人工智能行业初步研究

一、智能行业综述

1、AI的描述

AI是指使用机器代替人类实现感知、认知、分析、决策等功能，本质是对人的意识思维与动作的模拟（即人类对一件具体事情的处理的一系列过程的模仿）

2、AI的历史发展

3、行业驱动力（数据、算法、计算力）

1.数据量

PC互联网时代和移动互联网以及将来的物联网时代产生的海量T级数据将为人工智能发展提供燃料

2.算法

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如神经网络的反响传播算法（BP算法）、支撑向量机（SVM）、Boosting、Logistic Regression等。这些算法对复杂函数的表示能力有限，对复杂数据的处理也有限。

深度学习突破人工智能算法瓶颈，未来将就主要的监督学习、非监督学习和增强学习等三个方面的算法展开竞争。而正是算法层面的突破造就了腾讯优图、科大讯飞和格灵深瞳等企业在图像识别和计算机视觉领域取得了突破。

3.计算力

提高机器的感知能力除了算法之外，计算力的提升也将大大提高准确率。计算力有三个方面：芯片、超级计算机、云计算。

芯片：继CPU后

GPU  ：运用于图像识别，继承与制造成熟度高

FPGA：一种更接近于硬件底层架构的芯片，可实现场景的高度定制，适合企业用户

DSP：采用程序和数据分开的哈佛结构提供特殊的DSP指令，可以用来快速的实现各种数字信号处理算法。

ASIC：特定的场景专用类芯片（TPU、NPU）

4、环境

政策：还需要更多落地政策支持

    利好方面：进入国家战略层面。在《国务院关于推进

    “   互联网+”行动的指导意见》中被推上国家战略层面；

    仍待改善：需要更多落地政策。还需要发展资金，人才等方面的政策落地。

经济：互联网经济继续增长

    利好方面：互联网经济继续增长。据艾瑞估算，2015年中国网络经济增长约33%，规模超过千亿；

    利好方面：成为投资热点。2015年人工智能创业公司共获得投资金额约12.6亿。

 社会：国家投入，人才红利

    利好方面：国家科研投入。中国科研投入占全球的20%仅次于美国，信息技术投入占”863计划”15.5%，是国家重点投入的域；

    利好方面：人才红利。中国IT从业人员约有500万，每年50万的毕业生，近5年科研人员保持20%的增长，给行业带来人才红利。

 技术：借鉴国外技术，取得一定突破，论文成果达到国际一线水平，企业积极应用创新性成果

利好方面：目前在视觉识别、语音识别等领域实现技术突破处于国际领先水平；

仍待改善：核心算法及未来发展仍待突破。

5、产业链

产业链可分为基础支撑层、技术应用层和方案集成层

基础支撑层：数据与算法，让机器读懂和看懂世界

数据的采集

与整理

算法：

有监督学习:决策树、朴素贝叶斯分类器、最小二乘法逻辑回归、支持向量机（SVM）、集成学习、

无监督学习：聚类算法、主成分分析（PCA）、SVD矩阵分解、独立成分分析(ICA)

增强学习

技术应用层：AI芯片、传感器、技术平台

方案集成层：AI+金融、AI+安防、AI+医疗、AI+教育、AI+家居、

AI+驾驶

二、巨头及国内公司的分布

1、巨头布局

2、国内主要创业公司（独角兽）

三、市场分析及投资

1、市场规模

未来五年，我国人工智能市场空间广阔，发展速度远超全球。2020年全球AI 市场规模将达到1190 亿元，年复合增速约19.7%；同期，中国人工智能增速将达91 亿元，年复合增速超50%，远超全球增速。

（1）中国AI市场

（2）语音市场

根据《中国智能产业发展白皮书》预测，2016与2017年语音识别技术市场的同比增速将分别达到约47%和70%。百度、Google、Sound Hound等国际巨头的语音识别准确率在2015 年便均已超过90%；以2016第四届CHiME Challenge结果来看，绝大部分参赛团队在六麦克风条件下识别错误率已低于7%，国内龙头科大讯飞甚至已降至2.24%，准确率正在接近99%的人际交互质变阈值。

（3）人脸识别市场

对于计算机视觉，我们预计正确率已超过人眼的人脸识别技术仍将是应用层面的主要关注点，市场增速将在较高水平保持平稳。根据《中国人脸识别行业研究及发展趋势预测》，未来五年人脸识别市场规模将保持20-30%区间的高速增长水平。

2、投资分析

1、融资规模与成立公司数量总览

据Venture  Scanner统计，截止2016年，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。而人工智能创投金额在5年内增长了12倍。

2、国内投资

（1）2015年—2016年共有226家公司获投，平均单个为4000万元；

（2）投资分析：智能安防和智能家居为平均单个获投金额最高；

（3）投资比例：机器人，CV、NLP为获投公司最多的相关领域；

（4）融资轮次：公司集中在Pre-A、A轮、C轮占比

四、应用领域

1、AI+金融

1、技术与应用场景

技术：NLP、ML、DL、CV、知识图谱、人脸识别

场景：智能投顾、征信、风口经、身份验证、智能客服

2、典型应用场景

2、AI+安防

1、领域：

3、AI+医疗

1、技术与应用

（1）机器代替医生完成部分工作，提高效率，降低成本

（2）通过AI手段提高患者自查率，更早发现，更好管理疾病

2、场景应用

1、医疗机器人:审批严格，发展起来缓慢，但市场大，康复类护理将得到较大发展；

2、医疗影像：分析判断医学影像，数据量为瓶颈；

3、远程问诊：用户个人数据，身体信息诊疗，人工为主，机器人为辅，正逐渐成为主要场景

4、药物挖掘：通过DL对药物的筛选及副作用，优化购销关系，结合医院快速寻找病症对症下药。

4、AI+家居

1、市场规模：

基于物联网技术，软硬件、云计算平台构成的家居生态实现人远程监控、设备互联互通、分析用户行为习惯。

2、渗透率：

总体智能家居渗透率不到5%。智能照明、音响、摄像头在1%左右、智能门禁因市场特殊，只能与酒店，房地产，开发商，渗透率<1%更低。

3、家居产品：

控制主机、照明、电气控制、音响、影院、遮阳、控制门窗、防盗监控、家庭监控、对讲系统、家电、硬件、能源管控、自动抄表、家居软件、家居布线、网络控制、花草浇灌、宠物照料。

4、产业分布：

上游芯片为关键；未来将会形成巨头联盟

中游：解决方案提供商是未来关键

下游：产业化最大、互联网化最高

五、问题及未来机会

1、目前的技术瓶颈

1、无论是监督学习”（supervisedperception），亦或者是“强化学习”（reinforcementlearning），它们都需要大量的数据进行支撑，而且在提前计划上面表现的非常差，只能做某些最简单直接的模式辨认工作。

2、数据质量的不稳定性带来的是：不可靠、不准确，以及不公平。

3、认知层面的知识表达、信息补足瓶颈仍待突破。

4、AI如何思考将是重大难点。

2、解决之法

1、数据的准确性

依托于被标注的数据利用知识图谱和强化学习来解决认知层面的问题

2、认知层面的算法仍需突破

如关于语义网的研究，自然语言理解、机器学习、人机交互都很重要。最后，任何一种学习算法都有自己的优势和局限，所谓的解决一切问题的终极算法，很有可能是对现有算法的兼容并包。当然，如何让各算法相遇相融并在不大幅降低效率的前提下提升通用性，仍是一个非常复杂难题。

3、知识学科之间的相互融合

在计算机科学、人工智能、运筹学、博弈论等诸多学科领域的综合与交叉中，一个个贴合实际业务场景的解决方案应运而生，使得商业智能切实优化企业决策方式，助力业务增长。

4、技术以外，对场景的理解是产业升级的关键

在工业实践中，对具体业务场景的理解与对实际问题的界定，与采用何种模型、算法同等重要，前者在很大程度上决定了后者是否能够有效降低企业运营成本或者帮助相关业务增加收入，这是技术能够落地、产业得以升级的关键。

5、智能的落地是一项系统工程，企业的工程实践能力有待增强

商业智能业务应用的落地需要建立在完善的数据整合、管理之上，再由相应的算法、模型基于高效的计算框架将数据转化

为可视化的业务规律，进一步驱动或直接生成企业决策，因此商业智能是一项系统工程，算法设计、架构搭建、系统配合、

流程控制、质量监督、危机处理等缺一不可，项目工程经验非常重要。

3、未来应用场景

1、无人驾驶中的车可能变得不像车而是一个移动星巴克（结合咖啡）、家庭影院（频幕的投放）、移动的购物中心（VR购物）等

2、每天地铁上下班将近每人1小时，大都在玩手机，若有一款智能产品能在地铁两边的地下墙壁上按每人的喜好推荐服务（人工智能结合VR），那么将会有巨大的广告盈利空间。

4、未来机会

1、应用场景创新

目前国内乃至世界都无一款人工智能的落地爆款，人工智能的应用场景落地仍不能更好的结合实际。如智能旅游、智能游戏等。

国内代表公司有：出门问问、彩云天气、格灵深瞳等

2、模式创新

人工智能时代可能爆发新的商业模式，因此模式的创新仍有机会，瞄准人们的刚需来创新模式，如未来的人际交互，人用语音交互于机器，而机器用图像交互于人类。

3、信息的管理

智能化时代需要大量的信息，包括个人信息，然目前尚无信息的量化管理制度，部分隐秘信息掌握在政府手里，未来用户信息的管理可建立规章流程并将权利交于用户手上，公司或者国家代为保管。

17人点赞

日记本