人工智能行业研究报告

投资要点

---

 

 

摘要

近几年来，人工智能行业飞速发展。麦肯锡预测人工智能可在未来十年为全球 GDP 增长贡献 1.2 个百分点，为全球经济活动增加 13 万亿美元产值，其贡献率可以与历史上第一次“工业革命”中蒸汽机等变革技术的引入相媲美。在这篇报告里，我们分析了 AI 芯片、计算机视觉、语音语义、传感器及机器人等四大人工智能技术在医疗、金融、零售、教育、智能家居、智能制造（工业互联网）、安防、汽车等几大行业应用前景。并最终选取了AI芯片、计算机视觉、安防、医疗、智能制造作为未来几年我们关注和投资的方向。

芯片的投资机会：看好 AI 推理芯片。AI 芯片是人工智能发展的基础。我们预计 AI 芯片市场的规模在未来 5 年有接近 10 倍的增长。2022 年将达到 352 亿美元，

算法公司的投资机会：看好计算机视觉公司。计算机视觉是人工智能在中国落地最顺利的技术。除了拥有移动互联网、安防、零售等丰富的场景以外，各个场景之间技术难易度不同，商汤，旷视，依图等算法公司容易提供差异化服务，体现企业价值。语音算法公司面临的问题是，语音识别已经成熟，除了电子病历等少数场景，算法企业很难差异化，语义识别（自然语言处理）技术目前还不成熟，智能客服很难完全满足要求。

行业应用的投资机会 : 根据所应用技术的成熟度，以及落地的客观难度，我们更加看好人工智能在安防、医疗、智能制造领域的落地机会。其中，安防是中国 AI 落地速度最快的赛道之一。随着计算机视觉技术的进步，AI 在安防行业的落地场景从最初的（1）身份证人脸识别等 1:1 比对，（2）智能门禁系统等静态人脸识别，向（3）重点场所监控等动态人脸识别，以及（4）体态识别和行为预测发展。安防解决方案也从传统的前后端系统向视频云服务方向发展，吸引华为等设备厂商、阿里等云服务厂商、以及商汤旷视等视觉算法初创公司加入。

风险：人工智能技术发展不及预期；人工智能技术在各行业落地不及预期；软件盗版风险；核心技术迭代较快。

 

一、人工智能概述

1.1人工智能的定义

广义的人工智能就是创造出能像人类一样思考的机器，它不仅是科幻电影喜闻乐见的主题，更是科学极客们的终极梦想，是技术狂不切实际、异想天开的代名词。

而狭义的人工智能，美国斯坦福大学人工智能研究中心尼尔逊教授就给下了这样一个定义：“人工智能是关于知识的学科，是怎样表示知识以及怎样获得知识并使用知识的科学。从人工智能实现的功能来定义是智能机器所执行的通常与人类智能有关的功能，如判断、推理、证明、识别学习和问题求解等思维活动。这些反映了人工智能学科的基本思想和基本内容，即人工智能是研究人类智能活动的规律。若是从实用观点来看，人工智能是一门知识工程学：以知识为对象，研究知识的获取、知识的表示方法和知识的使用。”

1.2人工智能发展的路线图

1.2.1人工智能的发展历程

时至今日，人工智能发展日新月异，此刻AI已经走出实验室，离开棋盘，已通过智能客服、智能医生、智能家电等服务场景在诸多行业进行深入而广泛的应用。可以说，AI正在全面进入我们的日常生活，属于未来的力量正席卷而来。让我们来回顾下人工智能走过的曲折发展的60年历程中的一些关键事件：

1946年，全球第一台通用计算机ENIAC诞生。它最初是为美军作战研制，每秒能完成5000次加法，400次乘法等运算。ENIAC为人工智能的研究提供了物质基础。

1950年，艾伦·图灵提出“图灵测试”。如果电脑能在5分钟内回答由人类测试者提出的一些列问题，且其超过30%的回答让测试者误认为是人类所答，则通过测试。这边论文语言了创造出具有真正智能的机器的可能性。

1956年，“人工智能”概念首次提出。在美国达特茅斯大学举行的一场为其两个月的讨论会上，“人工智能”概念首次被提出。

1959年，首台工业机器人诞生。美国发明家乔治·德沃尔与约瑟夫·英格伯格发明了首台工业机器人，该机器人借助计算机读取示教存储程序和信息，发出指令控制一台多自由度的机械。它对外界环境没有感知。

1964年，首台聊天机器人诞生。美国麻省理工学院AI实验室的约瑟夫·魏岑鲍姆教授开发了ELIZA聊天机器人，实现了计算机与人通过文本来交流。这是人工智能研究的一个重要方面。不过，它只是用符合语法的方式将问题复述一遍。

1965年，专家系统首次亮相。美国科学家爱德华·费根鲍姆等研制出化学分析专家系统程序DENDRAL。它能够分析实验数据来判断未知化合物的分子结构。

1968年，首台人工智能机器人诞生。美国斯坦福研究所（SRI）研发的机器人Shakey，能够自主感知、分析环境、规划行为并执行任务，可以柑橘人的指令发现并抓取积木。这种机器人拥有类似人的感觉，如触觉、听觉等。

1970年，能够分析语义、理解语言的系统诞生。美国斯坦福大学计算机教授T·维诺格拉德开发的人机对话系统SHRDLU，能分析指令，比如理解语义、解释不明确的句子、并通过虚拟方块操作来完成任务。由于它能够正确理解语言，被视为人工智能研究的一次巨大成功。

1976年，专家系统广泛使用。美国斯坦福大学肖特里夫等人发布的医疗咨询系统MYCIN，可用于对传染性血液病患诊断。这一时期还陆续研制出了用于生产制造、财务会计、金融等个领域的专家系统。

1980年，专家系统商业化。美国卡耐基·梅隆大学为DEC公司制造出XCON专家系统，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。

1981年，第五代计算机项目研发。日本率先拨款支持，目标是制造出能够与人对话、翻译语言、解释图像，并能像人一样推理的机器。随后，英美等国也开始为AI和信息技术领域的研究提供大量资金。

1984年，大百科全书（Cyc）项目。Cyc项目试图将人类拥有的所有一般性知识都输入计算机，建立一个巨型数据库，并在此基础上实现知识推理，它的目标是让人工智能的应用能够以类似人类推理的方式工作，成为人工智能领域的一个全新研发方向。

1997年，“深蓝”战胜国际象棋世界冠军。IBM公司的国际象棋电脑深蓝DeepBlue战胜了国际象棋世界冠军卡斯帕罗夫。它的运算速度为每秒2亿步棋，并存有70万份大师对战的棋局数据，可搜寻并估计随后的12步棋。

2011年，Watson参加智力问答节目。 IBM开发的人工智能程序“沃森”（Watson）参加了一档智力问答节目并战胜了两位人类冠军。沃森存储了2亿页数据，能够将于问题相关的关键词从看似相关的答案中抽取出来。这一人工智能程序已被IBM广泛应用于医疗诊断领域。

2016~2017年，AlphaGo战胜围棋冠军。AlphaGo是由Google DeepMind开发的人工智能围棋程序，具有自我学习能力。它能够搜集大量围棋对弈数据和名人棋谱，学习并模仿人类下棋。DeepMind已进军医疗保健等领域。

2017年，深度学习大热。AlphaGoZero（第四代AlphaGo）在无任何数据输入的情况下，开始自学围棋3天后便以100:0横扫了第二版本的“旧狗”，学习40天后又战胜了在人类高手看来不可企及的第三个版本“大师”。

图表1：人工智能发展历史

 

 

资料来源：凯联资本投研部

1.2.2人工智能的技术流派

在人工智能发展历程中研究者们形成了多个思维学派。主要包括：符号主义、连接主义、行为主义。

符号主义认为人工智能源于数理逻辑。数理逻辑从19世纪末起得以迅速发展，到20世纪30年代开始用于描述智能行为。计算机出现后，又再计算机上实现了逻辑演绎系统。其有代表性的成果为启发式程序LT逻辑理论家，证明了38条数学定理，表了可以应用计算机研究人的思维多成，模拟人类智能活动。正是这些符号主义者，早在1956年首先采用“人工智能”这个术语。后来又发展了启发式算法->专家系统->知识工程理论与技术，并在20世纪80年代取得很大发展。符号主义曾长期一枝独秀，为人工智能的发展作出重要贡献，尤其是专家系统的成功开发与应用，为人工智能走向工程应用和实现理论联系实际具有特别重要的意义。在人工智能的其他学派出现之后，符号主义仍然是人工智能的主流派别。这个学派的代表任务有纽厄尔(Newell)、西蒙(Simon)和尼尔逊(Nilsson)等。

连接主义认为人工智能源于仿生学，特别是对人脑模型的研究。它的代表性成果是1943年由生理学家麦卡洛克(McCulloch)和数理逻辑学家皮茨(Pitts)创立的脑模型，即MP模型，开创了用电子装置模仿人脑结构和功能的新途径。它从神经元开始进而研究神经网络模型和脑模型，开辟了人工智能的又一发展道路。20世纪60~70年代，连接主义，尤其是对以感知机(perceptron)为代表的脑模型的研究出现过热潮，由于受到当时的理论模型、生物原型和技术条件的限制，脑模型研究在20世纪70年代后期至80年代初期落入低潮。直到Hopfield教授在1982年和1984年发表两篇重要论文，提出用硬件模拟神经网络以后，连接主义才又重新抬头。1986年，鲁梅尔哈特(Rumelhart)等人提出多层网络中的反向传播算法(BP)算法。此后，连接主义势头大振，从模型到算法，从理论分析到工程实现，伟神经网络计算机走向市场打下基础。现在，对人工神经网络(ANN)的研究热情仍然较高，但研究成果没有像预想的那样好。

行为主义 认为人工智能源于控制论。控制论思想早在20世纪40~50年代就成为时代思潮的重要部分，影响了早期的人工智能工作者。维纳(Wiener)和麦克洛克(McCulloch)等人提出的控制论和自组织系统以及钱学森等人提出的工程控制论和生物控制论，影响了许多领域。控制论把神经系统的工作原理与信息理论、控制理论、逻辑以及计算机联系起来。早期的研究工作重点是模拟人在控制过程中的智能行为和作用，如对自寻优、自适应、自镇定、自组织和自学习等控制论系统的研究，并进行“控制论动物”的研制。到20世纪60~70年代，上述这些控制论系统的研究取得一定进展，播下智能控制和智能机器人的种子，并在20世纪80年代诞生了智能控制和智能机器人系统。行为主义是20世纪末才以人工智能新学派的面孔出现的，引起许多人的兴趣。这一学派的代表作者首推布鲁克斯(Brooks)的六足行走机器人，它被看作是新一代的“控制论动物”，是一个基于感知-动作模式模拟昆虫行为的控制系统。

1.3人工智能发展的条件

1.3.1算法的演进

人工智能、机器学习和深度学习三者之间的关系，后者属于前者。时下火热的深度学习是机器学习下的一分支，其所搭建的多层神经网络，其实是由最早的神经元模型演化而来的。

图表2：人工智能、机器学习和深度学习三者之间的关系

 

 

资料来源：凯联资本投研部

人工智能算法发展至今不断创新，学习层级不断增加。学术界早期研究重点集中在符号计算，人工神经网络在人工智能发展早期被完全否定，而后逐渐被认可，再成为今天引领人工智能发展潮流的一大类算法，显现出强大的生命力。目前流行的机器学习以及深度学习算法实际上是符号学派、控制学派以及连接学派理论的进一步拓展。

图表3：人工智能算法演进

 

 

资料来源：凯联资本投研部

1.3.2算力的提升

人工智能算法的实现需要强大的计算能力支撑，特别是深度学习算法的大规模使用，对计算能力提出了更高的要求。2015年起人工智能迎来了真正的大爆发，这在很大程度上与GPU的广泛应用有关。在此之前，硬件算例并不能满足人工智能计算能力的需求，当GPU与人工智能结合后，人工智能才迎来了真正的高速发展，因此硬件算力的提升是AI快速发展的重要因素之一。

图表4：人工智能算力发展情况

 

资料来源：中国信息通信研究院，凯联资本投研部

 

图表5：人工智能高性能计算单元

 

 

资料来源：互联网，凯联资本投研部

近年来，新型高性能计算架构成为人工智能技术演进的催化剂，随着人工智能领域中深度学习浪潮的涌现，计算芯片的架构逐渐向深度学习应用优化的趋势发展，从传统 的CPU为主GPU为辅的英特尔处理器转变为GPU为主CPU为辅的结构。2017年，NVIDIA推出的新一代图形处理芯片TESLA V100，主要用于研究基于深度学习的人工智能。针对谷歌开源深度学习框架TensorFlow，谷歌推出为机器学习定制的TPU。

图表6：Tesla V100训练与推理性能对比

 

 

资料来源：NVIDIA官网

人工智能发展急需核心硬件升级，人工智能芯片创新加速，计算创新成为布局重点。现有芯片产品在基础能力上无法满足密集线性代数和海量数据高吞吐需求，亟需解决云端的高性能和通用性，终端的高能效和低延时等问题。

从人工智能芯片所处的发展阶段来看，CPU\GPU和FPGA等通用芯片是目前人工智能领域的主要芯片，而针对神经网络算法的专用芯片ASIC也正在被Intel、Google、NVIDIA和众多初创公司陆续推出，并有望将在今后数年内取代当前的通用芯片成为人工智能芯片的主力。

 

1.3.3数据的支撑

从软件时代到互联网，再到如今的大数据时代，数据的量和复杂性都经历了从量到质的改变，大数据引领人工智能发展进入重要战略窗口。

数据是人工智能发展的基石，人工智能的核心在于数据支持。从发展现状来看，人工智能技术取得突飞猛进得益于良好的大数据基础，海量数据为训练人工智能提供了原材料。根据We Are Socal 2018年第三季度全球数字统计报告显示，全球互联网用户数已经突破了41亿，全球独立移动设备用户渗透率达到了总人口的67%。

要理解数据量的重要性，得先从算法说起。数据量和算法可以分别比作人工智能的燃料和发动机。算法是计算机基于所训练的数据集归纳出的识别逻辑，好的算法模型可以实现精准的物体和场景识别。数据集的丰富性和大规模性对算法训练尤为重要。因此可以说，实现机器精准视觉识别的第一步，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。

大数据是人工智能发展的助推剂，这是因为有些人工智能技术使用统计模型来进行数据的概率推算，比如图像、文本或者语音，通过把这些模型暴露在数据的海洋中，使他们得到不断优化，或者称之为“训练”。有了大数据的支持，深度学习算法输出结果会随着数据处理量的增大而更加准确。数据集的丰富性和大规模性对算法训练尤为重要，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。

 

 

2000年以来，得益于互联网、社交媒体、移动设备和廉价的传感器，这个世界产生并存储的数据量急剧增加，这为通过深度学习的方法来训练计算机视觉技术提供很好的土壤。IDC数据显示，从2011年起，全球所产生的数据量已达到ZB级别（1ZB约为10亿GB )，海量的数据将为计算机视觉算法模型提供远远不断的素材。而关于数据量对提高算法准确率方面的重要性，更有学者提出：“It’s not who has the best algorithm that wins. It’s who has the most data. ”

由学术及研究机构承担建设的公共数据集不断丰富，推动初创企业成长。公告数据集一般用作算法测试集能力竞赛，质量较高，为创新创业和行业竞赛提供优质数据，给初创企业带来必不可少的资源。

行业数据集是企业的核心竞争力，行业数据集与产业结合紧密，各个公司的自建数据集属于企业的核心竞争力。数据服务产业快速发展，主要包括数据及建设、数据清洗、数据标注等。

图表7：全球部分人工智能公共数据集情况

 

 

资料来源：中国信息通信研究院，凯联资本投研部

图表8：行业数据库分类

 

 

资料来源：中国信息通信研究院，凯联资本投研部

二、人工智能产业环境分析

2.1产业政策

人工智能的迅速发展将深刻改编人类社会和世界的面貌，为了抓住人工智能发展的战略机遇，越来越多的国家和组织已争相开始制定国家层面的发展规划。

图表9：各国人工智能产业政策

 

 

资料来源：中国信息通信研究院，凯联资本投研部

2017年3月5日，国务院总理李克强发表2017年政府工作报告，指出要加快培育壮大包括人工智能在内的新兴产业，“人工智能”首次被写入了全国政府工作报告，这意味着人工智能已上升为国家战略。

2017年7月20日，国务院出台《新一代人工智能发展规划》，提出了面向2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施。《规划》提出坚持科技引领、系统布局、市场主导、开源开放的基本原则和三步走的战略目标，部署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。

2017年11月15日，科技部召开《新一代人工智能发展规划》暨重大科技项目启动会，会上宣布了首批四家国家新一代人工智能开放创新平台名单，明确依托科大讯飞建设智能语音国家新一代人工智能开放创新平台。

2017年12月13日，工业和信息化部印发《促进新一代人工智能产业发展三年行动计划（2018-2020年）》，明确了人工智能2018-2020年在推动战略性新兴产业总体突破、推进供给侧结构性改革、振兴实体经济、建设制造强国和网络强国方面的重大作用和具体目标。

2018年3月5日，国务院总理李克强在十三届全国人大一次会议作政府工作报告时表示，要加强新一代人工智能研发应用，在医疗、养老、教育、文化、体育等多领域推进“互联网+”，这是继2017年之后，“人工智能”再次被写入政府工作报告。

3.2经济环境

互联网经济继续增长，2015年中国网络经济增长约33%，规模超千亿，2016年人工智能领域投资接近16亿美元，2017年中国人工智能领域投资金额超过580亿人民币，同比增长50%。

3.3社会环境

中国科研投入占GDP20%仅次于美国，信息技术投入占“863计划”15.3%，是国家重点揉入领域，中国IT从业人员约有500万，每年50万的毕业生，近五年科研人员保持20%的增长，给行业带来人才红利。

3.4技术环境

3.4.1专利

1999年至2017年，全球人工智能领域中图像识别、生物特征识别、语音识别、自然语言处理、机器学习等关键技术分支的发明申请及授权专利数量（合并同族后）超过10万项。中国人工智能专利申请和授权量自2010年开始逐年增加，自2014年开始实现快速增长。

图表10：全球人工智能相关专利申请趋势

 

 

资料来源：凯联资本投研部

对比全球各国人工智能专利数量，中国、美国和日本专利申请数量领先，中国已超过美国成为AI领域专利申请量最高的国家。中、美、日三国专利申请总量占全球AI专利的75%.

图表11：全球人工智能专利申请地域分布

 

 

资料来源：凯联资本投研部

图表12：全球人工智能相关专利主要申请人

 

 

资料来源：凯联资本投研部

3.4.2 论文

1998至2018年间，全球人工智能领域论文、期刊数量大幅增长，总数量63万篇，年复合增长率达到11.59%。2017年web of science核心集合收录的全球人工智能论文、期刊等学术发表物达到6.51万份。其中，中国（含港澳台地区）人工智能论文、期刊等学术发表物达到1.73万份，年复合增长率达到24.32%。中国AI论文全球占比由1998年的5.52%提升到2017年的26.63%，说明中国在人工智能科研领域实力大幅增长。

图表13：全球、中国人工智能论文申请趋势

 

 

资料来源：凯联资本投研部

3.4.3科研环境

全球的科学、技术、工程和数学领域（stem）毕业生每年都在增加，中国局世界首位。根据世界经济论坛报道，2016年中国有470万毕业生来自stem领域。此外，中国每年总共有3万名stem博士毕业生。位于中国之后，排名第二的国家是印度。印度在2016年有260万stem毕业生，包括本土和海外的留学生毕业生。不仅在stem毕业生总数上，在海外读书的留学生数量上，印度同样仅次于中国位于全球第二，且其中有26%的留

学生在学习计算机科学和数学专业。

三、人工智能产业链

从产业链来看，人工智能可以分为技术支撑层、基础应用层和产品层,各层面环环相扣，基础层和支撑层提供技术运算的平台、资源、算法，应用层的发展离不开技术的应用。

图表14：人工智能产业链

 

 

资料来源：凯联资本投研部

基础层分为硬件和软件。硬件即具备储存、运算能力的芯片，以及获取外部数据信息的传感器；软件则为用以计算的大数据。

技术层主要是人工智能技术，能够用于解决不同类别的问题。人工智能算法主要是机器学习的算法，含有线性模型、逻辑回归、决策树模型、支持向量机、贝叶斯分类器、聚类算法等广泛用于统计分类的方法；近年来开发出的且最为广泛使用的是神经网络的深度学习算法，具体可分为 CNN、RNN、GAN，神经网络算法与传统的统计分类算法具备不一样的算法设计思路。 按照不同技术解决的不同问题，技术层在行业划分中往往会按照解决问题导向划分领域，如 语音识别、机器视觉、自然语言处理、数据挖掘、自动控制等，当前最广泛解决的问题主要为 语音识别、自然语言处理、机器视觉、数据挖掘。

应用层则是将算法技术运用到具体的商业应用场景中，能够模拟人类且比人类更加高效的解决问题。人工智能的应用领域与应用程度取决于相应选择的算法以及算法的成熟程度。

3.1基础层

基础层分为硬件和软件。硬件即具备储存、运算能力的芯片，以及获取外部数据信息的传感器；软件则为用以计算的大数据。 这里我们着重分析硬件部分的智能芯片。

3.1.1智能芯片

按技术架构来看，智能芯片可分为通用类芯片（CPU、GPU、FPGA）、基于FPGA的半定制化芯片、全定制化ASIC芯片、类脑计算芯片（IBMTureNorth）。对于绝大多数智能需求来说，基于通用处理器的传统计算机成本高、功耗高、体积大、速度慢，难以接受。因此以CPU、GPU、FPGA、ASIC和类脑芯片为代表的计算芯片以高性能计算能力被引入深度学习。

图表15：AI半导体分类

 

 

资料来源：谷歌，凯联资本投研部

图表16：2017年各AI企业公开芯片数据

 

 

资料来源：中国科学院自动化研究所，凯联资本投研部

(1)GPU

大规模数据量下，传统 CPU 运算性能受限。遵循的是冯诺依曼架构，其核心就是：存储程序，顺序执行。随着摩尔定律的推进以及对更大规模与更快处理速度的需求的增加，CPU 执行任务的速度受到限制。GPU 在计算方面具有高效的并行性。用于图像处理的 GPU 芯片因海量数据并行运算能力，被最先引入深度学习。CPU 中的大部分晶体管主要用于构建控制电路（如分支预测等）和 Cache，只有少部分的晶体管来完成实际的运算工作。GPU 与 CPU 的设计目标不同，其控制电路相对简单，而且对 Cache 的需求较小，所以大部分晶体管可以组成各类专用电路和多条流水线，使 GPU 的计算速度有了突破性的飞跃，拥有惊人的处理浮点运算的能力。

图表17：GPU与CPU结构对比

 

 

资料来源：谷歌，凯联资本投研部

2. FPGA

FPGA（可编程门阵列，Field Programmable Gate Array）是一种集成大量基本门电路及存储器的芯片，最大特点为可编程。可通过烧录 FPGA 配置文件来来定义这些门电路及存储器间的连线，从而实现特定的功能。此外可以通过即时编程烧入修改内部逻辑结构，从而实现不同逻辑功能。FPGA 具有能耗优势明显、低延时和高吞吐的特性。不同于采用冯诺依曼架构的 CPU 与GPU，FPGA 主要由可编程逻辑单元、可编程内部连接和输入输出模块构成。FPGA 每个逻辑单元的功能和逻辑单元之间的连接在写入程序后就已经确定，因此在进行运算时无需取指令、指令译码，逻辑单元之间也无需通过共享内存来通信。因此，尽管 FPGA 主频远低于 CPU，但完成相同运算所需时钟周期要少于 CPU，能耗优势明显，并具有低延时、高吞吐的特性。

图表18：FPGA结构图

 

 

资料来源：谷歌，凯联资本投研部

3. ASIC

ASIC 芯片是专用定制芯片，为实现特定要求而定制的芯片。除了不能扩展以外，在功耗、可靠性、体积方面都有优势，尤其在高性能、低功耗的移动端。谷歌的 TPU、寒武纪的 GPU，地平线的 BPU 都属于 ASIC 芯片。谷歌的 TPU 比 CPU 和 GPU 的方案快 30-80 倍，与 CPU 和 GPU 相比，TPU 把控制缩小了，因此减少了芯片的面积，降低了功耗。其缺点在于开发周期长、投入成本大，一般公司难以承担。

张量处理器（tensor processing unit，TPU）是 Google 为机器学习定制的专用芯片（ASIC），专为 Google 的深度学习框架 TensorFlow 而设计。与 GPU 相比，TPU 采用低精度（8 位）计算，以降低每步操作使用的晶体管数量。降低精度对于深度学习的准确度影响很小，但却可以大幅降低功耗、加快运算速度。Google 在 2016 年首次公布了 TPU。2017 年公布第二代 TPU，并将其部署在 Google 云平台之上，第二代 TPU 的浮点运算能力高达每秒 180 万亿次。

 

图表19：AI芯片主要性能对比

 

 

资料来源：学术论文，凯联资本投研部

3.1.2智能芯片架构

架构创新是解决成本不断上涨的关键。随着市场对芯片计算能力的需求提高，芯片制造工艺也在不断提高，与之而来的是芯片制造成本不断涨高，解决这个问题的关键则是架构创新。目前 AI 芯片主要架构有 CPU+GPU、CPU+FPGA、CPU+ASIC 等.

图表20：主流AI处理器的制程和架构

 

 

资料来源：电子发烧友，凯联资本投研部

3.1.3智能芯片的应用

深度学习主要分为训练和推断两个环节：在数据训练（training）阶段，大量的标记或者未标记的数据被输入深度神经网络中进行训练，随着深度神经网络模型层数的增多，与之相对应的权重参数成倍的增长，从而对硬件的计算能力有着越来越高的需求，此阶段的设计目标是高并发高吞吐量。

推断（inference）则分为两大类——云侧推断与端侧推断，云侧推断推断不仅要求硬件有着高性能计算，更重要的是对于多指令数据的处理能力。就比如 Bing 搜索引擎同时要对数以万计的图片搜索要求进行识别推断从而给出搜索结果；端侧推断更强调在高性能计算和低功耗中寻找一个平衡点，设计目标是低延时低功耗。

因此从目前市场需求来看，人工智能芯片可以分为三个类别：

1) 用于训练（training）的芯片：主要面向各大 AI 企业及实验室的训练环节市场。目前被业内广泛接受的是“CPU+GPU”的异构模式，由于 AMD 在通用计算以及生态圈构建方面的长期缺位，导致了在深度学习 GPU 加速市场 NVIDIA 一家独大。面临这一局面，谷歌今年发布 TPU2.0 能高效支持训练环节的深度网络加速。我们在此后进行具体分析；

2) 用于云侧推断（inferenceoncloud）的芯片：在云端推断环节，GPU 不再是最优的选择，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”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。但是以谷歌 TPU 为代表的 ASIC 也对云端推断的市场份额有所希冀；

3) 用于端侧推断（inferenceondevice）的芯片：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。我们预计在这个领域的深度学习的执行将更多的依赖于 ASIC。

3.2技术层

3.2.1人工智能技术图谱

图表21：人工智能技术图谱

 

 

资料来源：凯联资本投研部

如前文所述，基础支撑层的算法创新发生在上世纪80年代末，是大数据和计算力将人工智能推到镁光灯之下，而建立在这之上的基础技术便是计算机视觉、语音识别和自然语言理解，机器试图看懂、听懂人类的世界、用人类的语言和人类交流，研究人类智能活动的规律。

3.2.2计算机视觉技术（Computer Vision）

3.2.2.1什么是计算机视觉？

人的大脑皮层的活动， 大约70%是在处理视觉相关信息。视觉就相当于人脑的大门，其它如听觉、触觉、味觉那都是带宽较窄的通道。视觉相当于八车道的高速， 其它感觉是两旁的人行道。如果不能处理视觉信息的话，整个人工智能系统是个空架子，只能做符号推理，比如下棋、定理证明， 没法进入现实世界。计算机视觉之于人工智能，它相当于说芝麻开门。大门就在这里面，这个门打不开, 就没法研究真实世界的人工智能。”

——朱松纯，加州大学洛杉矶分校UCLA统计学和计算机科学教授

根据科普中国撰写的对计算机视觉的定义，这是一门研究如何让机器“看”的科学，更进一步的说，是指用计算机代替人眼对目标进行识别、跟踪和测量的机器视觉，并进一步做图形处理，使计算机处理成为更适合人眼观察或传送给仪器检测的图像。

图表21：计算机视觉 VS 机器视觉

 

 

资料来源：互联网，凯联资本投研部

计算机视觉更关注图像信号本身以及图像相关交叉领域（地图、医疗影像）的研究；机器视觉则偏重计算机视觉技术工程化，更关注广义上的图像信号（激光和摄像头）和自动化控制（生产线）方面的应用。

3.2.2.2计算机视觉识别技术的分类

 

 

物体识别分为“1 VS N”对不同物体进行归类，以及“1 VS 1”对同类型的物体进行区分和鉴别；物体属性识别，结合地图模型让物体在视觉的三维空间里得到记忆的重建，进而进行场景的分析和判断；物体行为识别分为3个进阶的步骤，移动识别判断物体是否做了位移，动作识别判断物体做的是什么动作，行为识别是结合视觉主体和场景的交互做出行为的分析和判断。

3.2.2.3计算机视觉的识别流程

图表22：计算机视觉的识别流程

 

 

资料来源：中国信息通信研究院，凯联资本投研部

计算机视觉识别流程分为两条路线：训练模型和识别图像。

训练模型：样本数据包括正样本（包含待检目标的样本）和负样本（不包含目标的样本），视觉系统利用算法对原始样本进行特征的选择和提取训练出分类器（模型）；此外因为样本数据成千上万、提取出来的特征更是翻番，所以一般为了缩短训练的过程，会人为加入知识库（提前告诉计算机一些规则），或者引入限制条件来缩小搜索空间。

识别图像：会先对图像进行信号变换、降噪等预处理，再来利用分类器对输入图像进行目标检测。一般检测过程为用一个扫描子窗口在待检测的图像中不断的移位滑动，子窗口每到一个位置就会计算出该区域的特征，然后用训练好的分类器对该特征进行筛选，判断该区域是否为目标。

 

3.2.3语音识别（Automatic Speech Recognition）

3.2.3.1什么是语音识别

语音识别是以语音为研究对象，通过信号处理和识别技术让机器自动识别和理解人类口述的语言后，将语音信号转换为相应的文本或命令的一门技术。由语音识别和语音合成、自然语言理解、语义网络等技术相结合的语音交互正在逐步成为当前多通道、多媒体智能人机交互的主要方式。

3.2.3.2语音识别流程

图表23：语音识别流程

 

 

资料来源：凯联资本投研部

语音识别流程分为训练和识别两条线路。

语音信号经过前端信号处理、端点检测等预处理后，逐帧提取语音特征，传统的特征类型包括有MFCC、PLP、FBANK等特征，提取好的特征会送到解码器，在训练好的声学模型、语言模型之下，找到最为匹配的此序列作为识别结果输出。

3.2.4自然语言理解（Natural Language Understanding）

3.2.4.1什么是自然语言理解

自然语言理解即文本理解，和语音图像的模式识别技术有着本质的区别，语言作为知识的载体，承载了复杂的信息量，具有高度的抽象性，对语言的理解属于认知层面，不能仅靠模式匹配的方式完成。

3.2.4.2自然语言理解的应用：搜索引擎+机器翻

自然语言理解最典型两种应用为搜索引擎和机器翻译。

搜索引擎可以在一定程度上理解人类的自然语言，从自然语言中抽取出关键内容并用于检索，最终达到搜索引擎和自然语言用户之间的良好衔接，可以在两者之间建立起更高效，更深层的信息传递。

3.2.4.3自然语言理解技术在搜索引擎中的应用

图表24：自然语言理解技术在搜索引擎中的应用

 

 

资料来源：中国信息通信研究院，凯联资本投研部

图表25：自然语言理解技术在机器翻译中的应用

 

 

资料来源：中国信息通信研究院，凯联资本投研部

事实上搜索引擎和机器翻译不分家，互联网、移动互联网为其充实了语料库使得其发展模态发生了质的改变。互联网、移动互联网除了将原先线下的信息（原有语料）进行在线化之外，还衍生出来的新型UGC模式：知识分享数据，像维基百科、百度百科等都是人为校准过的词条，噪声小；社交数据，像微博和微信等展现用户的个性化、主观化、时效性，可以用来做个性化推荐、情感倾向分析、以及热点舆情的检测和跟踪等；社区、论坛数据，像果壳、知乎等为搜索引擎提供了问答知识、问答资源等数据源。

另一方面，因为深度学习采用的层次结构从大规模数据中自发学习的黑盒子模式是不可解释的，而以语言为媒介的人与人之间的沟通应该要建立在相互理解的基础上，所以深度学习在搜索引擎和机器翻译上的效用没有语音图像识别领域来得显著。

3.3应用层

应用层主要包含基于人工智能技术在消费终端产品的场景应用，其中，提供给消费端的终端产品，包括智能机器人、智能无人机、智能硬件等。重点场景应用包括自动驾驶、智慧医疗、智慧教育、智慧金融、新零售、智慧安防、智慧营销、智慧城市等，基于现有的传统产业，利用人工智能软硬件及集成服务，对传统产业进行升级改造，提高智能化程度。

3.4产业规模

根据赛迪顾问的数据，2018年中国人工智能整体产业规模超过5000亿元，其中人工智能核心产业（芯片、软件、硬件等）规模超过2200亿元，由人工智能应用带动相关产业规模1万亿元。

图表26:2016-2021年中国人工智能整体产业规模

 

 

资料来源：赛迪顾问，凯联资本投研部

四、全球人工智能产业发展及典型企业

4.1基础层及技术层

4.1.1硬件

智能传感器与智能芯片是智能硬件的重要组成部分。如果说智能芯片是人工智能的中枢大脑，那么智能传感器就属于分布着神经末梢的神经元。与传统硬件不同的是，智能传感器是将传统传感器，微处理器及相关电路一体化，形成的具有初级感知处理能力的相对独立的智能处理单元。智能芯片具备高性能的并行计算能力，且同时支持主流人工神经网络算法。目前，智能传感器主要包括有触觉、视觉、超声波、温度、距离传感器等；智能芯片主要包括有GPU、FPGA、ASIC以及类脑芯片等。

Researchandmarkets报告显示：2017年智能传感器全球市场价值为269.06亿美元， 预计到2023年总市场规模达到706.17亿美元，预测期（2018-2023）内复合年增长率17.45%、全球人工智能芯片市场规模预计到2023年将达到108亿美元，在预测期内复合年增长率53.6%。《新一代人工智能发展规划》预计，到2020年，中国智能计算芯片市场规模将达到100亿元。

全球智能硬件市场，霍尼韦尔、bosch、ABB等国际巨头全面布局智能传感器的多种产品类型；在中国，也涌现了汇顶科技的指纹传感器，昆仑海岸的力传感器，但产品布局相对单一。智能芯片反面，在全球有NVIDIA的GPU、谷歌的TPU、英特尔的NNP和VPU、IBM的True North、ARM的DynamIQ、高通的骁龙系列、Imagination的GPU Power VR等主流企业产品；在中国，有华为海思的麒麟系列、寒武纪的NPU、地平线的BPU、西井科技的deepsouth（深南）和deepwell（深井）、云知声的UniOne、阿里达摩院在研的Ali-NPU等。

 

4.1.2计算机视觉

相对于传统视觉技术，人工智能赋能机器视觉技术，使其初步具备了类似人类对图像特征分级识别的视觉感知与认知机理，其具有速度快、精度高、准确性高等一系列优点。

计算机视觉是中国 AI 市场的最大组成部分。根据中国信通院 2018 年 2 月发布的报告数据，2017 年中国人工智能市场中计算机视觉占比 37%，以 80 亿元的行业收入排名第一。安防影像分析是目前计算机视觉最大的应用，据艾瑞咨询预测，2017 年占比约 67.9%。其它主要应用包括广告，互联网等。

最近几年计算机视觉行业实现快速发展的背景是：2015 年基于深度学习的计算机视觉算法在 ImageNet 数据库上的识别准确率首次超过人类，同年 Google 在开源自己的深度学习算法。这些带动中美两国的科学家把计算机视觉算法运用到安防、金融、互联网、物流、零售、医疗、制造业等不同垂直行业。但在实际的运用当中，由于数据可得性，算法成熟度，服务的容错率等因素的影响，落地的速度开始出现分化。移动互联网/安防领跑，零售/物流跟进，医疗/无人驾驶发展较慢。

图表27：各个场景落地速度

 

 

资料来源：凯联资本投研部

图表28：计算机视觉主要应用的数据可得性与技术难度（颜色越深表示容错率越小）

 

 

资料来源：凯联资本投研部

从技术能力上看，其主要实现产业应用中对图像或视频内物体/场景识别、分类、定位、检测、图像分割等功能的需求，因此被广泛应用于实现视频监控、自动驾驶、车辆/人脸识别、医疗影像分析、机器人自主导航、工业自动化系统、航空及遥感测量等领域。Marketsandmarkets报告显示：2017年基于人工智能的计算机视觉全球市场规模为23.7亿美元，预计2023年会达到253.2亿美元。预测期内符合年增长率47.54%。根据前瞻产业研究院报告显示，2017年中国计算机视觉市场规模为68亿元，预计2020年市场规模达到780亿元，年均复合增长率达125.5%。

随着人工智能技术与实体产业的不断融合发展，计算机视觉算法的图像识别能力越来越强，各国也陆续涌现了一大批优秀的计算机视觉公司。在美国，有亚马逊、谷歌、微软、facebook等一批跨国科技企业呈现出从基础层、技术层到应用层的全产业布局的特征；也有一些初创公司专注局部应用领域，诸如cape analytics根据住宅航拍照片实现智能估值，steam、oculus home 和vivepart成为三大主流vr内容分发平台。在中国，一些计算机视觉顶级企业技术专家更多是名门之后，相关产业也已有多年积累，例如商汤科技当前正在为各大智能手机厂商提供AI+拍摄、AR特效与AI身份验证等功能服务；各领深统统是专注视觉算法技术和嵌入式硬件研发技术；Yi+更多的视为商业视觉内容提供智能化分析与推荐服务，云从科技、旷视科技、依图科技等企业也有不同布局。

图表29：中国主要计算机视觉公司业务布局

 

 

资料来源：凯联资本投研部

4.1.3语音识别

智能语音技术是一种可以实现将文本或命令与语音信号相互智能转化的技术，其主要包含语音识别与语音合成。语音识别就好比“机器的听觉系统”，通过识别和理解，把语音信号转变为相应的文本或命令。语音合成就好比“机器的发音系统”，让机器通过阅读相应的文本或命令，将其转化为个性化的语音信号。智能语音技术因其可以实现人机语音交互、语音控制、声纹识别等功能，被广泛应用于智能音箱、语音助手等领域。

语音识别技术已经成熟。传统的语音识别技术基于声学规则（rule-based），2015 年以来，基于“端到端”深度学习的技术逐渐取代了传统模型，在海量语音素材和高性能计算的支撑下技术进步显著，如国内语音巨头科大讯飞在环境较为标准的场景下可以做到 97%的准确率。此外，不同于图像识别，语言拥有特殊的地域性壁垒，国外的科技巨头如谷歌、苹果、微软等，在英文的语音语义识别上有着领先的算法优势。由于中文与英文的巨大差异，导致他们很难在中文上很难与科大讯飞等中国企业竞争。

图表30：中国四家主要语音识别公司业务布局

 

 

资料来源：公司官网，凯联资本投研部

中商产业研究院数据显示：2017年，全球智能语音市场规模为110.3亿美元，同比增长30%。2017年中国智能语音市场规模达到105.7亿元，与2016年相比增长70%。随着智能语音应用产业的拓展，市场需求增大，预计2018年中国智能语音市场规模进一步增长，达到159.7亿元。

目前，智能语音技术在用户终端上的应用最为火热。许多互联网公司纷纷投入人力和菜里展开对此方面的丫妞和应用，目的是通过语音交互的新颖和便利模式迅速占领客户群。在美国，以苹果的Siri，微软pc端的cortana，移动端的微软小冰，谷歌的google now，amazon的echo都是家喻户晓的产品应用；在中国，诸如科大讯飞、思必驰、云知声，以及互联网具有BAT等均深入布局其中。

4.1.4自然语言理解

自然语音处理包含了多种多样的研究方向，其主要包括自然语言理解和自然语音生成。通俗的说，前者是实现计算机“理解”自然语音文本思想或意图；后者是实现计算机用自然语言文本“表述”思想或意图。从应用上看，包括机器翻译、舆情监测、自动摘要、观点提取、字幕生成、文本分类、问题回答、文本语义对比等等。

自然语言理解技术的成熟还有很长的路要走。当自然语言理解后需要执行的是“回答”这一动作时，需要涉及对话管理技术。对话管理技术主要根据当前人机交互中所已知的信息，通过动作候选排序算法选择一个最符合当前状态的回答。目前最新的算法只能做到在较窄的范围内进行简单的问答，要做到通用场景下流畅的人机对话，计算机不但需要理解单句问题的信息，还需要理解问题与问题，问题与答案之间的内在逻辑关系，目前技术成熟还有很长的技术之路要走。

Marketsandmarkets数据显示：全球自然语言处理市场规模预计将从2016年的76.3亿美元增长到2021年的160.7亿美元，复合年增长率16.1%。《中国人工智能发展报告2018》报告显示：2017年中国人工智能市场规模达到237亿元，其中自然语言处理时长占比21%。也就是29.77亿元。目前，已经有许多相关的成熟技术应用产品。如美国的亚马逊、脸书以及中国的今日头条等公司利用自然语言技术实现旗下购物网站，社交平台或新闻平台的产品评论，社区额评论和新闻文章主题分类与情感分析等功能；谷歌、百度、有道等公司应用纯熟并在不断智能升级的在线翻译服务；诸如日本的logbar，中国的科大讯飞与搜狗等企业的随身多语言翻译机等。在基础平台方面，在美国有kareai、linguamatics等，在中国有百度云、腾讯文智、语言云等。舆情监测系统方面应用，包括有美国的xalted的iacuity，中国朝闻天下wom-monitor，创略科技的本果舆情等。

 

4.2产业应用

4.2.1AI+医疗

AI 技术赋能医疗健康领域，使得医疗机构和人员的工作效率得到显著 提高，医疗成本大幅降低，并且可以使人们做到科学有效的日常检测预 防，更好地管理自身健康。

根据信通院 ICT 监测平台数据显示：近几年，AI+ 医疗健康位列 AI+ 垂直应用最热门的领域之一。从应用角度看，智能医疗主要包括医学研究、制药研发、智能诊疗以及家庭健康管理等方面。从技术细分角度看，主要包括使用机器学习技术实现药物性能、晶型预测、基因测序预 测等；使用智能语音与自然语言处理技术实现电子病历、智能问诊、导 诊等；使用机器视觉技术实现医学图像识别、病灶识别、皮肤病自检 等。据麦肯锡预测，到 2025 年，全球智能医疗行业规模将达到总 254 亿美元，约占全球人工智能市场总值的 1/5。中国正处于医疗人工智能的风口，前瞻产业研究院数据显示，2017 年中国医疗人工智能市场规 模超过 130 亿元，并有望在 2018 年达到 200 亿元，医疗人工智能空间广阔。

图表31：人工智能在医疗领域的应用

 

 

资料来源：科大讯飞，IBM 官网，中金公司研究部

影像诊断：AI 技术应用效果显著，数据是发展的重中之重AI+影像诊断是指利用 AI 在计算机视觉和深度学习上的技术优势，辅助医生完成“看片”工作，从而达到提高诊断效率和准确率的目的。现今 AI+影像诊断的主要应用有两个方面：

1. 利用 AI 的计算机视觉能力，对影像数据进行识别获取结构化数据，为医生提供帮助，提高工作效率。2）基于深度学习，通过大量专业、准确数据输入来训练神经网络模型，使其具有诊断疾病的能力，辅助临床诊断，降低漏诊误诊概率。AI 图像诊断目前已在肺部结节检测、糖尿病眼底镜筛查、乳腺癌病灶检测等疾病的辅助诊断中取得显著效果。以腾讯公司研发的“觅影”为例，在一项人机对比实验（对 50 例病人进行判断）中其敏感度和特异度（96%和 88%）均超过了普通医生的平均水平（77%和 81%），并已接近优秀医生的水平，且判断速度快于医生。

中国的发展趋势

随着 AI 图像识别技术的进步，算法结构的技术壁垒在持续下降，已不是难题。在我国若要实现 AI+影像诊断落地，同样需要医疗数据的落实。值得注意的是，在数据归属权方面，与美国完全私有化不同，我国目前实行医疗机构和患者共有制，在数据可获取性上占优。国务院于 2016 年 9 月颁布的《关于促进和规范健康医疗大数据应用发展的指导意见》中明确指出，健康医疗大数据是国家重要的基础性战略资源；2017 年又颁布了《关于促进和规范健康医疗大数据应用发展的指导意见》，规范和推动健康医疗大数据融合共享、开放应用。这样看来，只要是在法律权限设定内，用于医疗业务相关的操作，都有权利获得相关的医疗数据，相比美国，虽然目前影像数据库发展落后，一旦数据建立成体系，可获取性上我国明显占上风。截至目前，由国家卫计委牵头，中国境内已成立三家大数据公司，共同推动国家健康医疗大数据基础设施建设和数据标准化。

AI 有望发挥自身优势，解决我国医疗行业痛点。我国医疗影像行业存在信息化建设程度低、误诊率高、医生严重缺乏等问题亟待解决。据 CHIMA 统计，2015 年我国医院 PACS 系统的渗透率不超过 50%，正处于从胶片影像向电子影像过度的阶段。另据中国医学学会统计，中国临床医疗中每年的误诊人数约为 5,700 万人，总误诊率为 27.8%，主要发生在基层医疗机构。据互联网医疗健康产业联盟统计，医学影像数据年增长率为 63%，而放射科医生数量年增长率仅为 2%，远低于影像数据的增长，存在巨大的缺口。

我国 AI 医疗影像产业链上下游融合，市场参与者众多。AI 医疗影像市场参与者分为以下三类：

► 医疗影像设备商：实现 AI 医疗影像诊断，数据的输入不可或缺，因此医疗影像设备商是整个产业链的第一环。上市公司中，万东医疗、东软集团在医疗影像设备中有先发优势，并积极提供数据分析解决方案。未上市公司中，成立于 2010 年 10 月的上海联影是行业的领先者，其产品遍布 CT/DR/MI/MR 等设备，并成功开发了全球首台全景扫描 PET-CT 设备，打入日本市场。

► 数据采集与汇集：数据是产业链中承上启下的一环，是 AI 医疗影像加速落地的关键。为使相对零散的数据能更成体系，增强数据易获取性，我国政府已在境内牵头成立三家大数据公司，共同推动国家健康医疗大数据基础设施建设。它们分别为中国健康医疗大数据股份有限公司（由中移动、浪潮集团、中国国新、国有银行等参与组建）、中国健康医疗大数据科技发展集团（由东软集团、神州数码、万达信息、易联众、荣科科技、中国信达、中国电信、国有银行等参与组建）和中国健康医疗大数据产业发展有限公司（由中国联通、国家开发投资公司、电子信息产业集团等参与组建）。

► 数据分析：结构化数据和诊断结果均数据分析这一环节给出。阿里巴巴、腾讯等大企业积极在云端布局影像中心，整合多种疾病检测算法，在 AI+医疗领域全面布局。涉足医疗影像外，像依图医疗这类初创公司同样不甘落后，专注于某类或某几类疾病的 AI辅助诊疗。依图医疗深耕 AI+影像诊疗领域，拥有多模态影像智能诊断实力，开发了肺癌影像诊断系统、儿童生长智能发育诊断系统、甲状腺超声智能诊断系统等。

图表32：AI 医疗影像产业链参与者

 

 

资料来源：凯联资本投研部

 

目前，在医学研究和制药研发领域，美国 BergHealth 与 Numerate 用数据驱动药物发现，vion 和 HBI Solution 为医疗机构提供患者疾病 预测和风险分析；智能诊疗领域，IBM Watson 深度聚焦肿瘤领域，并通过收购和合作不断积累医疗数据资源，扩展各领域生态能力。阿里 的“Doctor You”系列产品，腾讯的觅影，依图科技的“care.ai™”以 及 PereDoc 的智能影像辅助诊疗平台实现医学影像辅助诊疗，傅利叶智能的 Fourier X1 实现了中国首款外骨骼机器人。家庭健康管理领 域，WellTok 更关注个人健康管理和生活习惯提升，AiCure 是致力于辅 助用户按时用药，碳云智能打造数字生命健康管理平台。

 

4.2.2AI+金融

AI 技术有望解决传统金融成本高、和客户互动不足、风控滞后等的痛点大量传统金融机构存在成本高企、如何触达客户、提高服务质量和效率，以及如何有效、快速、低成本地控制风险的痛点。传统金融机构的扩张非常依赖线下网点的布局和人工服务，这使得一方面金融机构的服务能力受时间和空间限制，扩张能力不足；另一方面也需要承担更高的人力和运营成本，限制了金融机构经营效益的提升。另外，传统金融机构和客户主要通过在网点进行面对面的互动，显然不符合目前客户触网时间较长、访问金融网点频次快速下降的趋势。最后，金融机构内部会产生大量的实名强行为数据，加之来自合作伙伴和公开渠道的数据，但传统上金融机构很难对这些海量、非结构化的数据进行有效利用。

以 AI 为代表的新一代信息技术，有望凭借对信息数据的理解和处理能力，大幅提高金融机构的服务效率和服务质量，从而不断拓展金融业务的广度和深度。信息革命以来，金融中的销售渠道、客户画像、产品支付、风险控制等各环节都享受到巨大的数字化红利，不管是客户的资产特征、需求状况、风险偏好，还是金融机构触达客户、销售产品的方式，都通过线上实时便捷的实现了数字化，以 AI 技术为代表的信息数据处理能力大大提高了对这些数据的利用效率，使得金融机构能够更充分挖掘数据的内涵，理解客户的特征，从而不断提高金融产品与客户需求的匹配程度，为用户创造更多的金融价值，提高经营效益。

在金融行业，大量非结构化数据在逐渐开始应用 AI 技术。传统金融机构的展业非常依赖结构化的个人资产、市场交易等金融数据，金融机构对客户和金融产品的风险理解能力受到数据规模和数据质量的影响。而 AI 技术的诞生，使得大量社交、电商、市场舆情、物流等非结构化数据也能够逐渐被理解应用，帮助金融机构更好地分析金融风险，匹配资金需求，从而不断提升金融的核心业务价值。

AI 如何拓展金融应用边界：生物识别、客服、用户画像、智能投顾与投研、定损、反欺诈在AI技术蓬勃发展的现阶段，金融行业的各方参与者都在尝试通过AI技术在金融产品研发、运营效率提升、客户服务水平、风控等阶段进行赋能。

图表33：AI 在金融行业的广泛应用场景

 

 

资料来源：平安科技，凯联资本投研部

根据 PwC 2017 Global Digital IQ Survey 调查显示，全球金融服 务领域的信息利用率仅有 26%，在各行业属于偏低水平。根据 MarketsandMarkets 报告显示：人工智能在金融科技的全球市场规模 预计将从 2017 年的 13.38 亿美元增长到 2022 年的 73.06 亿美元，复 合年增长率 40.4%。 《新一代人工智能发展白皮书 (2017)》 预测，2020 年中国智能金融产业规模将达到 8 亿美元。

目前，智能投顾企业主要为一些证券、基金或资产管理牌照经营者转型形成，如美国 Wealthfront、Betterment，中国的理财魔方、京东智 投等；在金融智能客服领域，Digital Genius、网易七鱼、智齿客服等企 业注重提升用户体验；在征信/风控领域，多以政府、企业或个人信息 等基础形成基于大数据智能分析的行业壁垒，如具有消费金融和移 动支付数据的美国金融科技公司 Zest Finance 与 Affirm，具有企业多 维实时动态与全量经营数据的征信平台的启信宝；其他企业应用，诸 如融 360、Data.GOV、DBpedia 等聚焦金融搜索引擎；商汤、云从、依 图、face++ 则依靠其业界领先的人脸识别的核心技术进入身份认证 市场。

 

4.2.3AI+零售

AI 技术赋能零售行业，智能零售以大数据和智能技术驱动市场零售新业态，优化从生产、流通到销售的全产业链资源配置与效率，从而实现产业服务与效能的智能化升级。其商业化应用包括智能营销推荐、智能支付系统、智能客服、无人仓/无人车、无人店、智能配送等等。

应用一：AI 客服替代传统客服，降低人力成本。随着零售行业发展，在线客服需求不断增长。据产业信息网数据，2017 年我国在线客服市场规模 644 亿元，预计到 2019 年市场规模将达到 788 亿元，复合增长率 10.62%。与此同时，传统在线客服存在人工成本高、回复质量难保证等诸多痛点，随着语音识别技术逐步成熟，人工智能基于大数据和深度学习能够有效解决问题，有望逐步取代传统的人工客服，降低人工成本，提升客服效率。

[案例一] 苏宁 Sunny：苏宁易购目前的 SKU 超 4,400 万，开放平台商户约 30,000 家，日常客服会话量超 10 万，存在客服响应不及时、问题解决不彻底等痛点。2017 年苏宁上线智能客服 Sunny，问答准确率达 95%以上，不仅能对语义分析，还实现语境分析、进行多轮深层对话。

[案例二] 阿里小蜜：2015 年阿里推出人工智能私人助理阿里小蜜，在双十一期间，阿里小蜜服务量总计超 600 万，问题解决率达 95%，智能服务占比达到 95%，极大的缓解客服压力，降低人工成本。

应用二：AI 赋能货架管理与场景塑造，打造无人零售新业态。无人零售业态包括开放货架、自动贩卖机、无人便利店和无人超市。据艾瑞咨询数据，2017 年无人零售市场规模接近 200亿，预计 2020 年突破 650 亿，2017-2020 年我国无人零售市场复合增速达 50.9%。现阶段无人零售技术主要分为三类：二维码、RFID 和人工智能技术，前两种技术主要的应用场景是无人收银，提升收银结算效率，而基于人工智能技术的无人零售能显著提升购物体验，降低人力成本、提升运营效率。

[案例一] Amazon Go 无人超市：Amazon Go 无人超市是亚马逊推出的用户体验较好的自动化无人便利店，2018 年 1 月正式向公众开放。Amazon Go 基于人工智能实现即拿即走，其购物流程和应用技术包括：1）通过二维码、NFC 等方式进入；2）基于图像数据和 Amazon Rekognition 深度学习技术体态识别，声音传感器辅助店内定位；3）货架顶部图像传感器、商品下方压力传感器，精准识别商品拿放；4）商场内装有声音传感器，协助确定顾客位置；5）自动追踪商品结算、推送账单。

[案例二] 缤果盒子无人便利店：缤果盒子是国内无人便利店的代表，其能显著提升购物体验。主要优点有：1）丰富：相比 SKU 不足 50 的自动贩卖机，商品种类丰富，SKU达 500-800；2）便捷：24 小时营业，流程简便，仅需注册扫码、选购商品、扫码支付即可完成购物；3）高效：早期安全方案是 RFID 标签和收银台结账等，后推出 AI 识别取代超声波、传感器等方案成本较高的 RFID 标签，降低运营成本，提升用户体验和运营效率。

[案例三] Clobotics 的 AI 货柜管理解决方案：能通过后台智能识别各品牌产品的数量、位置等关键信息，动态分析各合作品牌在货柜上的占比和销售情况，以安排最有利的补库位置，提升无人零售的营销效率。未来超市货柜将不再由人工管理，品牌管理均依靠 AI+机器人即可完成，可降低企业运营成本。此技术中需求大量的机器视觉产品用于数据监控和场景。

应用三：AI 赋能人流管理，保证零售商店最优配置。传统零售行业除了会员卡以外，缺乏有效的手段理解消费者的需求和习惯。海康威视、汇纳科技的人流监控产品，通过对线下客流的实时监控，动态识别商店中人流密度并绘制热图，从而计算出最受欢迎的商品和服务，理解消费者的购物习惯和兴趣。通过计算结果，AI 能够实时调整线下实体店的运营设置，使其始终处于最优配置状态，动态实现人、货、物三者的平衡。

应用四：AI 赋能线下门店，智能化管理带来高效便捷。传统的大型连锁零售企业需要对全国上百家门店进行管理。通过部署大华的智慧零售方案，零售店的员工可以完成精准营销、识别小偷惯犯等行为。查看全国各家门店的数据概览，通过经营数据找出销售不佳的门店。使用远程巡店功能，直接查看各个门店的经营管理、陈列、卫生、服务等情况，并对优劣门店进行实时对比。通过人脸识别技术精准统计出客流数据，并结合门店销售数据，让管理者进行有效的经营状况和 VIP 顾客喜好分析

 MarketandMarkets 报告显示：全球智能零售市场预计将从 2018 年的 130.7 亿美元增长到 2023 年的 385.1 亿美元，预测期 (2018-2023) 内复 合年增长率为 24.12%。在中国，国家统计局数据显示，2017 年底，中国 社会消费品零售总额达到 366,262 亿元，增长 10.2%。罗兰贝格预测，到 2030 年，人工智能技术将为中国零售行业带去约 4,200 亿元人民币的 降本与增益价值。

从目前看，全球智能零售行业参与者主要以电商行业巨头与创业公司为 主。在落地场景上，仍主要以销售端为主。比如无人零售实体店方面， 在美国有 Standard Cognition 无人便利店，以及亚马逊的 Amazon Go 等。在中国，有阿里巴巴的淘咖啡，以及京东 X 无人超市；同时也有深 兰科技、F5 未来商店、缤果盒子等著名创业公司的相关产品。在客户 服务机器人方面，中国有猎豹移动的豹小贩零售机器人，擎朗智能的 花生引领机器人，新松的松果 I 号促销导购机器人等都已在各落地场 景应用。智能零售供应链场景，美国的 UPS 在佛罗里达州测试了无人机送货；沃尔玛的“自提塔”正在全美大范围铺设。在中国，美团点评 推出无人配送开放平台；京东正在打造的以无人配送站、无人仓“亚洲 一号”以及大型货运无人机“京鸿”等为一体的全生态智能零售物流体系。

4.2.4AI+教育

AI 技术赋能教育领域，注重学生个性化的教育，有助于教师因材施教， 提升教学与学习质量，促进教育均衡化、可负担化。目前，智能教育全 面覆盖“教、学、考、评、管”产业链条，并已在幼教、K12、高等教育、职 业教育、在线教育等各类细分赛道加速落地。从应用角度看，智能教育 可分为学习管理、学习评测、教学辅导、教学认知思考四个环节。从细 分领域看，其包括教育评测、拍照答题、智能教学、智能教育、智能阅 卷、AI 自适应学习等落地场景。

图表34：人工智能技术在教育行业的应用

 

 

资料来源：凯联资本投研部

MarketsandMarkets 报告显示，2017 年，全球人工智能技术在教育行 业的市场规模为 3.731 亿美元，预计到 2023 年将达到 36.835 亿美 元，预测期 (2018-2023) 内的复合年增长率为 47.0%。Global market Insights 同样发布了一份最新研究报告，报告预测教育市场的人工智能 产业价值将在 2024 年超过 60 亿美元。其中，包括中国在内的亚太地 区智能教育市场的复合年增长率将达高于 51%，成为最赚钱的地区。

目前，在 AI 自适应学习领域，不管是美国 Knewton、英国的 Century Tech、澳大利亚的 Smart Sparrow 以及中国的乂学教育、好未来等公司，都在利用 AI 教育平台帮助学生快速掌握知识点，改善学生学习 效果。在智能评测领域，中国的学霸君、科大讯飞等企业推出智能阅 卷系统；在教学辅导方面，中国的先声教育和流利说等企业推出的语 言辅导系统，美国的 Tabtor、Carnegie Learning 和 Front Row 等企 业推出智能导师系统模拟一对一辅导，形成接近专家辅导的效果，美国 LightSail 与 Newsela 等企业针对学生阅读情况进行个性化智能推荐，培养学生阅读能力和兴趣。

4.2.5AI+家居

AI 技术赋能家居领域，助力家居生态从感知到认知发展，使家居生活 更安全、更舒适、更节能、更高效、更便捷。未来，智能家居将逐步实现 自适应学习和控制功能，以满足不同家庭的个性化需求。智能家居是 一个以 IoT 为基础的家居生态圈，其主要包括智能照明系统、智能能源 管理系统、智能视听系统、智能安防系统等。

Strategy Analytics 最新报告指出，2017 年全球智能家居市场规模达到 840 亿美元，较 2016 年的 720 亿美元增长 16%，预估 2018 年将达到 960 亿美元。据智研咨询数据显示，2017 年中国智能家居市场的规模 在 916.6 亿元，并有望实现在 2018 年扩大至 1,396 亿元。

近几年，智能家居在全球范围内呈现强劲的生命力。作为智能家居的最大市场，美国注重以智能音箱为中控的家庭智能化，如亚马逊 Echo、Google Home 等产品销售火爆。在中国，一边市场上各大企业 纷纷发布各式智能音箱产品，如阿里的“天猫精灵智能音箱”，小米的“小爱智能音箱”，讯飞与京东合作的“叮咚智能音箱”，百度的“小度音箱智能音箱”，腾讯的“听听智能音箱”，Rokid 的“若琪智能音 箱”，喜马拉雅的“小雅智能音箱”等等。另一边，各大企业也在积极打造以物联网平台赋予家居场景智慧化，诸如小米 MioT、华为 HiLink、海 尔 U+ 等。

格力、美的等传统家电大厂在品牌与制造上仍具优势。格力等传统家电大厂代表的品牌经济、制造优势和工业精神仍将长期存在，像格力一样在硬件上获得品牌溢价和消费者认可，并不容易。传统家电厂在家电市场具备无法用外部 OEM 方式替代的产业链一体化优势。此外，以格力为代表的工业精神可以大规模生产优质产品，满足普罗大众的消费需求。小米 IoT 拥有先发优势，但任重道远。

4.2.6AI+制造（工业互联网）

工业互联网：解决中国制造业所面临的缺乏创新平台和就业人口不足等痛点的手段中国企业面临的创新困境：受益于消费电子、家电等行业的崛起，中国在全球制造业的地位不断上升。根据世界银行的统计，2015 年全球制造业增加值约 12 万亿美元，中国位列第一，为 3.25 万亿美元，占全球 27%；美日德依次排名第二至第四位。虽然中国企业在规模上超过美德日，但产品设计生产所需的装备、方法论和软硬件平台上，目前还主要依靠西门子、GE、三菱等美德日企业。人工智能、大数据等新技术兴起，为制造业进一步升级提供了可能性。通过访谈，我们注意到中国企业目前主要通过和美日德设备企业合作的方式推进自己的制造业升级。在不少场合，中国企业发现海外设备厂商在对新需求的理解，以及人工智能等新技术的应用能力上，无法完全满足中国企业升级的需求，我们认为政府推进的工业互联网计划很可能成为这样一个创新平台，帮助制造业企业加速创新。

图表35：科技如何改变制造业

 

 

资料来源：凯联资本投研部

 Market Research 数据显示，2017 年全球智能制造市场达到 2,028.2 亿美元，预计将在 2023 年达到约 4,790.1 亿美元，预测期 (2018-2023) 内复合年增长率约为 15.4%。前瞻产业研究院数据显示，2017 年，中国 智能制造行业的产值规模已达到 15,000 亿元左右。预计未来几年中国 智能制造行业将保持 11% 左右的年均复合增速，到 2023 年行业市场 规模将达到 2.81 万亿元，行业增长空间巨大。

近来年，智能制造已成为各国产业升级的主战场，一些发达国家在 这方面已远远走在前面。例如，德国菲尼克斯的智能车间，美国 C3 IoT 的 AWS 云生态系统，美国哈雷戴维森公司的智能制造单元等。在 智能设备监控领域，也有如德国的 KONUX、法国的 Scortex、日本的 BrainsTechnology 等公司布局。一些中国企业也在进行智能工厂的建 设，加大企业转型升级的力度。如埃斯顿在南京建立的工业机器人智 能工厂、广汽传祺在杭州的智能工厂、中车浦镇车辆的数字化工厂等 等。在传统家电制造业，美的、海尔、格力等企业，正在积极向智能制 造模式建设转型。

图表36：工业互联网投资地图——国际企业

 

 

资料来源：彭博资讯，Wind 资讯, 凯联资本投研部

图表37：中国工业互联网主要相关企业

 

 

资料来源：海尔官网，美的官网，三一官网，航天科工官网，《富士康工业互联网招股说明书》，凯联资本投研部

 

4.2.7AI+安防

AI 在安防行业落地快，应用场景丰富安防行业：AI 助力安防行业拓宽边界。安防是中国 AI 落地速度最快的赛道之一。安防是中国 AI 落地速度最快的赛道之一。根据艾瑞咨询数据显示，安防在 AI 市场中占比达到 68%。

随着计算机视觉技术的进步，AI 在安防行业的落地场景从最初的（1）身份证人脸识别等1:1 比对，（2）智能门禁系统等静态人脸识别，向（3）重点场所监控等动态人脸识别，以及（4）体态识别和行为预测发展。

 Mordor Intelligence 分析称 2017 全球视频监控系统市场规模 349.623 亿美元，预计 2023 年将达到 826.153 亿美元，预测期 (2018-2023) 内 的复合年增长率为 15.41%。中国《财经》数据显示，2017 年中国安防 产业的产值达到 4,500 亿人民币，但所有 AI 安防产品产值不到 20 亿，AI 在安防行业技术渗透率不到 1%。

竞争格局：AI 扩大安防市场，互联网设备巨头纷纷布局传统的安防产业主要包括上游的镜头、ISP、芯片、储存等零部件供应商，中游的安防前后端产品以及整套视频监控系统。下游为系统集成商/分销商/工程商等中间渠道以及政府、企业和个人等最终安防产品用户。随着安防进入 AI 时代，越来越多的公司参与到安防产业链中，包括 AI 芯片供应商，图像识别和视频识别等算法供应商，整套 AI 解决方案供应商等。

图表38：安防产业链梳理

 

 

资料来源：彭博资讯，Wind 资讯，凯联资本投研部

智能安防系统的建立，离不开软件算法与硬件系统的集成。在系统硬 件方面，国际上有瑞典的视频处理芯片商 Axis Communications AB， 美国的安防硬件提供商 ADT、OPTEX 等；在中国，海康威视、大华股 份、东方网力等企业都在相关领域处于市场领先地位。在软件算法方 面，以色列的 Agent Video Intelligence，加拿大的 Genetec，美国的谷 歌、Facebook、微软，以及中国的商汤科技、旷视科技、依图科技、云从 科技等公司均具备优异的图像分析算法。

4.2.8智能驾驶

AI 技术赋能传统驾驶领域，可以有效提高生产与交通效率，缓解劳动 力短缺，达到安全、环保、高效的目的，从而引领产业生态及商业模式 的全面升级与重塑。智能驾驶是个复杂的产业链，其涉及的领域包括 芯片、软件算法、高清地图、安全控制等等。

截止 2017 年底，中国人均汽车拥有量约 0.156 辆，不到美国的 1/5，市 场成长空间巨大，世界各个国家的政策和各大企业的产业布局都使得 智能驾驶成为热点研究领域。目前，业内普遍将自动驾驶汽车分为 L0 到 L5 级，L4 和 L5 级可统称为“无人驾驶”，当前自动驾驶商业技术基 本在 L2-L3 级水平。美国 IHS Automotive 报告预测，到 2025 年，全球 自动驾驶汽车销量将接近 60 万辆，2035 年将达到 2,100 万辆，预测 期 (2025-2035) 内市场将保持 48% 的年复合增长率。速途研究院报告 显示，在 2017 年中国智能驾驶市场规模已经达到了 681 亿，预计 2018 年将达到 893 亿元，年增长率 31.1%。

从全球来说，自动驾驶主要包括主机商（宝马、通用、奥迪等）、供应商 （奥托立夫的 Veoneer、博世等）、科技公司（Google 的 Waymo、百 度的 Apollo、以色列的 Mobileye 等）以及出行公司（图森未来、小马 智行、景驰科技等）。Mobileye、宝马、沃尔沃和福特都相继宣布，要在 2021 年至少实现 L4 级别的自动驾驶汽车商用落地。但受限于相关技术 成熟度、法律法规完善以及基础设施配套等因素，目前来看，还存在很多 不确定性，而一些复杂度较低，外部干扰因素少的相对封闭驾驶场景，被 认为是最有望率先实现落地的无人驾驶汽车场景。目前，已经量产商用 的有 Telsa Model 系列（L2-L3 级汽车），Audi a8（L3 级汽车）。2018 年 3 月，autowise.ai 宣布在上海试运营全球首个自动驾驶清洁车队；7 月， 百度宣布与金龙客车合作生产的全球首款 L4 级别量产自动驾驶巴士“ 阿波龙”量产下线。

图表39: 智能汽车产业链

 

 

资料来源：彭博资讯，Wind 资讯，凯联资本投研部

五、投融资情况

在人工智能领域，2018全年我国共有201个项 目获得投资，获投总金额为1117.19亿元。投 资事件数同比增长6.91%，投资总金额同比增长 114.84%。

图表40：2017年与2018年中国人工智能行业投资对比

 

 

字节跳动以F轮40亿美元的融资额位居 2018年总融资额榜首，商汤科技以22.2亿美元总融 资额次之。数据来源：赛迪顾问，2019.01

TOP10投融资集中在信息分发、计算机视觉、智能驾 驶、机器人、智能芯片等领域。

图表41：2018年人工智能企业TOP10投融资案例

 

 

资料来源：赛迪顾问，凯联资本投研部

 

六、投资建议

通过上述梳理，我们分析了 AI 芯片、计算机视觉、语音语义、传感器及机器人等四大人工智能技术在医疗、金融、零售、教育、智能家居、智能制造（工业互联网）、安防、汽车等几大行业应用前景。

结合细分行业特征及现有竞争格局，不同AI技术以及落地场景的成熟度，从技术和应用两个维度看，我们认为AI芯片、计算机视觉、安防、医疗、智能制造，短期之内更具有投资机会，建议持续关注。

从技术角度来看：

AI 芯片：未来五年, 预计 AI 芯片市场的规模有接近 10 倍的增长，2022 年将达到 352亿美元。在训练芯片方面，我们继续看好 Nvidia 利用 CUDA+GPU 构建的生态环境优势，以Google TPU 为代表的 xPU 很难撼动其垄断地位。随着终端细分场景落地，推断芯片的发展出现专业化趋势，为现有及初创公司提供巨大发展空间。我们预计，推断芯片市场规模到2022 年会超过训练芯片。中国 AI 芯片设计企业中，建议关注海思、展锐、比特大陆、寒武纪、地平线、异构智能、云天励飞、龙加智。

计算机视觉是人工智能在中国落地最顺利的技术。和语音相比，计算机视觉是一条更有技术深度，有更多应用场景的好赛道。从目前的落地进展来看，移动互联网/安防领跑，零售/物流跟进，医疗/无人驾驶的商业化有待成熟。我们注意到，以商汤、旷视、依图为代表的 AI 头部企业战略出现向平台企业或软硬一体化企业发展的分化趋势，深兰、扩博等新计算机视觉公司也在机器人，零售等新领域快速崛起，建议密切关注行业发展趋势。

从行业角度来看：

安防行业：AI 助力安防行业拓宽边界。安防是中国 AI 落地速度最快的赛道之一。随着计算机视觉技术的进步，AI 在安防行业的落地场景从最初的（1）身份证人脸识别等 1:1 比对，（2）智能门禁系统等静态人脸识别，向（3）重点场所监控等动态人脸识别，以及（4）体态识别和行为预测发展。安防解决方案也从传统的前后端系统向视频云服务方向发展，吸引华为等设备厂商、阿里等云服务厂商、以及商汤旷视等视觉算法初创公司加入。

医疗行业：医疗是人工智能落地的重要场景之一。过去一年，我们既看到 Nuance，科大讯飞等公司利用语音识别技术上的优势，在语音电子病历实现很好的业务发展，但同样也注意到，休斯敦安德森癌症研究中心（MD Anderson Cancer Center）取消与 IBM Watson 的合作，称其辅助诊疗效果始终不达预期。我们认为，医疗数据的获取和标注是目前 AI+医疗发展的主要瓶颈。数据法规上的优势使中国在 AI 医疗方向有弯道超车的机会。鉴于人工智能为医疗行业带来的实质性效率提升，我们仍然看好 AI+医疗的长期发展。

智能制造(工业互联网)：AI 和制造业的结合，即为工业互联网，它是解决中国制造业所面临的缺乏创新平台、和就业人口不足等痛点的手段。我们认为企业的工业互联网转型可以分为以下三步：1）打通数据流与物流，数据的自由流动是关键；2）运用新技术进行装备的创新升级；3）企业上云，逐步提供智能服务。预计中国工业互联网市场未来 7 年保持 13%CAGR，2025 年达 11,329 亿人民币，市场空间巨大，在先进设备、物流、工业软件等细分领域投资潜力巨大。

七、风险提示

人工智能技术发展不及预期

人工智能技术是一门多学科综合的新兴技术，涉及到数学、物理、计算机等基础科学研究，技术的发展和关键技术节点的突破存在不确定性。

人工智能技术在各行业落地不及预期

由于报告中提到的各个行业市场空间、发展格局等属性都不相同，每个行业有每个行业的特殊性，因此人工智能作为赋能和改变各行业的技术，在各行业的落地速度存在不确定性。

软件盗版风险

人工智能技术企业大部分收入来自软件的服务费用。但由于软件易于复制的特性，软件产品存在被盗版的风险，会对公司盈利水平产生影响。

核心技术迭代较快

由于人工智能技术作为世界尖端技术，迭代速度快。短期技术领先的公司，如果不能根据新技术、新环境技术预测人工智能技术的发展趋势，对技术研究做出合理安排，形成基础研究与市场应用的快速互动与良性循环，可能会延缓在关键技术和关键应用上实现突破的时间。