文闵斯基《感知机》、美国ALPAC报告，以及英国评估发表的《莱特希尔报告》为主）的发表，分别提出人工智能存在的局限：一方面，人工智能所基于的数学模型和数学手段被发现有一定的缺陷；另一方面，有很多计算复杂度以指数程度增加，所以成为了不可能完成的计算任务。使得人工智能进入寒冬，导致资助的缩减或停止，人工智能陷入了第一个低潮。

四、1980年至1987年

卡耐基·梅隆大学——1980年为DEC公司制造出了专家系统，可帮助DEC公司每年节约4000万美元左右的费用，特别是在决策方面能提供有价值的内容。

霍普菲尔德神经网络的提出，BP算法的出现使得大规模神经网络的训练成为可能。随着半导体技术的发展，计算机成本的降低和计算能力逐步提高，人工智能逐渐开始突破，进入第二个黄金发展时期。

五、1987年至1993年

好景不长，持续7年左右的人工智能繁荣很快就接近了尾声。到1987年时，苹果和IBM生产的台式机性能都超过了Symbolics等厂商生产的通用型计算机，专家系统自然风光不再。到80年代晚期，DARPA的新任领导认为人工智能并不是“下一个浪潮”。1991年，人们发现日本人设定的“第五代工程”也没能实现。这些事实情况让人们从对“专家系统”的狂热追捧中一步步走向失望。人工智能研究再次遭遇经费危机，进入低潮。

六、1993年至今

上世纪90年代开始，出现了新的数学工具、新的理论和摩尔定律。人工智能也在确定自己的方向，其中一个选择就是要做实用性、功能性的人工智能，这导致了一个新的人工智能路径。由于对于人工智能任务的明确和简化，带来了新的繁荣。其中最著名的莫过于1997年IBM制造的电脑“深蓝”击败了国际象棋冠军加里·卡斯帕罗夫，让人类再次见识了人工智能的威力。

直至2006年，加拿大多伦多大学教授Geoffrey Hinton及其合作者用一篇名为《一种深度置信网络的快速学习算法》的论文宣告了深度学习时代的到来，对深度学习的提出以及模型训练方法的改进打破了BP神经网络发展的瓶颈,人工智能再次突破性发展。在2010年前后，深度学习能够大展身手的两个前提条件——强大的计算能力和高质量的大数据逐渐步入成熟，人工智能真正迎来了第三次发展黄金期，其中，最具有代表性的事件，就是2016年3月9日，AlphaGo击败围棋世界冠军李世石，有关人工智能的热情和恐惧情绪同时在全世界蔓延开来，也因此引发了一拨人工智能的发展热潮，包括谷歌、Facebook、百度等一大批顶尖科技公司纷纷将“人工智能优先”设定为公司的科技发展战略。

第三节 人工智能行业生命周期判断

通常，每个行业都要经历一个由成长到衰退的发展演变过程。这个过程便称为行业的生命周期。一般地，行业的生命周期可分为四个阶段，即初创阶段（也叫成长期）、成长阶段、成熟阶段和衰退阶段。

随着深度学习技术的突破，我国人工智能行业飞速发展，相关专利申请数量和专利权人数量呈现井喷增长态势，厂商对人工智能技术的市场价值已经有了一定认识，目前行业整体处在成长期早期。整个行业高速发展，具有明显的“风口”特征，大量资本涌入，几乎每季度都有非常多的初创公司诞生，众多传统企业也纷纷布局这一领域。人工智能技术影响深远，波及范围大，几乎所有的产业均有涉及，只是程度深浅不同。人工智能的兴起将使整个人类迈入下一次工业革命的浪潮中，这一点已经成为各国共识。

第四节 人工智能行业产业链分析

一、人工智能产业链结构分析

人工智能行业是一个非常大的系统，很难界定明确的上下游关系。人工智能覆盖的产业相对较广，主要包括基础层、技术层和应用层三个核心环节。基础层主要包括大数据、云计算和智能芯片等行业。技术层主要包括自然语言处理、人机交互、计算机视觉、生物特征识别等。应用层主要包括智能制造、智慧城市、智能医疗、智能物流、智能家居、智能金融、智能交通、机器人等行业。2000年后，数据量上涨、运算力的提升和深度学习算法的出现极大的促进了人工智能行业的发展。

 人工智能产业链分析

二、人工智能产业链发展态势

在人工智能基础层领域，参与公司一般为互联网和科技巨头，它们在数据、技术和资本方面具有优势。一般来说，芯片、大数据、云计算等基础层面的研究需要巨大的资金、密集的技术和较多人才支撑，研发周期通常较长。这也就决定了这一领域往往是政府投资，或者参与者大多是大企业。其中，具有巨大数据优势的互联网公司重点布局大数据和云计算方面，如谷歌、阿里等，它们有着巨大的用户数据可以利用。芯片的参与者一般为传统芯片巨头，如英特尔、NVIDIA等。微软、IBM则积极搭建人工智能研究平台。当然，巨头之间常常伴随着业务交叉，不断延伸各自擅长的领域。

基础层通常具有较高的行业壁垒，后发创业公司大多处于被并购或者竞争失败的处境。当然，这并不能说中小创在这一领域就完全没有机会，全球海量的创业投资基金将是中小创崛起的有力帮手。毕竟，今天的巨头也是从很小的企业成长起来的。

技术层通常包括语音识别、计算机视觉、生物特征识别、人机交互等。技术层的企业众多，除了上面提到的巨头积极介入外，还有众多创业公司，它们往往深耕某一细分领域，如科大讯飞在语音识别领域。技术层也是创业投资基金进入较多的领域。现有的市场环境下，如果无法在某一细分领域开发出有特色或者领先技术的企业将逐步被淘汰。技术层企业普遍面临的问题是技术整合与产品落地。目前缺乏标准的应用平台，这也是各大企业激烈争夺的产业关键点。

应用层面在将来几乎涉及所有的产业，目前已经落地的有智能工厂、机器人、智能医疗、智能家居、智能金融等。现在的问题是各应用系统之间的连接性较差，缺乏统一的行业应用标准和平台。以智能家居为例，几大巨头都在推广自己的运用平台，互联网巨头也在积极布局这一领域。由于诸多行业是寡头竞争的格局，现在这些巨头均已认识到平台的重要性，所以几乎难有大型厂商会主动让出这一领域去接通他人的平台系统。互联网企业的终极幻想是在人工智能时代自己的AI操作系统可以成为PC时代的微软，智能手机时代的安卓或者IOS。另一个问题是上游的技术有待加强，算力、算法都还不足以应对一些复杂的应用场景，如正在发展中的无人驾驶。最后，应用层面的技术开发也有待加强，面向市场的技术开发还是不足。

第二章 人工智能行业PEST分析

第一节 人工智能行业政治环境分析

一、行业管理体制分析

人工智能行业的行政主管部门是国家发展和改革委员会、工业和信息化部，主要负责研究和制定人工智能行业产业政策及行业发展规划、新建及技改项目的立项审批、指导人工智能行业技术法规和行业标准的拟定，以及对人工智能行业内企业的经济运行状况、技术进步和产业现代化进行宏观管理和指导。同时，我国人工智能行业还通过自律机构对行业内企业进行自律规范与管理。

二、人工智能市场标准

标准，既是产业竞争的制高点，也是局中人的游戏规则，无论人工智能将如何改变世界，改变不了的是标准的不可替代性。因为缺失标准，人工智能的研发和应用将变得混乱，因为标准不统一，市场将被分裂。《人工智能标准化白皮书》（2018年版）通过梳理人工智能技术、应用和产业演进情况，分析人工智能的技术热点、行业动态和未来趋势，从支撑人工智能产业整体发展的角度出发，研究制定了适应和引导我国人工智能产业发展的标准体系，提出近期急需研制的基础和关键标准项目。当然，标准化工作需要相关各方的积极参与，并积极开展国际合作，才能保证对人工智能产业发展的有效促进，推动标准走出去才能增强国际话语权。另一方面，在我们所处的这个全球经济一体化时代，专利已经成为发展的硬实力，必须要加快重点技术和应用领域的专利布局，同时加强专利合作，提高知识产权成果转化效率，积极防控专利风险，增强标准与专利政策的有效衔接，才能保证我国人工智能产业拥有强大的竞争力并得到持续健康发展。

    三、行业主要法律法规  

   （一）人工智能逐步成为国家发展战略  

在“2015世界机器人大会”上，工信部副部长毛伟明指出，“中国制造2025”目标是实现由制造大国向制造强国迈进，其核心就是要抢占新一轮国际制造业的竞争制高点，其主要措施是深入推进工业化和信息化深度融合，主攻方向就是智能制造，而机器人、3D打印、智能工厂则是其重要支撑和依托。工信部2015年就机器人产业开展三项重要工作，一是制定机器人产业“十三五”规划，引导行业发展；二是积极争取相关政策，支持机器人研发、应用；三是在重点制造领域推广机器人应用。根据工信部此前发布的工业机器人发展目标，到2020年，中国将形成较为完善的工业机器人产业体系，培育3-5家具有国际竞争力的龙头企业和8-10个配套产业集群；高端产品市场占有率提高到45%以上。 随着人工智能上升到国家战略的节点的到来，更多利好以及相关政策会大力促进行业的发展，人工智能的春天已经到来。 

   （二）“互联网+”推动人工智能   

2015年7月前，国务院发布的《关于积极推进“互联网+”行动的指导意见》指出，依托互联网平台提供人工智能公共创新服务，加快人工智能核心技术突破，促进人工智能在智能家居、智能终端、智能汽车、机器人等领域的推广应用，培育若干引领全球人工智能发展的骨干企业和创新团队，形成创新活跃、开放合作、协同发展的产业生态。 

   （三）人工智能行动实施方案 

2016年5月，国家发展改革委、科技部、工业和信息化部、中央网信办制定了《“互联网+”人工智能三年行动实施方案》。《方案》指出，到2018年，打造人工智能基础资源与创新平台，人工智能产业体系、创新服务体系、标准化体系基本建立，基础核心技术有所突破，总体技术和产业发展与国际同步，应用及系统级技术局部领先。在重点领域培育若干全球领先的人工智能骨干企业，初步建成基础坚实、创新活跃、开放协作、绿色安全的人工智能产业生态，形成千亿元级的人工智能市场应用规模。

四、人工智能产业规划

人工智能的迅速发展将深刻改变人类社会生活、改变世界。为抢抓人工智能发展的重大战略机遇，构筑我国人工智能发展的先发优势，加快建设创新型国家和世界科技强国，国家制定了《促进新一代人工智能产业发展三年行动计划》（2018-2020年）。

当前，我国人工智能产业发展势头良好、空间巨大。《行动计划》按照“系统布局、重点突破、协同创新、开放有序”的原则，提出了四方面主要任务：一是重点培育和发展智能网联汽车、智能服务机器人、智能无人机、医疗影像辅助诊断系统、视频图像身份识别系统、智能语音交互系统、智能翻译系统、智能家居产品等智能化产品，推动智能产品在经济社会的集成应用。二是重点发展智能传感器、神经网络芯片、开源开放平台等关键环节，夯实人工智能产业发展的软硬件基础。三是深化发展智能制造，鼓励新一代人工智能技术在工业领域各环节的探索应用，提升智能制造关键技术装备创新能力，培育推广智能制造新模式。四是构建行业训练资源库、标准测试及知识产权服务平台、智能化网络基础设施、网络安全保障等产业公共支撑体系，完善人工智能发展环境。

总之，从政策层面上来讲，我国已经将人工智能产业提升到关乎国家核心竞争力的战略高度，在“十三五”期间国家将通过实施各种有利政策来推动人工智能行业的健康快速发展。

第二节 人工智能行业经济环境分析

一、宏观经济的发展有利于我国人工智能市场的发展

2017年国内生产总值827122亿元，按可比价格计算，比上年增长6.9%。全年全国规模以上工业增加值比上年实际增长6.6%，增速比上年加快0.6个百分点。分经济类型看，国有控股企业增加值增长6.5%，集体企业增长0.6%，股份制企业增长6.6%，外商及港澳台商投资企业增长6.9%。分三大门类看，采矿业增加值下降1.5%，制造业增长7.2%，电力、热力、燃气及水生产和供应业增长8.1%。高技术产业和装备制造业增加值分别比上年增长13.4%和11.3%，增速分别比规模以上工业快6.8和4.7个百分点。全年规模以上工业企业产销率达到98.1%。规模以上工业企业实现出口交货值123230亿元，比上年增长10.7%。12月份，规模以上工业增加值同比增长6.2%，环比增长0.52%。

1-11月份，全国规模以上工业企业实现利润总额68750亿元，同比增长21.9%。规模以上工业企业主营业务收入利润率为6.36%，比上年同期提高0.54个百分点。

创新发展持续发力，新动能继续较快增长。全年全国新登记企业607.4万户，比上年增长9.9%，日均新登记企业1.66万户。航空航天、人工智能、深海探测、生物医药等领域涌现出一批重大科技成果。新产业新产品蓬勃发展，工业战略性新兴产业增加值比上年增长11.0%，增速比规模以上工业快4.4个百分点；工业机器人产量比上年增长68.1%，新能源汽车增长51.1%。经济结构继续优化。全年第三产业增加值对国内生产总值增长的贡献率为58.8%，比上年提高1.3个百分点；消费是经济增长主动力，最终消费支出对国内生产总值增长的贡献率为58.8%，高于资本形成总额26.7个百分点。绿色发展扎实推进，万元国内生产总值能耗比上年下降3.7%。

中国社会科学院的2018年《经济蓝皮书》指出，2018年经济增长存在许多积极因素：新一轮对外开放，以及“一带一路”建设的积极推进将稳定和激发中国的外部需求；中国就业规模持续扩大，调查失业率保持在2013年以来的最低位；社会稳定，居民收入稳步增长，消费者预期稳定，消费新业态高速发展，消费质量不断提升。

蓝皮书预计，2018年我国GDP增长率为6.7%，不会发生“硬着陆”。因为经济社会发展具有良好支撑基础和许多有利条件，就业、物价保持基本稳定，发展质量和效益有望持续提升，中国经济将在新常态下保持稳中向好发展态势。

预测未来五年中国年均经济增速将保持在6%-7%之间，宏观经济走势将保持中等速度增长态势。

二、经济结构加速人工智能发展

从企业角度来看，随着人力成本的逐年提升、老龄化的加速，互联网红利逐渐消失，企业对提升生产力、开拓新的利益增长点的需求愈发迫切。人工智能被认为是继互联网之后又一次对人类社会产生颠覆式影响的技术。新技术风口下，伴随着互联网、大数据、芯片、传感器以及深度学习等技术的发展与成熟，创业公司、互联网巨头、科技巨头及传统公司纷纷入局，独角兽崛起。全球的科技公司展开了一场火热的人工智能“军备竞赛”，希望能在未来的竞争中用AI掌握更多话语权。

第三节 人工智能行业社会环境分析

在过去的经济发展中，我国逐步形成了技术崇拜的文化氛围，大众对新技术的尝试和追捧使得人工智能的市场落地比较方便。中国社会对新技术的应用效率是全世界最高的国家之一，这主要可以从以下几个方面来解释：

1.国家对科教兴国战略的实施。新中国成立后，技术人才培养和技术开发始终是国家重点推进的领域，特别是改革开放后我国实施了科教兴国战略，将其作为我国基本国策之一。具体措施有“863计划”、“中国制造2025”等。

2.我国的伦理审查较弱，人工智能的发展较少引起社会大众的伦理道德焦虑，这与我国是无神论国家和物质主义倾向有关；

3.我国人工智能的教育普及正在加速进行，较好的教育环境有利于人工智能行业的发展。2018年4月2日教育部印发了《国务院关于印发新一代人工智能发展规划的通知》，用以引导高等学校瞄准世界科技前沿，不断提高人工智能领域科技创新、人才培养和国际合作交流等能力，为我国新一代人工智能发展提供战略支撑。

4.长期技术落后造成的发展压力。由于我国错失了第一、二次工业革命，历史上长期处于落后挨打的状态，因此从国家安全和民族历史记忆出发，我国社会有着浓厚的技术追赶氛围。

5.当前我国财富产生方式越来越依赖新技术的开发与应用，民间资本的投资，将加速人工智能技术落地。随着经济发展阶段进入新的历史时期，那种靠炒房和炒股的投机式暴富很难再现，资本更多瞄准了新的技术产业孵化所带来的财富增值效益。

因此，从社会层面来看，整体社会氛围对人工智能技术的需求很大，对人工智能的行业发展关注度很高，这非常有利于我国人工智能行业的发展。

第四节 人工智能行业技术环境分析

一、人工智能行业技术发展现状

此轮人工智能快速发展是因为计算机神经网络与深度学习的崛起。目前的深度学习通过计算机的自主学习来实现单一功能的不断进化。一般来讲，传统的机器学习是线性进步，而深度学习则是指数性进步。

一般来说，深度学习的成功需要三个方面的支持：数据、算法、算力。AlphaGo战胜人类棋手是这三个因素共同作用的结果。首先机器花费了超过两个星期的时间，学习了7千万局棋局，这7千万局棋局是历史以来大师们下过的所有棋局。而后机器自己与自己下了几千万棋局。最后比赛的结果是4比1，机器获胜。最好的棋手一生中所下的棋局是百万级，而AlphaGo下过的棋局是几十亿级的。这里可以看到，数据、算法和算力是AlphaGo取得胜利的背后力量。

虽然在围棋等单项任务领域人工智能超过了人类，但是现有技术水平下不是所有的领域内人工智能都能超过人类。这是因为人工智能的进化需要超大量的数据，并且这些数据是完全信息，同时具有确定性。这就可以解释人工智能智能帮助医生诊断常规疾病，特殊的疑难杂症还是需要医生自主判断。2017年谷歌开发了一个可以处理多任务的算法模型，据称可以实现人工智能的多任务应用。但是，目前市场主流还是单任务算法模型。

对于计算能力来说，随着人工智能芯片和云技术的崛起，算力在逐步提升。此轮人工智能热潮也是因为研究人员发现GPU可以处理大规模的数据，GPU强大的并行运算能力缓解了深度学习算法的训练瓶颈，从而释放了人工智能的全新潜力。云计算则可以使算力像水电一样在互联网上被应用，帮助单个芯片实现大规模的数据处理。因此，整个算力的提升沿着两条路径来实现：一、不断开发处理能力更先进的人工智能芯片；二、加强云技术的研发投入，增加服务器功能，提升通信技术水平。

目前来看，供研究用的算力是足够的，商业应用的算力则显得不足。所以一般采用云端推算的办法来加强算力。但是人工智能芯片的快速发展，使得设备端推算的能力越来越强，人工智能的很多功能已经可以通过设备自带的芯片来实现，比如手机上的智能芯片。

虽然人工智能在单一应用领域可以强于人类，但是其弱点也非常明显：

1.人工智能只是在非常特点的环境下比人类强，其能力只能在有诸多限制的条件下被发挥出来；

2.人工智能“举一反三”的能力较差，认知背景稍微改变，就有可能无法应用；

3.人工智能无法理解认知对象的本质。人工智能的结果输出是基于贝叶斯公式的统计原理得来的。

因此，人工智能的技术发展趋势就有以下几点：

1.开发出能够适应多任务的算法模型；

2.数据挖掘；

3.智能芯片的研发；

4.人工智能的落地应用；

5.其它。

   目前人工智能技术最发达的是美国。美国在算法、算力、人才储备等方面领先全球。中国的优势在于数据的丰富，但是与美国的差距还是非常明显，越是基础层面的技术，我国愈显得落后。具体差距是多少年，目前难以查证。但是由于人工智能是一个比较新型的产业，国内企业的市场机会依然很多。如何建立健全相关发展制度，如何将社会资本从房地产引入到高新科技领域上来，将是我国智能制造能否顺利实现的基础要求。

二、人工智能技术市场关注度

中国人工智能企业中，投融资占比排名前三的领域为：计算机视觉与图像、自然语言处理、智能芯片。地域分布情况，北京、上海、深圳作为国内人工智能创新的高地，其相关企业数量占据了国内企业总数的近80%。

2017年中国人工智能不同技术领域市场关注度

第三章 人工智能行业发展现状

第一节 人工智能行业发展概况

深度学习的突破将人工智能带进全新阶段。2006-2015年是人工智能崛起的黄金十年。2006年Hinton提出“深度学习”神经网络（深度臵信网络DBN）使得人工智能的性能获得了突破性进展，2006年成为人工智能发展史上一个重要的分界点。近年来，随着深度学习算法的逐步成熟，AI相关的应用也在近年加速落地。谷歌的“AlphaGo”的围棋算法是其中一个典型成功的应用。目前图像和语音识别研究也取得了很大突破，并逐步进行探索性的应用。

中国AI市场规模增速高于全球增速：2017年国内人工智能市场为300亿元（不含智能家居、可穿戴设备、无人驾驶）。预计全球人工智能总体市场规模2021年将达到3190亿元，复合增长率约为19.7%；预测国内人工智能市场规模2021年将达到1200亿，年复合增长率约41.42%。

2017-2021年我国人工智能市场规模

第二节 人工智能行业结构特征分析

按照技术分类，2017年国内人工智能市场领域计算机视觉占据37%的比例，占比最高，这与我国巨大的安防市场和人脸识别市场高速发展有着密切相关。尽管智能芯片市场占比不高，2017年国内市场只有33亿元的规模，但是随着人工智能的逐步普及和CPU的逐步淘汰，智能芯片将快速增长，规模占比有望在2021年达到15%左右。

2017年国内人工智能市场规模结构（按技术分布）

从企业注册地来看，2017年我国人工智能企业主要分布在北京、上海、广东三地，北京远超其他地区。此外，浙江、江苏两地人工智能企业也较多。

2017年国内人工智能企业注册地分布

从投融资来看，全国获得人工智能领域投融资的省及直辖市共17个，主要分布在华东、华南沿海经济发达地区，京津地区，以及西南地区的四川、重庆和贵州。其中北京优势明显，十年内吸纳了2887.4亿人民币，482笔融资，浙江其次，上海、江苏、广东也比较突出。

2017年国内人工智能领域投融资地区分布

国内人工智能企业数量在2004年以后稳定增长。2016年和2017年新增企业数量分别为128家和28家，尽管近两年新增企业数量下滑，但该现象属于投资热潮下的短期波动，不影响长期趋势。

中国人工智能领域新增企业数量

第四章 人工智能行业竞争格局

第一节 主要国家人工智能产业竞争分析

截止至2017年6月，全球人工智能初创企业共计2617家。美国占据1078家居首，中国以592家企业排名第二，其后分别是英国，以色列，加拿大等国家。其中，美国1078家人工智能企业约有78700名员工，中国592家公司中约有39200位员工，约为美国的50%。

主要国家人工智能企业数量统计：

中美人工智能产业侧重点各有不同：

第二节 四国AI战略布局对比

一、美国在AI战略方面布局完备，体现了高度的战略前瞻性，领先各国一大步

首先，美国从顶层设计入手，规划了比较完备的人工智能发展战略。其次，美国政府设立专职负责机构，推动人工智能落地。再次，美国在AI人才方面举措超前，构建了完备的不同层次的人才梯队。另外，政府还鼓励高校将人工智能相关的伦理学、安全、隐私、安防问题列入机器学习、计算机科学、数据科学等课程中去。

二、中国提出AI发展规划，谋求成为世界中心，将人工智能上升到国家战略层面

2017年7月，国务院发布《新一代人工智能发展规划》，明确指出新一代人工智能发展分三步走的战略目标，到2030年使中国人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。

在另一份重要文件《国家中长期人才发展规划纲要（2010－2020年）》中，中国政府强调中央层面实施“千人计划”，建设一批海外高层次人才创新创业基地，用5－10年时间引进2000名左右海外高层次人才回国（来华）创新创业。这些高层次人才之中，很多都是人工智能领域的佼佼者，这也将大大促进中国人工智能领域的发展。

三、英国致力于成为最适合发展和部署AI的国家，在人工智能道德标准及政府监管研究领域一直表现积极

英国政府2013年就将人工智能列入《八项伟大的科技计划》，在2016年，英国科学和技术委员会相继发布《机器人和人工智能》、《人工智能对未来决策的机会和影响》两份报告，呼吁政府介入监管，建立透明、可归责机制，并利用英国在人工智能领域的既有优势增强国力。

    四、日本推行机器人战略提出超智能社会5.0

日本对人工智能战略布局有一些独到的见解，希冀通过机器人解决国内的困境。在人才方面，日本计划从2020年起，将编程列入中小学必修课程；从民间企业选派讲师到大中小学上课，以促进产学研合作；对在职员工接受社会培训给予更高的学费补贴。

第三节 中国人工智能行业SWOT分析

相比较于主要发达国家，中国人工智能产业起步较晚，在人才和技术积累方面有所欠缺，但是赶超速度也非常快，甚至在刷脸支付等某些细分领域已经具有国际领先优势。

优势：中国因其众多的人口和完整的产业结构给予了海量数据和广阔市场的潜力，加之，国家政策的大力引导与支持，以及在多家中国科技巨头积极研发的推动下，中国现已成为全球AI的发展中心之一。中国人工智能技术开始应用于多个行业及场景中，语音识别/自然语音处理、计算机视觉、机器人等技术已获得一定的发展，其中百度、科大讯飞等公司语音识别率突破97%，商汤科技成为全球首个在LFW中人脸识别率达到99.15%的团队。这些技术被整合应用于新产品中率先实现技术落地。其中，由于不同行业，原有数据储备、人员储备等人工智能发展所应具备的条件各不相同，现阶段，我国在金融、安防、医疗、自动驾驶、新零售这五大行业有望成为人工智能率先爆发的应用领域。

劣势：尽管中国在一些人工智能关键技术尤其是核心算法方面与发达国家水平相当，但中国人工智能整体发展水平与发达国家相比仍有较大差距，比如在基础理论研究、高精尖零部件、技术工业、工业设计、大型智能系统、大规模应用系统以及基础平台等方面。

机遇：为了促进人工智能的发展，让中国人工智能产业竞争力进入国际第一方阵，与其他国家相比，中国对人工智能的支持力度更大（但较少关注人工智能的道德伦理问题）。2017年，国务院发布《新一代人工智能发展规划》、《促进新一代人工智能产业发展三年行动计划（2018—2020年）》等一系列政策规划的推出让人工智能的发展有了明确的时间表和路线图。第一步，到2020年人工智能总体技术和应用与世界先进水平同步，人工智能产业成为新的重要经济增长点。第二步，到2025年人工智能基础理论实现重大突破，部分技术与应用达到世界领先水平，人工智能成为带动我国产业升级和经济转型的主要动力，智能社会建设取得积极进展。第三步，到2030年人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心，智能经济、智能社会取得明显成效，为跻身创新型国家前列和经济强国奠定重要基础。10月，人工智能被写入十九大报告；11月15日，科技部召开新一代人工智能发展规划会，宣布成立新一代人工智能发展规划推进工作室，并公布包括BAT和科大讯飞在内的首批国家新一代人工智能开放创新平台名单外，会议还宣布成立新一代人工智能发展规划推进办公室；宣布成立新一代人工智能战略咨询委员会。标志着新一代人工智能发展规划和重大科技项目进入全面启动实施阶段。2018年1月中国国家标准化管理委员会颁布《人工智能标准化白皮书2018》。

挑战：中国人工智能技术发展面临着体制机制、创新人才、基础层面尤其是芯片等方面的挑战。另外虽然中国在人工智能的论文数量方面超过美国，但优质论文数量方面相差较远。这背后的一个重要原因就是人才短缺。根据相关数据显示，中国592家公司中约有39200位员工，而中国对于AI人才的需求数量已经突破百万，但人才供应量却很少，人才严重短缺。在2017年全球大学人工智能影响力排行榜中，前20名排行榜中竟没有一所亚洲高校。而且，由于合格AI人才培养所需时间远高于一般IT人才，人才缺口很难在短期内得到有效填补。人工智能竞争以顶级人才为根本，中国在人工智能人才储备及培养方面任重而道远。但也无需悲观，虽然顶尖的人工智能专家还是以美国为主，但是中国年轻工程师的崛起速度远远高于欧美，这主要依赖中国的数学理工基础教育。其次，无论是在政策方面还是企业福利待遇方面，可以看到最近几年吸引国际高端人才及高端归国人才方面都有明显收获，另外政府在基础教育与高校课程方面都出台了相关的人工智能人才培养计划，以及校企联合培养及培训AI人才方面在BAT的推动下也正在积极推进中。

中国人工智能领域人才布局情况:百度人才储备领衔，阿里巴巴、腾讯奋起直追，企业间AI人才互有流动，百度被誉为中国人工智能人才的黄埔军校，阿里薪酬略高，腾讯人才稳定度最高，大量优秀人才涌入华为，中小企业招聘精英面临困难。

第四节 国内人工智能市场区域竞争格局分析

2017年我国人工智能行业处于成长期早期，初创企业众多，很多传统企业也跨界进入这一行业。整个市场的企业集中度很低，但是市场规模区域集中度较高，主要集中在传统三大经济区域内，珠三角占比24%，长三角22%，京津冀28%。

2017年国内人工智能市场区域竞争格局

第五章 人工智能主要细分行业分析

第一节 人工智能芯片行业分析

AI芯片细分行业分析

一、人工智能芯片基本定义及分类

人工智能芯片定义：能够适应深度学习的集成电路。不同的芯片适应不同的算法，简而言之，所谓人工智能芯片，就是能够适应人工智能软件的芯片。此轮人工智能的兴起，很难说是软件成就了芯片，还是芯片释放了软件的潜能。不过可以确定的是，两者相辅相成，目前双方的发展都非常迅速。

目前，主流的人工智能芯片可分为GPU、FPGA、ASIC芯片，前沿研究的有类人脑芯片等。

GPU：图形处理器(英语:Graphics Processing Unit，缩写:GPU)，又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备(如平板电脑、智能手机等)上图像运算工作的微处理器。

用途是将计算机系统所需要的显示信息进行转换驱动，并向显示器提供行扫描信号，控制显示器的正确显示，是连接显示器和个人电脑主板的重要元件，也是"人机对话"的重要设备之一。显卡作为电脑主机里的一个重要组成部分，承担输出显示图形的任务，对于从事专业图形设计的人来说显卡非常重要。

FPGA（Field－Programmable Gate Array），即现场可编程门阵列，它是在PAL、GAL、CPLD等可编程器件的基础上进一步发展的产物。它是作为专用集成电路领域中的一种半定制电路而出现的，既解决了定制电路的不足，又克服了原有可编程器件门电路数有限的缺点。

FPGA采用了逻辑单元阵列LCA（Logic Cell Array）这样一个概念，内部包括可配置逻辑模块CLB（Configurable Logic Block）、输入输出模块IOB（Input Output Block）和内部连线（Interconnect）三个部分。 现场可编程门阵列（FPGA）是可编程器件，与传统逻辑电路和门阵列（如PAL，GAL及CPLD器件）相比，FPGA具有不同的结构。FPGA利用小型查找表（16×1RAM）来实现组合逻辑，每个查找表连接到一个D触发器的输入端，触发器再来驱动其他逻辑电路或驱动I/O，由此构成了既可实现组合逻辑功能又可实现时序逻辑功能的基本逻辑单元模块，这些模块间利用金属连线互相连接或连接到I/O模块。FPGA的逻辑是通过向内部静态存储单元加载编程数据来实现的，存储在存储器单元中的值决定了逻辑单元的逻辑功能以及各模块之间或模块与I/O间的联接方式，并最终决定了FPGA所能实现的功能，FPGA允许无限次的编程。

ASIC是Application Specific Integrated Circuit的英文缩写，在集成电路界被认为是一种为专门目的而设计的集成电路。是指应特定用户要求和特定电子系统的需要而设计、制造的集成电路。ASIC的特点是面向特定用户的需求，ASIC在批量生产时与通用集成电路相比具有体积更小、功耗更低、可靠性提高、性能提高、保密性增强、成本降低等优点。

ASIC分为全定制和半定制。全定制设计需要设计者完成所有电路的设计，因此需要大量人力物力，灵活性好但开发效率低下。如果设计较为理想，全定制能够比半定制的ASIC芯片运行速度更快。半定制使用库里的标准逻辑单元(Standard Cell)，设计时可以从标准逻辑单元库中选择SSI(门电路)、MSI(如加法器、比较器等)、数据通路(如ALU、存储器、总线等)、存储器甚至系统级模块(如乘法器、微控制器等)和IP核，这些逻辑单元已经布局完毕，而且设计得较为可靠，设计者可以较方便地完成系统设计。 现代ASIC常包含整个32-bit处理器,类似ROM、RAM、EEPROM、Flash的存储单元和其他模块. 这样的ASIC常被称为SoC(片上系统)。

FPGA是ASIC的近亲，一般通过原理图、VHDL对数字系统建模，运用EDA软件仿真、综合，生成基于一些标准库的网络表，配置到芯片即可使用。它与ASIC的区别是用户不需要介入芯片的布局布线和工艺问题，而且可以随时改变其逻辑功能，使用灵活。

类人脑芯片：类人脑芯片架构是一款模拟人脑的新型芯片编程架构，这种芯片的功能类似于大脑的神经突触，处理器类似于神经元，而其通讯系统类似于神经纤维，可以允许开发者为类人脑芯片设计应用程序。通过这种神经元网络系统，计算机可以感知、记忆和处理大量不同的情况。目前类人脑芯片主要停留在概念或者试验阶段。

二、AI芯片行业产业链概况

AI芯片上游是IC设计，Integrated Circuit Design，或称为集成电路设计，其主要内容是运用专业的逻辑和电路设计技术设计集成电路（IC）。AI产业链中游是晶圆代工，即晶圆代工企业按照IC设计企业的要求在硅晶片上加工制作成各种电路元件结构，而成为有特定电性功能的IC产品。下游行业为专业封装，封装是采用特定的材料将AI芯片或AI芯片模块固化在其中以防损坏的保护措施，一般必须在封装后AI芯片才能交付用户使用。

一般来讲，上游IC设计在整个产业链中附加值最高，资本投入效益也最高，专业封测的附加值最低，资本投入效益也最低。

AI芯片上下游主要厂商

三、AI芯片生命周期分析

随着人工智能行业的飞速发展，AI芯片的需求量呈现出井喷的增长态势，相关专利申请数量和专利权人数量增长很快，厂商对AI芯片的市场价值已经有了非常清晰的认识，目前行业整体处在成长期早期。整个行业高速发展，具有明显的“风口”特征，大量资本涌入。无论是传统CPU巨头，还是一些互联网企业，现在都大举发展AI芯片。值得注意的是，中国政府已经将AI芯片作为战略性产业进行发展。AI芯片将随着人工智能的兴起使整个人类迈入下一次工业革命的浪潮中，这一点已经成为各方共识。

四、人工智能芯片发展现状

人工智能核心计算芯片经历了四次大的变化。2007年以前，人工智能研究和应用经历了数次起伏，一直没有发展成为成熟的产业；同时受限于当时算法、数据等因素，这一阶段人工智能对于芯片并没有特别强烈的需求，通用的CPU芯片即可提供足够的计算能力。之后，由于高清视频、游戏等行业的发展，GPU产品取得快速的突破；同时人们发现GPU的并行计算特性恰好适应人工智能算法大数据并行计算的要求，如GPU比之前传统的CPU在深度学习算法的运算上可以提高9倍到72倍的效率，因此开始尝试使用GPU进行人工智能的计算。进入2010年后，云计算广泛推广，人工智能的研究人员可以通过云计算借助大量CPU和GPU进行混合运算，事实上今天人工智能主要的计算平台还是云计算。但人工智能业界对于计算能力的要求不断快速地提升，因此进入2015年后，业界开始研发针对人工智能的专用芯片，通过更好的硬件和芯片架构，在计算效率上进一步带来10倍的提升。

人工智能的深度学习过程则可分为训练和推断两个环节：训练环节通常需要通过大量的数据输入或采取增强学习等非监督学习方法，训练出一个复杂的深度神经网络模型。训练过程由于涉及海量的训练数据和复杂的深度神经网络结构，需要的计算规模非常庞大，通常需要GPU集群训练几天甚至数周的时间，在训练环节GPU目前暂时扮演着难以轻易替代的角色。

推断环节指利用训练好的模型，使用新的数据去“推断”出各种结论，如视频监控设备通过后台的深度神经网络模型，判断一张抓拍到的人脸是否属于黑名单。虽然推断环节的计算量相比训练环节少，但仍然涉及大量的矩阵运算。

在推断环节，除了使用GPU进行运算外，FPGA以及ASIC均能发挥重大作用。

2017年人工智能芯片市场规模达到44亿美金，预计到2021年将达到162亿美金，年复合增长率达到35.86%，增长迅猛，发展空间巨大。目前GPU和FPGA是AI芯片的主流应用。

2016-2021年人工全球人工智能芯片市场规模

GPU又称显卡，目前市场大多用作显示芯片，被用作AI芯片的相对较少。2017年GPU加速计算服务器市场规模为4.21亿美元，预计2021年达到33.47亿美元，年均复合增长率为67.92%，增长速度非常快。AI领域的应用成为GPU市场的主要增长点。

2017-2021年全球GPU加速计算服务器市场分析

2017年全球FPGA芯片市场规模达到66亿美元，同比增长12%。预计到2021年全球FPGA市场份额达到101亿美元，2016-2021年复合增长率达到11.35%。

2016-2021年全球FPGA市场规模分析（含非AI应用市场）

2017年全球FPGA数据中心业务规模达到6.35亿美元，同比增长69.33%。预计到2021年全球FPGA数据中心业务规模将达到35.78亿美元。2016-2021年市场复合增长率达到57.01%。

2006-2021年全球FPGA数据中心业务市场规模

ASIC包含非常多的芯片种类，如TPU、XPU等AI芯片，也包括比特币挖矿芯片等传统芯片，市场上有关AI类的ASIC数据较少。但是可以确定的是，传统类的ASIC芯片市场增长潜力不大，增速将主要集中在AI类的ASIC芯片上。

五、AI芯片竞争格局分析

一、AI芯片各细分领域竞争格局分析

（一）GPU竞争格局分析

GPU行业主要企业有NVIDIA、AMD、Qualcomm、Imagination等。其中在PC端GPU市场主要玩家有NVIDIA和AMD，两者基本垄断了整个PC端市场，2017年两者市场占有率达到95%，其中NVIDIA市场占有率为71%，AMD市场占有率为24%。

2017年GPU PC端市场竞争格局

在移动端，GPU市场主要企业有ARM、Qualcomm、Imagination。2017年ARM市场占有率为35%，Qualcomm占有率为24%，Imagination占有率为22%。整个市场基本被这三家企业所垄断，其它移动端GPU企业规模一般较小。

2017年移动端GPU市场竞争格局

在人工智能GPU领域，英特尔恢复了其在CPU领域的强势地位，2017年市场占有率达到70%。不过由于NVIDIA和AMD在传统GPU市场的强势地位和技术积累，两者在人工智能GPU领域实力也比较强劲。整个人工智能GPU市场呈现出明显的寡头垄断特征，后来者在这一赛道很难追赶。

AI用GPU市场竞争格局

（二）FPGA市场竞争格局分析

Xilinx和Altera基本垄断了FPGA市场。2017年两家公司占有将近90%市场份额，专利超过6000项，其中Xilinx市场占有率为39%，Altera市场占有率为49%。

2017年FPGA市场竞争情况

目前国内的FPGA技术水平较差，特别是民用领域。我国民用市场基本被上述两家企业所垄断，国产FPGA基本用在军工、航天等特殊领域。

（三）ASIC芯片竞争状况

传统ASIC市场壁垒不高，特别是中低端产品。这导致了基于ASIC的人工智能芯片行业创业企业众多，行业竞争非常激烈。目前来看，这一领域是我国最有可能追上发达国家的AI芯片赛道。目前英伟达、高通、英特尔、IBM、谷歌、Facebook、百度、阿里、比特大陆、三星等企业正在加速涌入这个领域。

二、AI芯片领域中美竞争态势分析

目前全球人工智能芯片比拼最激烈的两个国家就是美国和中国，当然也不仅仅是芯片，两个国家在人工智能领域是全方位的竞争。

人工智能芯片的竞争目前分为三个主要赛道：

第一个是基于GPU、FPGA等通用芯片的半定制方案。比如英伟达针对各类智能计算设备开发的GPU，以及打造NVIDIA CUDA平台大大提升其编程效率、开放性和丰富性，建立了包含CNN、DNN、深度感知网络、RNN、LSTM 以及强化学习网络等算法的平台，使得AI可以渗透到各种类型的智能机器。美国沿袭在传统计算芯片上的强大优势，包括在CPU，FPGA，DSP领域包揽全球第一的技术能力和行业地位，占据了这个赛道的霸主地位，据称在医疗、生命科学、能源、金融服务、汽车、制造业以及娱乐业等多个领域运用GPU或者FPGA开展深度学习工作的企业有近4000余家，传统优势的渗透力可见一斑。可以从侧面看出，在这条赛道上，中国的企业鲜少再有机会。

第二个赛道是针对深度学习算法的专用芯片。GPU、FPGA等通用芯片虽然适用于大规模并行计算，但是也存在性能、功耗等方面的瓶颈，面对不断激增的数据量和持续扩大的AI应用规模，通用芯片自然有其局限性，因此专用芯片必然有着广阔的市场前景。通过设计专门的指令集、微结构、人工神经元电路、存储层次，有可能在3-5年内将深度学习模型的智能处理效率提升万倍。这也使得中美人工智能芯片创业的大部分企业集中在这个赛道进行竞争。目前这个赛道聚集了当下全球创新最活跃的智力资源，涌现出多种方法来定制芯片设计和架构，去解决不同AI应用场景中人工智能芯片的诸多“痛点”问题，比如影响处理器性能提高的存储带宽瓶颈，计算非结构化信息时性能疲软，再比如在嵌入式设备上实现AI应用，除了计算性能的要求之外，如何平衡功耗和成本的问题等等。在这条赛道上，既有谷歌、英特尔、英伟达等全球人工智能和芯片领域的顶尖巨头大手笔的投入，也有无数的中小创业企业在全力以赴，期望跳过这些传统巨头在计算架构上的坚固壁垒，去创造人工智能时代的Intel或者ARM。这其中不乏大量的来自中国的人工智能芯片初创企业，在AI领域的投资上，我国已经超越美国成为世界第一，其中大笔资金投向了AI专用芯片领域，这也充分证明了这个赛道，有对我国计算芯片非比寻常的意义。

第三个赛道是类脑计算芯片，这个领域不再仅仅局限于加速深度学习算法，也不仅仅局限于在特定场景下实现人工智能，而是在芯片基本结构甚至器件层面上希望能够开发出新的非冯诺依曼计算机模型和体系结构，去解决通用智能计算的问题。类脑的研究距离可以大规模广泛使用的成熟商用技术还有一定差距，甚至在产业化的过程中还面临不小的风险，但是长期来看这个赛道是最有可能会带来计算体系革命的选择。在这个领域其实更多是基础研究能力的比拼，中国和美国的差距其实并不大。

六、AI芯片未来发展趋势

人工智能芯片行业发展趋势主要呈现出从云端推算到设备端推算的演进过程，人工智能芯片的运算能力和学习能力都将加速进步。

Inference On Cloud 云端推算

当一项深度学习应用，如基于深度神经网络的机器翻译服务，经过数周甚至长达数月的GPU集群并行训练后获得了足够性能，接下来将投入面向终端用户的消费级服务应用中。由于一般而言训练出来的深度神经网络模型往往非常复杂，其Inference（推断）仍然是计算密集型和存储密集型的，这使得它难以被部署到资源有限的终端用户设备（如智能手机）上。正如Google不期望用户会安装一个大小超过300M的机器翻译APP应用到手机上，并且每次翻译推断（应用训练好的神经网络模型计算出翻译的结果）的手机本地计算时间长达数分钟甚至耗尽手机电量仍然未完成计算。这时候，云端推断（Inference On Cloud）在人工智能应用部署架构上变得非常必要。

虽然单次推断的计算量远远无法和训练相比，但如果假设有1000万人同时使用这项机器翻译服务，其推断的计算量总和足以对云服务器带来巨大压力，而随着人工智能应用的普及，这点无疑会变成常态以及业界的另一个痛点。由于海量的推断请求仍然是计算密集型任务，CPU在推断环节再次成为瓶颈，取而代之的是，目前3A（阿里云、Amazon、微软Azure）都纷纷探索云服务器+FPGA芯片模式替代传统CPU以支撑推断环节在云端的技术密集型任务。

亚马逊AWS在去年推出了基于FPGA的云服务器EC2 F1；微软早在2015年就通过Catapult项目在数据中心实验CPU+FPGA方案；而百度则选择与FPGA巨头Xilinx（赛思灵）合作，在百度云服务器中部署KintexFPGA，用于深度学习推断，而阿里云、腾讯云均有类似围绕FPGA的布局。当然值得一提的是，FPGA芯片厂商也出现了一家中国企业的身影——清华系背景、定位于深度学习FPGA方案的深鉴科技，目前深鉴科技已经获得了Xilinx的战略性投资。

云计算巨头纷纷布局云计算+FPGA芯片，首先因为FPGA作为一种可编程芯片，非常适合部署于提供虚拟化服务的云计算平台之中。FPGA的灵活性，可赋予云服务商根据市场需求调整FPGA加速服务供给的能力。比如一批深度学习加速的FPGA实例，可根据市场需求导向，通过改变芯片内容变更为如加解密实例等其他应用，以确保数据中心中FPGA的巨大投资不会因为市场风向变化而陷入风险之中。另外，由于FPGA的体系结构特点，非常适合用于低延迟的流式计算密集型任务处理，意味着FPGA芯片做面向于海量用户的云端推断，相比GPU具备更低计算延迟的优势，能够提供更佳的消费者体验。

在云端推断的芯片生态中，不得不提的最重要力量是PC时代的王者英特尔。面对摩尔定律失效的CPU产品线，英特尔痛定思痛，将PC时代积累的现金流，通过多桩大手笔的并购迅速补充人工智能时代的核心资源能力。首先以167亿美元的代价收购FPGA界排名第二的Altera，整合Altera多年FPGA技术以及英特尔自身的生产线，推出CPU + FPGA异构计算产品主攻深度学习的云端推断市场。另外，去年通过收购拥有为深度学习优化的硬件和软件堆栈的Nervana，补全了深度学习领域的软件服务能力。当然，不得不提的是英特尔还收购了领先的ADAS服务商Mobileye以及计算机视觉处理芯片厂商Movidius，将人工智能芯片的触角延伸到了设备端市场。

相比Training市场中NVIDIA一家独大，云端推断芯片领域目前可谓风起云涌，一方面英特尔希望通过深耕CPU+FPGA解决方案，成为云端推断领域的NVIDIA，打一次漂亮的翻身仗。另外由于云端推断市场当前的需求并未进入真正的高速爆发期，多数人工智能应用当前仍处于试验性阶段，尚未在消费级市场形成巨大需求，各云计算服务商似乎有意凭借自身云服务优势，在这个爆发点来临之前布局自己的云端FPGA应用生态，另外一个不可忽视的因素，是Google的TPU生态对云端推断的市场份额同样有巨大的野心，这将导致市场竞争更加激烈。

Inference On Device 设备端推算

随着人工智能应用生态的爆发，将会出现越来越多不能单纯依赖云端推断的设备。例如，自动驾驶汽车的推断，不能交由云端完成，否则如果出现网络延时则是灾难性后果；或者大型城市动辄百万级数量的高清摄像头，其人脸识别推断如果全交由云端完成，高清录像的网络传输带宽将让整个城市的移动网络不堪重负。未来在相当一部分人工智能应用场景中，要求终端设备本身需要具备足够的推断计算能力，而显然当前ARM等架构芯片的计算能力，并不能满足这些终端设备的本地深度神经网络推断，业界需要全新的低功耗异构芯片，赋予设备足够的算力去应对未来越发增多的人工智能应用场景。

需要具备Inference On Device能力的设备有智能手机、ADAS、CV设备、VR设备、语音交互设备以及机器人。

智能手机——智能手机中嵌入深度神经网络加速芯片，或许将成为业界的一个新趋势，当然这个趋势要等到有足够基于深度学习的杀手级APP出现才能得以确认。华为在Mate10的麒麟970中搭载寒武纪IP，为Mate10带来较强的深度学习本地端推断能力，让各类基于深度神经网络的摄影、图像处理应用能够为用户提供更佳的体验。另外，高通同样有意在日后的芯片中加入骁龙神经处理引擎，用于本地端推断，同时ARM也推出了针对深度学习优化的DynamIQ技术。对于高通等SoC厂商，在其成熟的芯片方案中加入深度学习加速器IP并不是什么难事，智能手机未来人工智能芯片的生态基本可以断定仍会掌握在传统SoC商手中。

ADAS（高级辅助驾驶系统）——ADAS作为最吸引大众眼球的人工智能应用之一，需要处理海量由激光雷达、毫米波雷达、摄像头等传感器采集的海量实时数据。作为ADAS的中枢大脑，ADAS芯片市场的主要玩家包括今年被英特尔收购的Mobileye、去年被高通以470亿美元惊人价格收购的NXP，以及汽车电子的领军企业英飞凌。随着NVIDIA推出自家基于GPU的ADAS解决方案Drive PX2，NVIDIA也加入到战团之中。

CV（计算机视觉，Computer Vision）设备——计算机视觉领域全球领先的芯片提供商是Movidius，目前已被英特尔收购，大疆无人机、海康威视和大华股份的智能监控摄像头均使用了Movidius的Myriad系列芯片。需要深度使用计算机视觉技术的设备，如上述提及的智能摄像头、无人机，以及行车记录仪、人脸识别迎宾机器人、智能手写板等设备，往往都具有本地端推断的刚需，如刚才提及的这些设备如果仅能在联网下工作，无疑将带来糟糕的体验。而计算机视觉技术目前看来将会成为人工智能应用的沃土之一，计算机视觉芯片将拥有广阔的市场前景。目前国内做计算机视觉技术的公司以初创公司为主，如商汤科技、阿里系旷视、腾讯优图，以及云从、依图等公司。在这些公司中，未来有可能随着其自身计算机视觉技术的积累渐深，部分公司将会自然而然转入CV芯片的研发中，正如Movidius也正是从计算机视觉技术到芯片商一路走来的路径。

VR设备、语音交互设备以及机器人。VR设备芯片的代表为微软为自身VR设备Hololens而研发的HPU芯片，这颗由台积电代工的芯片能同时处理来自5个摄像头、一个深度传感器以及运动传感器的数据，并具备计算机视觉的矩阵运算和CNN运算的加速功能。语音交互设备芯片方面，国内有启英泰伦以及云知声两家公司，其提供的芯片方案均内置了为语音识别而优化的深度神经网络加速方案，实现设备的语音离线识别。机器人方面，无论是家居机器人还是商用服务机器人均需要专用软件+芯片的人工智能解决方案，这方面典型公司有由前百度深度学习实验室负责人余凯创办的地平线机器人，当然地平线机器人除此之外，还提供ADAS、智能家居等其他嵌入式人工智能解决方案。

在Inference On Device领域，可以看到的是一个缤纷的生态。因为无论是ADAS还是各类CV、VR等设备领域，人工智能应用仍远未成熟，各人工智能技术服务商在深耕各自领域的同时，逐渐由人工智能软件演进到软件+芯片解决方案是自然而然的路径，因此形成了丰富的芯片产品方案。但我们同时观察到的是，NVIDIA、英特尔等巨头逐渐也将触手延伸到了Inference On Device领域，意图形成端到端的综合人工智能解决方案体系，实现各层次资源的联动。

第二节 无人驾驶汽车行业分析

一、无人驾驶汽车定义及分类

无人驾驶汽车是一种智能汽车，也可以称之为轮式移动机器人，主要依靠车内的以计算机系统为主的智能驾驶仪来实现无人驾驶。它是利用车载传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。

当前的无人驾驶尚处于辅助驾驶前期，距离彻底的无人驾驶还有一定距离。美国汽车工程学会SAE将自动驾驶分为0到5级，0级为完全人工驾驶，5级为彻底的无人驾驶，中间的级别为不同程度的自动驾驶或辅助驾驶。目前L1和L2技术已相对成熟。L3和L4技术预计2018-2020年实现量产。彻底的L5无人驾驶是指全路段、全天候的，无需人工干预的全自动驾驶，汽车可自主完成加速、制动、转向等动作，可能需要至少十年才能达到产业化阶段。中短期内，智能汽车将以智能辅助驾驶ADAS的形式呈现，可实现自适应巡航ACC、车道偏离预警LDW等功能，可完成部分封闭区段的自动驾驶。

二、无人驾驶汽车行业发展概况

无人车产业生态结构呈现三层金字塔供应链格局。

（一）顶端的OEM和科技型造车企业，传统车企仍然掌握汽车生产资质和整车控制集成的核心竞争力，科技型公司则凭借在人工智能、人机交互方面的优势抢占一部分市场份额；

（二）ADAS供应商利用掌握的感知识别算法等为车企和科技型公司提供ADAS系统解决方案；

（三）底层零部件供应商，如雷达、摄像头、芯片、电子刹车等。从塔顶至塔底，行业资金、技术门槛逐渐降低，对投资的资金规模要求也在下降。国外汽车零部件巨头在ADAS领域保持优势地位。大陆、德尔福、电装、奥托立夫、博世这5家传统优势公司2013年全球乘用车ADAS市场份额分别为17.5%、13.5%、12.9%、11.3%和10.1%，总计超65%。其余份额被法雷奥、天合、麦格纳、海拉等企业占据。

美国谷歌公司作为最先发展无人驾驶技术的公司，其研制的全自动驾驶汽车能够实现自动起动行驶与停车。谷歌自动驾驶汽车项目重组为一家名为Waymo的独立公司。Waymo于2017年11月7日对外宣布，将对不配备安全驾驶员的无人驾驶汽车进行测试。预计无人驾驶汽车测试活动将在2018年加速，2018年Waymo可能将会在公路上部署更多完全无人驾驶汽车。除了传统汽车业强国与谷歌等互联网企业已经开始无人驾驶汽车的研发并且已经取得了相当好的成果之外，苹果、Uber等也已经将业务范围向无人驾驶汽车倾斜。

目前，国内的百度、长安等企业以及国防科技大学、军事交通学院等军事院校的无人驾驶汽车走在国内研发的前列。例如长安汽车实现了无人驾驶汽车从重庆出发一路北上到达北京的国内无人驾驶汽车长途驾驶记录。百度汽车同样在北京进行了初次无人驾驶，并在北京道路的实验取得了成功。而到2020年，无人驾驶车辆有望在北京到崇礼的延崇高速路上实现道路测试。相关技术的快速发展无疑为无人驾驶的未来提供了强有力的技术支持。

三、无人驾驶汽车竞争格局

在无人驾驶汽车的研发上，一些高科技巨头企业表现出了非常大的参与热情，并且形成了第一阵营。google、微软、苹果、亚马逊、百度等积极参与智能汽车的项目运作。第二阵营则为传统整车企业，丰田、奔驰、沃尔沃、通用、广汽、吉利、比亚迪、长安等。

在人工智能技术的加持下，无人驾驶高速发展，正在改变人类的出行方式，进而会大规模改变相关行业格局。基于这样的认识，产业大鳄、科技巨头和初创企业将无人驾驶技术视为变革的钥匙，聚集庞大的资金和聪明的人才，试图突破技术障碍，占据行业制高点。

全球顶级的60家无人驾驶企业分布在世界各地，主要集中于美国、欧洲、中国以及日本等其它国家。

在这些研发无人驾驶的公司中，美国有19家公司入围，中国有21家公司入围，欧洲有13家公司入围，日本及其他地区共7家公司入围。

需额外解释的是，因为英特尔收购了Mobileye之后，具备了全案的能力，将其列为科技公司。雷诺-日产集团的研发是集团层面在推进，被视为一家，区域上归于欧洲。

事实上大硅谷地区至少聚集了几十家无人驾驶企业，上榜企业中，总部在湾区的企业超过20家，无疑是无人驾驶的圣城“麦珈”。中国的北京聚集了11家上榜企业，仅次于硅谷，遥遥领先世界上的其他城市。

从整体竞争力而言，谷歌和百度两家依然实力最强。同时，这两家也是被挖人最多、员工离职创业最多的企业。目前的无人驾驶初创公司美国以谷歌系为主，中国以百度系为主。

通用进度很快，即将投放全世界规模最庞大的无人驾驶测试车队，数量达到300辆，是其他所有29家在硅谷参与测试的车队数量之和。苹果也取得无人驾驶的测试牌照，这些改装过的雷克萨斯SUV将持续出行的硅谷的马路上。

丰田汽车有着很好的技术研发领军人物，然而日本车企的保守会限制他们的进步。英特尔对Mobileye的收购是成功的，这极大地提升了这家公司在无人驾驶竞赛中的竞争力。

四、国内无人驾驶汽车企业发展态势

2017年无人驾驶行业发展迅速，众多企业积极布局无人驾驶汽车领域。

1、百度：大举押注无人驾驶项目

百度是中国互联网三巨头里唯一一家大举押注无人驾驶技术的公司。

2013年，百度无人驾驶项目在百度研究院起步；

2014年5月，百度宣布前Google深度学习团队创始人——吴恩达博士为百度首席科学家，全面负责硅谷百度研究院；

2014年7月24日，百度首次证实，已启动“百度无人驾驶汽车”研发计划；

2015年12月，百度宣布正式成立自动驾驶事业部，百度高级副总裁王劲担任事业部总经理。著名的时间表被提出：百度无人车将在三年实现商用，五年实现量产；

2016年9月1日，在百度世界大会上，L3事业部正式亮相，事业部总经理顾维灏宣布未来会推出L3自动驾驶解决方案。后更名为智能汽车事业部，与北汽达成合作；

百度目前的汽车事业部将与百度自动驾驶事业部区隔化发展，瞄准的是紧急情况下需要人工接管的自动驾驶，比如可以应用在常规道路场景下的自动跟车、自动超车、自动变道、自动停车以及自动召回等。

除了联合福特投资激光雷达制造商Velodyne，百度还和芯片制造商英伟达达成合作。在整车制造商上，百度与宝马、奇瑞、北汽、比亚迪等一众厂商展开合作。尽管百度在无人驾驶领域投入巨大，但是目前产品依然没有落地，还不能实现量产，其技术实力有待市场的检验。

2、阿里：搭载YunOS系统的互联网汽车

与百度无人驾驶汽车不同的是，阿里的造车之路显得更接地气些。

2015年3月，阿里与上汽宣布合资设立了10亿元的互联网汽车基金，打算生产“跑在互联网上的汽车”。

2015年4月，阿里宣布整合旗下汽车相关业务，成立阿里汽车事业部。

2016年7月，杭州“云栖小镇”上，阿里与上汽合作、搭载阿里YunOS操作系统的首款汽车“荣威RX5”正式亮相，亮相同时已在天猫旗舰店上可以买到。

2017年3月，阿里巴巴以1800万美元的资金领投增强现实（AR）汽车导航初创公司WayRay。

领投WayRay这家做AR和VR头显的公司意味着阿里要在互联网甚至于无人驾驶的道路上深入下去。WayRay这家公司主要为无人驾驶汽车的司机提供沉浸式的AR和VR头显（heads-up displays，HUDs）系统。WayRay的主要产品有全息AR汽车导航仪Navion和行车习惯记录仪Element，其中Navion是WayRay的拳头产品。目前，Navion的主要用途是车载导航。用户输入目的地后，指示方向的绿色箭头将会漂浮在道路上，并且随着角度与车速改变附带显示车辆速度、道路限速、目的地距离等信息。用户可以通过手势or语言来控制系统。阿里还是想在用户场景中持续优化，反倒是对无人驾驶的研发没有太多的涉足。

3、腾讯：积极布局自动驾驶领域

收购特斯拉5%的股份让腾讯也加入了无人驾驶汽车这一行业。腾讯一直在AI领域积极行动，其在新能源汽车、自动驾驶等方面都有所涉猎。

2015年3月，腾讯与富士康及和谐汽车共同成立了和谐富腾，在今年2月正式拆分为两个项目——豪华电动汽车Future Mobility Corp和新能源汽车企业爱驰亿维。

2016年下半年，腾讯成立了自动驾驶实验室。而且在去年年底与上海国际汽车城签署合作协议，双方要在自动驾驶、高清地图和汽车智能网联等领域进行合作。

4、蔚来科技：被认为很靠谱的未来汽车企业

蔚来汽车是一支国际化的团队，整个团队的领头人全是中国科技界和汽车界的大佬，雷军、马化腾、李想、刘强东、张磊并由李斌作为董事长。产品规划对标特斯拉，先从高端超跑做起，打响品牌后一步一步落地中低端乘用车。蔚来的超跑非常有特色，目前蔚来EP9已经开始量产。

蔚来日后的主要市场在国内，目前来看，国家在扶持相应的企业发展，基础设施建设也在有序地进行。

蔚来的首款SUV ES8已经亮相上海车展，30—40万的售价，预计2018年年底上市。

业界对于是直接实现全自动驾驶还是首先实现辅助驾驶的争论也还在继续。但毋庸置疑的是，无人驾驶的争夺早已开始，强大的资金实力是这次角逐的重要因素。

第三节 人脸识别行业分析

一、行业发展现状

人脸识别是一种基于人的相貌特征信息进行身份认证的生物特征识别技术，技术的最大特征是能避免个人信息泄露，并采用非接触的方式进行识别。人脸识别与指纹识别、掌纹识别、视网膜识别、骨骼识别、心跳识别等都属于人体生物特征识别技术，都是随着光电技术、微计算机技术、图像处理技术与模式识别等技术的快速发展应运而生的。可以快捷、精准、卫生地进行身份认定；具有不可复制性，即使做了整容手术，该技术也能从几百项脸部特征中找出“原来的你”。人脸识别系统在世界上的应用已经相当广泛。在中国就已广泛的应用于公安、安全、海关、金融、军队、机场、边防口岸、安防等多个重要行业及领域，以及智能门禁、门锁、考勤、手机、数码相机、智能玩具等民用市场。由于人脸识别应用领域众多，一一分析过于繁杂，本报告将选取金融领域的“刷脸支付”作为分析样本。

“刷脸”支付系统是一款基于脸部识别系统的支付平台，它于2013年7月由芬兰创业公司Uniqul全球首次推出。该系统不需要钱包、信用卡或手机，支付时只需要面对POS机屏幕上的摄像头，系统会自动将消费者面部信息与个人账户相关联，整个交易过程十分便捷。

2013年7月芬兰创业公司Uniqul推出了史上第一款基于脸部识别系统的支付平台。据Uniqul声称，这项技术已经申请专利，它可以极大缩短支付时间，并拥有“军用级别算法”的保护。Uniqul“刷脸”支付系统的用户注册已经启动，首先会在芬兰赫尔辛基地区部署。

2013年，中科院重庆研究院智能多媒体技术中心启动了对这一支付方式的研究。中心主任周曦介绍，截止2014年8月，技术中心已经完成了人脸识别支付系统的关键性技术研究。技术中心全球首创的人脸数据采集阵列，能够从91个角度对人脸同步采集，能对人脸识别影响最大的多变光照、多角度、遮挡等状态进行最优的识别效果。目前，其人脸识别系统已应用在边检站自动通关系统、动态人脸识别考勤机、多属性动态人脸识别系统等。在此基础上，中心研发出了人脸识别移动支付系统，已能够实现支付只需“刷脸卡”。

刷脸时代已经到来。随着科技的进步，尤其是人脸识别技术正在不断突破各个行业应用的“阈值”，带来日趋丰富的应用场景，让吃饭、购物、取款只“看脸”变成了现实。

“刷脸”技术更成为了各大互联网金融科技巨头争相追赶的新潮流。尤其是刷脸支付，这项被《麻省理工科技评论》评为2017年全球十大突破性技术，在中国正在掀起一股热浪。

2017年我国人脸识别行业市场规模达到15亿元，同比增长50%，行业呈现出爆发性增长。预计到2021年我国人脸识别市场规模将达到74亿元。2016-2021年人脸识别市场复合增长率将达到49.23%。行业处在高速发展的风口期。

2016-2021年中国人脸识别行业市场规模

二、刷脸支付行业竞争格局

2017年四季度整个刷脸支付行业主要被蚂蚁金服（支付宝）和财付通（含微信、QQ）所占据，分别占比53.7%、40%。行业呈现出双寡头垄断的格局，主要因为二者抢占了移动支付入口。

2017年四季度刷脸支付市场竞争格局

不过，由于银行在传统渠道的优势，随着其不断发力线上支付，整个刷脸支付的格局并没有固定下来。从阿里、苏宁、腾讯、百度等互联网巨头，到建行、民生等商业银行，纷纷布局刷脸支付的商业应用，抢滩发展的制高点。新一轮群雄逐鹿中，刷脸支付市场将随着金融市场尤其是互联网金融行业的竞争格局的变化而变化。

2021年刷脸支付市场格局预测

三、刷脸支付的发展难题

“刷脸”等生物识别技术的产生及应用无疑将我们带进了一个新世界的大门，虽然充满想象，但毕竟尚处起步阶段，存在着很多的局限性，面临着一定的不确定性。

首先，技术尚未成熟。虽然“刷脸支付”已经成功落地，但能匹配的人脸库数量还有限，需要通过输入手机号、判断地域等方式来缩小匹配范围，增加识别精度。

其次是成本较高，无法大范围铺开。刷脸支付等生物识别技术需要的机器比较昂贵，在大型商企、机构可以配置，小便利店、小饭馆等就难以负担其高成本的硬件了，这就使得适用范围有一定局限性。

再次，生物识别技术的发展需要搜集许多诸如面部特征、指纹、虹膜等数据，涉及到公民安全等法律问题，关系到社会的稳定，这些数据是否该交由企业存储，未来的数据安全如何保障，都尚未明确，这也增加了技术发展的不确定性。同时与身份认证相关的监管机构有十几个，各自的关注点和侧重点均有所不同，这也给相关企业带来很大的挑战。

当然，“刷脸支付”毕竟才刚刚起步，尚有诸多障碍，既有待技术成熟，也有待法规明确。惟有解决这些关键问题，才会有形成产业规模的一天，也才能让消费者放心而便捷地使用。

第四节 人工智能+医疗行业发展分析

一、行业概况

中国正处于人工智能医疗产业的风口：2017年中国人工智能+医疗市场规模达到96.61亿元，增长37.9%。人工智能在医疗健康领域中的应用已非常广泛，包括语音识别、医学影像、药物挖掘、营养学、生物技术、急救室管理、医院管理、健康管理、精神健康、可穿戴设备、风险管理和病理学共12个领域。

人工智能+医疗近期将形成可穿戴设备、语音识别、影像识别“三大应用”。

二、人工智能在医疗行业的应用

（一）可穿戴设备推动医疗大数据

可穿戴设备的推广为人工智能应用于医疗领域提供了巨大的数据收集来源。一方面，可穿戴医疗健康设备能够实现用户自行采集身体指标数据的功能，让用户实时掌握个人的身体健康状况，及时更正不良的生活习惯，从而实现疾病的预防与早期治疗。另一方面，可穿戴医疗健康设备对人体健康指标的长期动态监控，为疾病的诊断治疗提供了大量数据，对于一些疾病的初步诊断及慢性病的治疗提供了依据。

（二）语音识别的应用

通过语音识别和疾病数据分析，可实现机器诊断疾病。医疗是一个更垂直，专业度更高的领域，这就需要大量的医疗专业词汇库的积累。人工智能诊断疾病可更准确、更快捷、更安全，以及更便宜的实现病患处理。语音识别在医疗行业的应用主要是语音电子病历录入与医疗大数据相结合，从而做到验证和突出显示相关医疗记录，核对病史记录和进一步询问问题，从而能够大大提高医疗人员的工作效率。

全球最大的语音识公司Nuance，其业务营收的50%来源于医疗行业。期初，该公司的医疗产品致力于为临床专业人士提供语音导航文件系统和应用程序，以实现与患者进行全新交流的目标。该技术的运用极大地提高了医生诊断的工作效率，使得患者病情采集工作快速、灵活而准确。截止目前Nuance的医疗解决方案已经覆盖了全美72%的医疗机构，客户遍及全球30多个国家，共获得3亿多医患交流数据，每年为超过50万名医生、1万个医疗机构提供服务，医疗产品也实现了多样化：临床文档改良（CDI）、临床语音识别、智能影像诊断、实时听写、计算机辅助编码、医疗质量把控、移动云计算、放射科精准报告等等。在美国使用Nuance产品的医生平均效率可提高30%。该公司在中国发展还未涉及医疗行业，可能与政策或技术原因有关，但该现象为国内企业带来巨大机会。

国内现在将人工智能率先应用于医疗领域的公司为云知声，目前已经将其语音病历电子录入产品投入、应用于北京的一些三甲医院。该公司拥有自主产权，已获得B轮5000万美元融资。此外科大讯飞也积极部署语音识别在医疗产业的应用，依靠讯飞AI技术与外部丰富的医学数据资源，推进在医学影像、辅助诊疗领域的突破。

（三）图像识别的应用

医学影像与人工智能的结合，是数字医疗领域较新的分支，而且是数字医疗产业的热点。医学影像包含了海量的数据，即使有经验的医生有时也显得无所适从。医学影像的解读需要长时间专业经验的积累，放射科医生的培养周期相对较长，而人工智能在对图像的检测效率和精度两个方面，都可以做得比专业医生更快，还可以减少人为操作的误判率。

医疗影像智能识别按照应用领域，可以分为放射类、放疗类、手术类以及病理类:

1、放射类:类似于军队的“情报部门”，通过射线成像了解人体内部的病变情况，形成影像。对该影像智能识别的目的在于标注病灶位置。

2、放疗类:类似于军队的“战斗部门”，在制定放疗方案之前，医生需要通过成像设备对靶区进行定位，从而形成影像。对该影像智能识别的目的在于进行靶区自动勾画，由于放疗需要杀死细胞，病变区域勾勒的越准确越好，对智能影像识别准确率要求高。

3、手术类:对CT等影像通过3D可视化等技术，进行三维重建，帮助医生进行手术前规划，确保手术的精确性。

4、病理类:病理诊断是最终确诊环节，MRI、CT、B超等影像判读的正确与否要参考病理诊断的结果。传统的病历检验是医生在显微镜下直接读取病历涂片，现在数字化病理系统使得AI读片成为可能。

三、人工智能+医疗市场发展痛点分析

（一）数据流通和协同化感知有待提升

基础设施层的仿人体五感的各类传感器缺乏高集成度、统一感知协调的中控系统，对于各个传感器获得的多源数据无法进行一体化的采集、加工和分析。未来突破点将发生在软件集成环节和类脑芯片环节。一方面软件集成作为人工智能的核心，算法的发展将决定着计算性能的提升。另一方面，针对人工智能算法设计类脑化的芯片将成为重要突破点。

（二）人工智能尚未实现关键技术突破

在技术研发层，目前取得的进度依然属于初级阶段，对于更高层次的人工意识、情绪感知环节还没有明显的突破。未来突破点将发生在脑科学研究领域。要对真正的分析理解能力进一步地研发，从大脑的进化演进、全身协调控制等领域实现。

（三）智能硬件平台易用性和自主化存在差距

应用层的智能硬件平台，服务机器人的智能水平、感知系统和对不同环境的适应能力受制于人工智能初级发展水平，短期内难以有接近人的推理学习和分析能力，难以具备接近人的判断力。

四、人工智能+医疗行业存在“五大难题”

（一）监管问题

目前对于人工智能健康医疗大数据和算法的使用监管，我国的法规较美国、英国、澳大利亚等国家而言，还有一些差距需要补足，既要利用好后发优势，又要确保患者安全。

（二）观念问题

医疗是一个太不容轻忽的领域，人工智能带我们走向的是一个既让人神往又畏惧的未来。

（三）技术问题

市场中的应用技术不成熟，产品呈现鸡肋状态，缺乏独立研发的动力。

（四）安全问题

在技术研发的同时缺少标准的安全评估体系。

（五）割裂问题

各家独自研究，缺乏交流和适当的思想碰撞。

第五节 智能家居行业分析

一、行业概况

随着大数据、人工智能等技术的突飞猛进，智能家居在生活中扮演了越来越重要的角色。2016年，我国智能家居市场规模达到605.7亿元，同比增长50.15%。预计未来几年智能家居将迎来爆发期，年增长率将保持在50%左右。到2018年，智能家居市场规模或将达到1396亿元。在2020年前，中国有望成为亚洲最大的智能家居市场。

2012-2020年智能家居市场规模（含非AI部分）

二、行业阶段

根据行业融资情况判断，行业投融资事件总数在2015年达到顶峰，且融资时间大部分集中于天使轮和A轮，说明智能家居行业2015年进入“淘金热”阶段，在各大企业和创业者的圈地行动之后，2017年智能家居行业将进入良性成长阶段。

三、智能家居行业格局

传统的智能家居一般涵盖了智能家电控制、智能灯光控制、智能安防、智能影音等方面，而当下的智能家居，是基于物联网的智能家居，它还涵盖了远程监控、家庭医疗保健和监护、讯息服务、网络教育以及联合智慧社区和智慧城市的各项拓展应用。

作为社会转型新的增长点，未来智慧城市、智慧社区的建设与投资将达到史无前例的规模。作为智慧城市的最小单元，智能家居产业将与新能源、新材料、新科技、互联网、物联网等行业相互促进，形成庞大又复杂的产业链。

国外巨头早已开始着手抢占市场，微软下注INSTEON家庭操作系统，苹果布局HOMEKIT智能家居生态圈，谷歌通过ANDROID大力发展智能穿戴设备，三星收购SMARTTHINGS拓展智能家居平台。

国内企业也不甘落后，中国智能家居行业版图业已形成。主要可以分为云服务平台、通讯服务平台、智能家电企业、智能硬件企业、可穿戴设备企业、房地产与装饰企业六大类。

其中前两类为平台类企业，智能家电企业、智能硬件企业和可穿戴设备企业属于硬件生产企业，最后一类为应用企业。

四、智能家居行业发展趋势

（一）更广泛的平台对接

在智能家居兴起的几年里，我们见到最多的就是通过手机进行一对一、一对多的连接，但是随着科技进步，连接的方式也变得更加多样化。从目前的行业格局来看，如阿里、京东等电商巨头都将智能家居产业的重心放在了平台的搭建上，这主要是因为，通过智能家居生态系统平台的建立，消除对接屏障，才能获得话语权，并主导行业的发展。

（二）大数据、云服务的深度发展

借助大数据平台，未来的智能家居平台将可以更好地了解消费者的使用习惯和需求信息。基于大数据基础上的相应分析，能够更有针对性的改进用户体验，同时挖掘新的商业机会。

有了大数据，云服务也不能忽视。智能家居每时每刻都在产生数据，来自终端的海量数据如果没有容量足够大的存储设备，就无法实现数据的商业价值挖掘，从这个角度来看，云服务技术也将在2018年获得更深度的关注。

（三）场景功能深度智能化

目前高度智能化的强人工智能还不可预见，但是在单一领域的智能技术却不断被人们攻克，在智能家居里亦是如此。在未来，居家环境控制、健康管理、远程看护、远程医疗等每一个小场景都将实现更深度的智能化升级，最终将由这些若干个小型场景功能，形成家庭领域完善的智能化体验。

（四）落地渠道多样化

智能家居已经跳出传统家居经销的圈层，不再仅仅借助原有家居的渠道商和代理商，通过装修队、物业、弱电施工、室内设计等进入家庭。智能家居的落地渠道已经拓展至线上线下体验模式，未来或许还将发展出更加多样化的落地渠道。

（五）行业发展标准化

无论是传统产业的发展还是智能产业的发展，最终大家终将走向标准化的管控平台。市场正在积极地向我们传递一个信息，那就是统一的行业标准才能为企业和消费者带来更大的益处，才能够健康的促进市场的培育与发展。

第六节 语音识别行业分析

语音识别作为NLP（自然语言处理）的重要分支，是将语音转换为文字或将文字转换为语音的一门技术，前端通过端点检测、降噪等处理实现特征提取、模式匹配，后端通过语言模型解码，输出识别结果。

在语音识别率方面，百度、谷歌、科大讯飞等主流平台识别准确率均在97%以上，稳定的识别能力为语音技术的落地提供了可能，在智能家居、智能车载、智能可穿戴领域有了迅猛发展。市场规模呈高速增长态势，预计2018年全球语音和语音识别市场预计将达到73.2亿美元，到2023年将增长至183亿美元，复合年增长率为19.8%。

一、智能车载市场前景广阔，语音将成为车载系统标配

我国是全球最大的汽车产销市场，未来车载信息系统市场将有广阔的发展空间。Analysys易观分析预测，到2018年，中国智能车载市场规模将接近400亿元，年均增长率超过70%，将保持高速发展状态。

预计伴随着相关软硬件适配性能的提升，以及车联网产品服务逐渐完备，用户使用语音控制车载系统习惯逐渐形成，车联网的车载终端产业将迎来爆发增长，未来5年内车载设备渗透率将超过50%。

二、智能家电渗透率提高，语音作为家居交互入口将大有所为

语音交互正在改变家居生活习惯。2018年，中国智能家居市场规模将达到1680亿元。随着智能家电的不断推出，语音作为智能家居入口将有广阔的想象空间。

三、可穿戴设备市场规模潜力巨大，语音将成为天然交互入口

Analysys易观估算，2018年可穿戴设备市场规模将接近400亿元，其中品类最大的是智能手表。近两年，VR，AR的概念开始深入大众，未来几年相关硬件将呈现爆发式增长。而可穿戴设备由于其特性所限，很难通过单一触摸实现流畅交互，因此语音交互成为刚需。

四、声纹识别安全性逐步提升或成语音交互下一个风口

与其他类型的生物识别技术相比，声纹识别技术具有安全性高、获取方便、易操作、可远程等优点，这为声纹识别技术未来的发展奠定了很好的基础。

总体来讲，语音识别技术发展到今天，算法本身已经不再是壁垒，许多公司语音识别率都已经达到95%以上，差别早已不大。语音智能市场已经开始显现操作系统级别的竞争，并以开放平台和生态体系的方式来进行竟争。同时，该领域目前在复杂口音、噪声环境，以及语义理解方面仍然具有一定缺陷，距离机器理解人类，实现自然人机交互还有很长的路要走。

语音作为下一代人机交互的入口，市场空间巨大，国内现已涌现出一批发展较好的智能语音相关企业，其中科大讯飞处于行业领先地位。

科大讯飞：公司成立于1999年，是一家专业从事智能语音及语言技术研究、软件及芯片产品开发、语音信息服务及电子政务系统集成的国家级软件企业。2010年开放智能交互技术服务平台后，相继推出了讯飞输入法、灵犀语音助手等应用。在国内语音核心技术市场合作开发伙伴已有500家,市场占有率超过80%。公司目前占有中文语音技术市场60%以上市场份额,语音合成产品市场份额达到70%以上,在电信、金融、电力、社保等主流行业的份额更是达到80%以上。

SWOT分析

优势：自主研发的主要核心技术过硬，包括语音识别、语音合成、自然语言处理、声纹识别、语音测评等；国家首批智能语音开放创新平台，平台优势凸显。

劣势：在硬件生产方面相对不足，产品落地需接入其他服务商。

机会：国家扶持互联网与人工智能政策相继推出，国内人工智能市场前景广阔；语音成为未来主流人机交互方式，市场发展前景巨大。

调战：无论是互联网巨头公司、还是语音识别初创厂商，越来越多企业纷纷加入该领域市场，竞争日趋激烈。竞争对手主要分为两类：（1）互联网巨头：开放语音生态系统，以产业内合作的方式，将语音技术植入产品或应用于相关业务场景，构建全产业生态链。代表厂商以BAT等为代表。（2）初创厂商：以垂直领域和细分场景为突破口，重点布局家居，车载和可穿戴设备等细分领域。代表厂商包括图灵机器人、思必驰、云知声等。

第六章 人工智能行业发展趋势预测

人工智能在接下来的几年中，将呈现出如下四个主要发展趋势。

趋势一：人工智能技术进入大规模商用阶段，人工智能产品全面进入消费级市场。

中国通信巨头华为已经发布了自主研发的人工智能芯片并将其应用在旗下智能手机产品中，苹果公司推出的iPhoneX也采用了人工智能技术实现面部识别等功能。三星最新发布的语音助手Bixby则从软件层面对长期以来停留于“你问我答”模式的语音助手做出升级。人工智能借由智能手机已经与人们的生活越来越近。

在人形机器人市场，日本的软银公司研发的人形情感机器人Pepper从2015年6月份开始每月面向普通消费者发售1000台，每次都被抢购一空。人工智能机器人背后隐藏着的巨大商业机会同样让国内创业者陷入狂热，粗略统计目前国内人工智能机器人团队超过100家。零售巨头沃尔玛去年开始与机器人公司Five Elements合作，将购物车升级为具备导购和自动跟随功能的机器人。中国的零售企业苏宁也与一家机器人公司合作，将智能机器人引入门店用于接待和导购。餐饮巨头肯德基也曾与百度合作，在餐厅引入机器人度秘来实现智能点餐。人工智能机器人在商业服务领域的全面应用，正为人工智能的大规模商用打开一条新的出路。或许人工智能机器人占领商场等公共场所会比占领我们的客厅要来得更早一些。

趋势二：基于深度学习的人工智能的认知能力将达到人类专家顾问级别。

“认知专家顾问”在Gartner的报告中被列为未来2-5年被主流采用的新兴技术，这主要依赖于机器深度学习能力的提升和大数据的积累。

过去几年人工智能技术之所以能够获得快速发展，主要源于三个元素的融合：性能更强的神经元网络、价格低廉的芯片以及大数据。其中神经元网络是对人类大脑的模拟，是机器深度学习的基础，对某一领域的深度学习将使得人工智能逼近人类专家顾问的水平，并在未来进一步取代人类专家顾问。当然，这个学习过程也伴随着大数据的获取和积累。

事实上在金融投资领域，人工智能已经有取代人类专家顾问的迹象。在美国，从事智能投顾的不仅仅是betterment、wealth front这样的科技公司，老牌金融机构也察觉到了人工智能对行业带来的改变。高盛和贝莱德分别收购了Honest Dollar与Future Advisor，苏格兰皇家银行也曾宣布用智能投顾取代500名传统理财师的工作。

国内一家创业团队目前正在将人工智能技术与保险业相结合，在保险产品数据库基础上进行分析和计算搭建知识图谱，并收集保险语料，为人工智能问答系统做数据储备，最终连接用户和保险产品。这对目前仍然以销售渠道为驱动的中国保险市场而言显然是个颠覆性的消息，它很可能意味着销售人员的大规模失业。

关于人工智能的学习能力，凯文·凯利曾形象地总结说：“使用人工智能的人越多，它就越聪明。人工智能越聪明，使用它的人就越多。”就像人类专家顾问的水平很大程度上取决于服务客户的经验一样，人工智能的经验就是数据以及处理数据的经历。随着使用人工智能专家顾问的人越来越多，未来2-5年人工智能有望达到人类专家顾问的水平。

趋势三：人工智能实用主义倾向显著，未来将成为一种可购买的智慧服务。

过去几年我们看到俄罗斯的人工智能机器人尤金首次通过了著名的图灵测试，又见证了谷歌的AlphaGo和Master接连战胜人类围棋冠军，尽管这些史无前例的事件隐约让我们知道人工智能技术已经发展到了一个很高的水平，但因为太过浓厚的“炫技”色彩也让公众对人工智能技术产生很多质疑。

事实上大多数人在谈到人工智能时，首先想到的问题便是：“它究竟能够做什么？”“它到底能够用在什么地方？”“它能够给人类解决哪些问题？”在人工智能技术的应用方面，中国的互联网企业似乎表现地更加实用主义一些。将主要精力投向人工智能领域的百度几乎把人工智能技术应用到了旗下所有产品和服务中，雄心勃勃展开NASA计划的阿里巴巴也致力于将技术推向“普惠”。

人工智能与不同产业的结合正使其实用主义倾向愈发显著，这让人工智能逐步成为一种可以购买的商品。

反过来不同产业对人工智能技术的应用也加剧了人工智能的实用主义倾向。比如特斯拉公司就是拿人工智能技术专门用来提升自动驾驶技术的，再比如地图导航软件，就是专门拿人工智能技术为用户规划出行路线的。

说到底，人工智能是一个实用主义的东西。越来越多的医疗机构用人工智能诊断疾病，越来越多的汽车制造商开始使用人工智能技术研发无人驾驶汽车，越来越多的普通人开始使用人工智能作出投资、保险等决策。这意味着人工智能已经走出“炫技”阶段，未来将真正进入实用阶段。

趋势四：人工智能技术将严重冲击劳动密集型产业，改变全球经济生态。

许多科技界的大佬一方面受益于人工智能技术，一方面又对人工智能技术发展过程中存在的威胁充满担忧。包括比尔·盖茨、埃隆·马斯克斯、蒂芬·霍金等人都曾对人工智能发展做出警告。尽管从目前来看对人工智能取代甚至毁灭人类的担忧还为时尚早，但毫无疑问人工智能正在抢走各行各业劳动者的饭碗。

人工智能可能引发的大规模失业是当下最为紧迫的一个问题。事实上，机器人抢走人类劳动者饭碗的事情已经在全球上演。硅谷一家新兴的机器人保安公司Knightscope目前已和16个国家签约使用其公司生产的K5监控机器人，其中包括中国。K5将主要用于商场、停车场等公共场所，可以自动巡逻并能够识别人脸和车牌，K5每小时的租金约为7美金。这意味着原本属于人类保安的酬劳现在要被机器人抢走。

未来2-5年人工智能导致的大规模失业将率先从劳动密集型产业开始。如制造业，在主要依赖劳动力的阶段，其商业模式本质上是赚取劳动力的剩余价值。而当技术成本低于雇佣劳动力的成本时，显然劳动力会被无情淘汰，制造企业的商业模式也将随之发生改变。再比如物流行业，目前大多数企业都实现了无人仓库管理和机器人自动分拣货物，接下来无人配送车、无人机也很有可能取代一部分物流配送人员的工作。

就中国目前的情况来看，正处于从劳动密集型产业向技术密集型产业过渡的过程中，难以避免地要受到人工智能技术的冲击，而经济相对落后的东南亚国家和地区因为廉价的劳动力优势仍在，受人工智能技术冲击较小。世界经济论坛2017年的调研数据预测到2020年，机器人与人工智能的崛起，将导致全球15个主要的工业化国家510万个就业岗位的流失，多以低成本、劳动密集型的岗位为主。

这绝非危言耸听。人工智能终将改变世界，而由其导致的大规模失业和全球经济结构的调整，显然也属于“改变”的一部分。

第七章 人工智能行业投资建议

近年来，人工智能在新闻热度及投资规模方面呈逐年上升趋势，然而人工智能现在只是局部技术进入了提供解决方案阶段，核心技术如何落地、产品怎样实现量产等问题还有待解决。现阶段人工智能投资热潮存在泡沫，2018年行业内开始逐步优胜劣汰，红利持续和市场洗牌的局面共存。

根据人工智能发展现状，提出以下几点投资建议：

1.聚焦能力圈，切勿贪大求全。总体上可以确定人工智能会引起巨大的社会变革，但是变革的具体内涵则难以预测。各投资机构应该根据自身特点将注意力聚焦在能力圈内，不要贪大求全。对于中小投资机构来说，多关注细分应用行业，比如智能安防、智能家电等，这些行业的细分领域往往是巨头AI企业所不够重视的领域，技术研发难度不是特别大，后来者有着一定的市场机会；对于大型机构来说，可以多关注人工智能基础层面的市场，比如云计算和AI芯片，这些领域需要长期的资金投入，每次融资额度均不小，但是一旦成功产生的收益会很大。

2.长期跟踪研究才有可能抓住适合自身的投资标的。人工智能的技术变化非常快，市场竞争也很激烈，比如算法正在从单一模型向多模型应用转变，谷歌、微软等正在积极研究这一领域。因此对所投领域的长期关注和深度研究是非常有必要的。研判阶段必须心思缜密，做到全面而具体，有条件的可以请专业机构做尽职调查，投资后积极进行后续跟踪，对项目及其所在行业要密切留意其最新动态。

3.多借助行业内的专家。在投资技术型企业的时候，相关企业的管理层和技术人员可能对技术发展走势认识更加清晰。对于非专业人士来说，有机会借助这些力量是非常有益的。典型的例子是软银和红杉资本投资了百度前首席科学家吴恩达建立的人工智能基金，用以专门从事AI领域的投资。这一事件进一步体现了专业技术人员在AI领域投资的重要性。人工智能的技术涉及到脑神经、计算机、人工智能哲学等多学科，其技术演变是非常复杂的，投资机构请教相关专业人士是非常必要的。

4.视野放宽，可以多关注国际动态。人工智能技术的国际流动性非常高，这是因为人工智能的核心研究人才往往具有国际化视野和跨国公司从业经历，他们的跨国流动将带来技术的国际扩散。因此，国际视野不仅仅是针对市场而言，更重要的是考量其核心技术人员的动态与资历。

5.不可操之过急，很多项目停留在PPT层面，或者只是概念。人工智能应用层面现在呈现出投资过热的局面，投资者可以多关注核心技术层领域。人工智能的每一项落地应用，都是众多技术的整合，随着其上下游发展逐步清晰后，会有更多的投资机会出现。比如无人驾驶领域，业界普遍认为真正的无人驾驶汽车最少还需要十年时间来实现，目前的技术水平依然有待进步。人工智能现阶段更多是面向2B层面的业务，需要给予其更多的时间去成长。 

免责声明：

1、本报告依据公开、合法的信息，由研究人员运用相应的研究方法，对所研究的对象做出相应的评判，代表本机构观点，仅供用户参考，并不构成任何投资建议。用户须根据情况自行判断，本机构对用户的投资行为不负任何责任；

2、我机构力求信息的完整和准确，但是并不保证所有信息的完全准确性；报告中提供的包括但不限于数据、观点、文字等信息不构成任何法律证据；

3、如果报告中的研究对象发生变化，我们将不另行通知。

参考文献：

1.深圳中企智业投资咨询有限公司.人工智能市场环境及影响分析[EB/OL].（2017-04-06）[2018-05-04].

https://wenku.baidu.com/view/c57ea90415791711cc7931b765ce05087632752f.html

2.工业智能化.张钹院士：基于大数据的人工智能[EB/OL].（2017-07-24）[2018-05-04].

http://www.sohu.com/a/159581640_772730   

3.中国产业信息网.2017年中国人工智能行业发展现状分析及未来发展前景预测[EB/OL].（2017-10-25）[2018-05-04].

http://www.chyxx.com/industry/201710/575938.html

4.中国产业信息网.2017-2023年中国人工智能行业分析及投资战略研究报告[EB/OL].（2017-07）[2018-05-04].

http://www.chyxx.com/research/201707/544717.html

5.集微网.盘点人工智能芯片中的中国力量[EB/OL].（2018-01-01）[2018-05-04].

http://www.eepw.com.cn/article/201801/373843.htm

6.信息学竞赛.2017全球人工智能人才报告发布,人才紧缺成为行业现状[EB/OL].（2017-12-16）[2018-05-04].

http://www.sohu.com/a/210900680_821349

7.物联网资本论.人工智能芯片竞争格局，主要有三个赛道[EB/OL].（2018-03-21）[2018-05-04].

http://www.elecfans.com/d/650373.html

8.厚势公众号.得芯片者得天下 梳理AI领域产业生态[EB/OL].（2017-10-16）[2018-05-04].

http://www.afzhan.com/news/detail/dy60699_p1.html

9.机器人网mp.全球60家无人驾驶核心公司竞争力排行和解读[EB/OL].（2017-4-18）[2018-05-04].

http://www.sohu.com/a/134780610_468638

10.亿欧.盘点五大巨头无人驾驶新格局[EB/OL].（2017-03-30）[2018-05-04].

https://www.iyiou.com/p/42139

健和投资竭诚为您服务，长按以下二维码关注和咨询。