人工智能产业深度报告:赛道清晰红利兑现有望实现戴维斯双击

艾瑞咨询的报告显示,预 计 2022 年国内人工智能赋能实体经济的市场规模将达到 1573 亿。中国电子技术标准 化研究院将人工智能定义为是利用数字计算机或者数字计算机控制的机器模拟、延伸 和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术 及应用系统。为什么当下要再提人工智能?主要是三方面因素变革催化:1)移动互联 网的爆发为 AI 提供了丰富的训练数据,根据 IDC 的统计到 2025 年全球数据流量会达 到 175ZB。2)硬件尤其是算力指数级的提升,让 AI 训练的时间大幅度降低,目前用 于 L3 自动驾驶量产项目的 NVIDIA Xavier 能够达到 30 每秒浮点运算次数。3)以神经 网络为代表的机器学习算法的突破,尤其是在 2015 年的 ImageNet 挑战结果中机器识别 首次超越人类。我们认为,人工智能在经过一段时期的应用摸索阶段之后,目前规模 化应用赛道逐步清晰,安防、教育、医疗、新零售、自动驾驶等都是当前的热门方向。

AI+应用目前以安防为主,AI+医疗需求在疫情之后大幅增加。1)从人工智能需 求的产生来看,AI 在产业变革和升级过程中发挥重要作用,AI 的运用结合生活和工业 生产中的多场景进行应用落地,能够衍生出很多新产品、新产业、新业态和新模式, 从而重构生产、分配、交换和消费等经济活动环节,以此来推动经济结构的变革并改 变现有人们的生活方式。2)从 AI 应用较为成熟的领域来看,人工智能行业已逐步渗 透到各行业当中,据前瞻产业研究院的统计,AI+安防在 2019 年人工智能的各类应用 中占比超过 50%,紧随其后的是 AI+金融(占比 15.80%)和 AI+营销(占比为 11.60%)。 3)从新兴的 AI 领域来看,最近几年自动驾驶、教育、新零售领域 AI 的发展极其迅 速。由于 2020 年伊始爆发的新型冠状病毒疫情,AI+医疗的需求大大增加,这将会极 大地反推 AI 应用落地于医疗领域。

预计 2019-2024 年中国人工智能市场复合增速超 30%,增长空间大。国内人工智 能的增速快于全球增速,中国在全球 AI 市场的占比将从 2020 年的 12.5%上升到 2024 年的 15.6%。根据 IDC 与浪潮集团联合发布的《2020-2021 中国人工智能计算力发展评 估报告》预测,2020 年国内 AI 市场规模将达到 62.7 亿美金,2019-2024 年人工智能市 场复合增速保持 30.4%,2024 年将达到 172.2 亿美金。我们认为,人工智能景气度高, AI 产业的快速发展和潜在的巨大空间,将会为整个产业链提供良好的发展基础,尤其 是已经进入技术转化阶段的自动驾驶、深度语义分析、智适应学习、跨语言文本挖掘, 和成熟阶段的硬件加速、深度神经网络等,相关企业的成长空间大。

商业落地模式得到重视,更多实体经济中的落地场景和产品得到认可。经过 2015- 2018 年的人工智能投资热潮,风险资本逐渐回归理性,全球人工智能初创企业的投融 资规模在 2018 年达到一个阶段性顶部,人工智能产业的野蛮生长期已经过去。以中国 为例,人工智能行业在 2014-2019 年 Q3,共计 2845 起投融资项目,总计融资额为 3583.65 亿元, 2019 年前三季度是 254 个项目,融资金额为 577.17 亿元。通过将 AI 技术与传 统行业结合,对传统行业的经营模式和业务流程进行改造,从而进入新一阶段的发展。 我们认为,AI、云计算和 5G 是当前的三大科技红利,人工智能涉及到的基础层、技 术层、应用层相关企业都会持续受益,通过产品研发投入和商业模式探索形成壁垒, 多个垂直细分赛道的企业未来成长空间广阔。人工智能产业通过数年摸索,发现真正 能带来收益的行业目前聚焦在安防、智能汽车、新零售、教育、医疗等。

AI 赋能安防多种应用场景,安防投资依然保持一定增速。1)从 AI 在公共安全中 各环节扮演的角色来看,利用 AI 技术进行模型训练,能够提升警务效率。当前视频监 控为安防的主要手段,人工智能参与到视频图片中的信息提取,从而构建模型,主要 包括行为人、随行人员、车辆、周边物品的特点与行为,获得高阶语义、强表达能力 的特征,分类储存。需要使用信息时,可通过行为人车物特征、时间段、区域等条件 搜索,或是以事件(现场图片)进行搜索,实现高效筛选,加之以公安系统中的手机 号、车票和住宿信息,能够快速勾勒出行为人的行动轨迹,提高抓捕、寻人等警务的 办案效率,实现“利用科技手段提升警力”的目的。AI 可赋能多种安防情景,应用广 阔。2)AI 在安防相关的其他行业,AI+安防在交通行业的流量监控、智能楼宇的安防 与能耗控制、工业园区的风险识别和民用安全布防等场景也有应用。3)从市场规模和 增速来看,虽然增速有所下滑,但市场规模依然保持一定增长。根据艾瑞咨询的统计, AI+安防市场在 2017-2020 年有望实现 39.5/135.3/350.0/453.4 亿元的市场规模,复合增 速更是高达 166.5%。

借助 AI 技术,安防由被动监控向主动预警发展。一方面,利用人工智能和大数据 技术,可以对大型公共场所和道路进行监控,当流量超过阈值时则提醒采取限流等措 施,实现人流管控和交通疏导;另一方面,可利用大数据进行潜在犯罪的预判,结合 行为人先前犯罪前科等数据,对其可疑行为(如购买违禁品、在特定地点蹲点徘徊等) 进行识别和预警。得益于 AI 技术的发展,AI+安防正在由被动安防向主动预警发展。 图 6 是依图的 AI 人像大数据系统正在进行特征比对。

AI 重构海量数据,政策支持下智能安防行业快速发展。1)安防数据量大。据 IHS Markit 统计,2018 年全球用于视频监控的存储出货达 81 EB,相当于 9200 万小时的视 频(1080p @2Mbps)。这些存储通常分布在录像机(DVR 或者 NVR),内部存储以及 外部存储系统中。传统的安防架构已经无法满足如此海量传输、存储的要求。AI 技术 对于非结构化的视频数据进行结构化或半结构化处理,分流了后端计算负载,降低了 网络运营成本。同时人工智能在安防中的运用还可以降低监控人员由于疲劳带来的忽略率。2)2020 年以来,政策持续鼓励 AI 在安防中的创新。各部委发布一系列支持 AI+ 安防行业发展的政策,明确指出智能安防是人工智能创新应用的重点推广领域。

自动驾驶是汽车智能化的重要应用方向。1)AI 的必要性。摄像头、雷达、未来 还会部署的激光雷达等传感器、高精度地图、定位系统、以及车路协同相互合作,集 环境感知、认知、规划决策和多等级辅助驾驶等功能于一体,在全球范围内受到了业 界和政府层面的密切关注,这些数据的处理需要 AI 算法的支持。2)国家政策的指引。 根据 11 月 11 号 发 布《智能网联汽车技术路线 年,PA、 CA 新车占比超过 50%;C-V2X 终端新车装配率 50%;到 2035 年,中国方案智能网联 汽车技术和产业体系全面建成,网联式高度自动驾驶智能网联汽车实现大规模应用。

AI 在感知和决策阶段扮演着重要角色。车辆自动驾驶必须经过感知、决策和执行 三阶段,人工智能在感知和决策阶段扮演着重要角色。近年来,人工智能基础层的不 断突破,使得汽车所搭载的处理器不但可以同时应对更多的识别任务和决策,还能部 署对算力要求更高地深度学习模型。例如目前在小鹏量产车型 P7 上搭载的 NVIDIA Xavier 能够达到 30 TFLOPS(每秒浮点运算次数)的性能。深度学习算法的运用极大 地提高了汽车识别道路、行人等障碍物的正确率,还实现了传统人工智能算法无法支 持的多目标检测任务,更有望通过深层次网络模拟了人脑复杂的决策系统。

作为智能汽车的眼睛,计算机视觉是感知层的关键技术。智能汽车通过多传感器 融合来实现对车辆运行环境的感知。雷达传感器的主要作用是帮助车辆探测一定范围 内的障碍物方位、距离和速度等信息;视觉传感器除了可以探知车道、交通信号灯、 交通标志牌等非行驶障碍物信息,还可以传递更为丰富的障碍物信息。摄像头作为智 能汽车的眼睛,如何准确且无遗漏的对周围环境进行准确判断,是最为高效的感知手 段。目前最先进的人工智能算法已经达到通过单摄像头完成交通线识别、信号灯识别、 行人检测和其它车辆检测。通过带有 AI 功能的单摄像头也已经实现自动紧急制动、自 适应巡航、车道中心保持辅助以及交通拥堵辅助等辅助驾驶功能。以具体单品MINIEYE 的 AI 防碰仪为例,官网 1699 元的价格作为参考,我国目前汽车保有量已 经超过 2.7 亿辆,假设碰撞安全车距提醒 ADAS 产品后装渗透率如果达到 2%,即 540 万辆车安装防撞仪,则可以带动约 45 亿的市场。

作为智能汽车的大脑,决策模块是自动驾驶的基础。决策系统主要分为两部分: 一部分是多模态融合决策,另一部分是道路规划决策。多模态融合决策即通过“眼睛” 去识别路况,从而实现红灯停,绿灯行,礼让行人等决策,决策准确率往往与计算机 视觉识别准确率正相关。例如简单的红灯停场景,智能汽车需要识别出是否是红灯, 在哪停下,结合车辆当前速度决定何时刹车。根据 IDC 报告的预测,全球智能驾驶汽 车出货量在 2021 年会迎来拐点,增速有望超过 25%,随后会保持 10%以上的增速,在 2024 年超过 5000 万辆。

自动驾驶服务以示范项目形式陆续落地,商业化迎来曙光。2020 年 4 月,长沙率 先全面开放了无人驾驶出租车服务;10 月 12 日,北京也开放了无人驾驶出租车试乘, 当日订单量突破 2600 单;10 月 21 日,苏州落地全国首个常态化运营的 5G 无人公交。 无人公交在开放的城市道路上运行,且速度最高达到 50km/h。该无人公交车除了具备 避让行人车辆、自动变道、自动转向、红绿灯识别等基本功能,还能应对各类城市复 杂交通场景,例如穿行人车混杂的路口、应对后车加塞、“鬼探头”等。我们认为, 2021 年是智能汽车,尤其是 L2+自动驾驶的爆发年,AI 作为必不可少的技术,相关 ADAS 产品渗透率会得到快速提升,自动驾驶将率先在高速和泊车场景下实现规模化落地。

AI 赋能零售全流程数据互联互通,实现三方共赢。1)AI 赋能新零售。传统零售 场景主要是通过商品和资金形成闭环,零售业的智能化转型并不是对各个环节做几何 拼接,AI 引入数据要素作为驱动力。对于传统零售商来说,AI 从客户群体和货物供应 链的管理,到消费场景的重构,都具备优势。AI 的运用高度内嵌在新零售流程中,让 各个环节通过数据作为纽带形成闭环,通过优化,达到运营效率的全面升级,实现了客 户群体、零售商、生产商的三方共赢。2)AI 在新零售中的市场规模。根据艾瑞咨询的 报告,2018 年国内现代渠道主要零售数字化建设投入为 285.1 亿元,其中 AI 的投入规 模约 9 亿元,占比 3.15%。AI 投入在零售商数字化建设投入中的比例持续提升,2020 年整个国内商业数字化建设投入约 462.9 亿元,其中 AI 投入 63.9 亿元,预计这一数字 在 2022 年将达到 178.8 亿元,占新零售整体数字化建设的投入比例约为 25.5%。

人工智能在顾客端实现个性化推荐,让商家对产品和推广策略快速调整成为可能。针对客户群体管理方面,零售商们都在打造高效,便捷,个性化的购物体验。AI+新零 售通过收集和分析客户行为数据,对客户进行个性化推荐,使得客户可以快速找到其 想要的物品;此外,智能机器人客服在降低超市人员人工成本的同时,可以 24 小时不 间断地提供服务,使得消费者在需要的时候获得及时的帮助;最后,计算机视觉还可 以在不接触任何物品的情况下完成支付结算。随着大量客户的消费数据积累,商家可 以对产品研发和推广策略进行再调整。越是了解客户行为和趋势,就能更加精准地满 足消费者的需求。人工智能可以帮助零售商改进需求预测,做出定价决策和优化产品 摆放,最终让客户就在正确的时间、正确的地点与正确的产品产生联系。

AI 助力零售业提升供应链管控效率。货物供应链管控方面,计算机视觉技术可以 帮助零售商实现商品识别、物损检测、结算保护等功能,这使得零售商在降低人工成 本的同时提升仓储管理的效率。传统零售商面临的一大挑战就是保持准确的库存。AI 通过打通整个供应链和消费侧环节,消除各个环节的数据孤岛效应,为零售商提供包 括店铺、购物者和产品的全面细节化数据,这有助于零售商对库存管理的决策更加合 适。此外,AI 还可以快速识别缺货商品和定价错误,提醒员工库存不足或物品错位, 以便实现获得更及时的库存。

AI+新零售模式将依托用户体验重新定义零售场景,长期来看具备成本优势。零 售行业从业人员的劳动效率(商品销售额/零售业从业人数)从 2018 年起开始出现下 跌趋势。计算机视觉技术和自然语言处理技术的不断推进,将使得零售商对具体客户 的消费行为和习惯有着更进一步的洞察力;AI 可以改变现有人工售后成本高,效率低 的问题,机器人助理会使得售后环节效率大大提升。可以预见到,未来新零售场景会 是一个高度语境化和个性化的购物场景。

在线教育市场规模快速提升,AI+教育占比持续提升。1)从市场规模来看,在线 亿元,其中 AI 技术相关的教育规模是 123.8 亿元。预 计未来 2020 年上升至 3807.4 亿元,到 2022 年 AI 相关的在线)从渗透率来看,AI 技术相关的教育市场规模从 2018 年的占比 4.9%,预计到 2020 年将达到 8.6%,2021 年之后会超过 10%。

人工智能让知识点的教与学更加精准。人工智能技术可以大规模满足用户的个性 化学习需求。教育产业智能化的目标也非常明确,针对学习管理环节、学习测评环节 和认知思考环节三管齐下,来完成整个辅助学习功能的场景闭环。1)站在学生角度, 人工智能从学习方式和需求入手,针对不同的学生生成个性化和定制化的学习方案, 同时提供高效的学习体验和课后追踪服务。2)站在教师角度,通过收集学生反馈来提 升教学质量和完善教学细节,智能评测系统则能根据具体学生的情况,为教师提供精 准的干预措施建议,从而实现教学的高效化。

利用 AI 进行学习画像,智能教育平台是产业智能化的基石。智能教育平台的搭建 包括两个方面,分别是学生数据收集和数据深度分析。智能教育平台除了可以完整追 踪并记录学生的线上学习过程,还应对每一位学生的实际数据,例如:档案数据、学 习成绩、时间数据、掌握知识情况、特长爱好、阅读数据等进行记录和存储,然后智 能教育平台通过人工智能技术去预测学生的学习偏好、特长特点、智力水平、学习薄 弱环节等,最后延伸出职业发展、专业发展等。所有的这些做法都将从学生一入学就 将开始,让每个学生都能接受适合自身特点的个性化学习,创造出了一种个性化的教 育模式。根据科大讯飞披露的信息,公司统计了江苏南通如皋市 2016 年至今的教育行 业应用案例成效。智慧课堂产品覆盖了如皋市 80%的初中,100%的高中,服务 2000 名 教师以及近 5 万名学生,累积分析 3500 次测量数据,为 200082 名学生推送了 802368 份个性化作业。实现了教师阅卷时长减少 36%,统计时长减少 98%,备课时间减少 24%。 学生作业时间减少 32%,错题解决率达到 80%以上,平均作业时长缩短约 40 分钟,取 得了良好的应用成效。

以个性化学习手册为载体动态生成学习资源,实现因材施教目标。传统教育行业 的学习资源往往是预设型,事实上所有的预设型学习资源无法覆盖每一个学生的每一 个需求,当预设型资源面对全体时会缺少部分重要的部分,更何况在中国,不同地区 所用的教材版本也有所不同,预设型的学习资源无法实现通用性。而人工智能技术可以通过智能教育平台,对具体学生的学习行为,知识水平等进行具体评估,摆脱传统 教材的桎梏,对学习资源进行再整合和动态生成,即对学生进行个性化教学方案的精 准推送。

机器代替老师批改课后作业,使得教师更专注于教学环节。随着 OCR 以及语义分 析技术的不断进步,自动批改作业已逐渐成为可能。计算机能够根据自然语言处理技 术对文本进行语法纠错,例如:各种英语时态的主谓一致,单复数以及遣词造句等, 甚至可以根据语言模型是给出意见和建议,这将能够有效的节省教师批改作业的时间, 学生也可以更快地获得反馈,从而显著提高教师的教学效率以及学生的学习效率。除 了简单的判定选择,填空等客观题的批改,市面上已经出现批改主观题的教学技术。 例如:英文作文批改产品,机器通过 OCR 技术去识别手机拍摄的手写的英语作文,对 语法、单词等错误进行批注,并最终给出作文评分。随着图像识别技术以及自然语言 处理技术的不断完善,类似产品将层出不穷,作业的自动批改将会变得越来越实用、 准确,教师除了可以节省出相应的批改作业时间,还可以直接获得每一个学生在每一 道题的直观统计表现,从而快速掌握学生对某一知识点的掌握程度,并对教学方案进 行合理调整。

AI+医疗有助于在就医的各环节提升效率,实现医疗资源合理分配。1)在挂号候诊环节,利用人脸识别、语音识别、远场识别等技术,获取患者病理特征,与患者完 成关于病情的初步互动,并通过传感器完成体温、心率等指标的初步测量工作,从而 实现身份识别、挂号、导诊的功能,减轻医院的运营压力。2)在诊断阶段,放射科的 医疗大数据为 AI 医学影像提供了入口,利用计算机视觉技术,进行图像分割、特征提 取、定量分析、对比分析等工作,通过机器初筛、医生确定的方式完成最终阅片,这 将大大提高工作效率,同时具备依靠模型客观判断、可强化学习的优势。艾瑞咨询的 报告显示,AI 在影像方面的应用目前还处于起步阶段,预计在 2022 年会有 9.7 亿的市 场规模。3)AI 辅助诊断则基于海量临床文档、报告、原始医学图像等多维数据,基于 人工智能算法,综合多学科知识存储,为医生诊断治疗提供参考。4)电子病历、推荐 用药、健康管理等应用场景也将从不同维度提升医疗效率,挖掘医疗市场潜力。总的 来说,AI+医疗通过介入多种医疗场景,把宝贵的医院资源分配到核心业务中;同时将 顶级医疗机构的能力下放,可填补当前巨大的医疗供求缺口,促进医疗公平。

医疗资源总量少、资源分布不均、诊疗效率低是当前我国医疗行业的突出问题。根据 36 氪研究院发布的《2020 人工智能医疗产业发展蓝皮书》统计,2019 年我国共 有三级医院 2749 个,在我国一至三级医院总量中占比为 11.60%,但三级医院医疗服务 工作量占比为 56.75%,且我国三级医院主要集中在北京、上海、广州等大城市,中小 城市医疗资源相对不足。截至 2019 年末,我国共有卫生技术人员 1010 万人,其中执业医师和执业助理医师 382 万人,注册护士 443 万人,而全年总诊疗人次为 85.2 亿人 次,医疗供给同样存在较大压力。

老龄化程度加剧,慢性病发病率上升,催生大量医疗需求。第一财经的信息显示, 中国将在 2022 年左右进入老龄社会,届时 65 岁及以上人口将占总人口的 14%以上。 根据公共卫生科学数据中心早期的统计数据,国内各种慢性病的发病率大部分呈上升 趋势,可以推测该上行趋势仍将继续;另一方面,我国人口慢性病发病率也在不断增 加,比如高血压在 2008 年之后发病率达到 0.05%。上述这些都会带来大量的医疗需求。

深度学习算法扩大应用场景,打开市场向上空间。2016 年,Google 的 AlphaGo 以 绝对优势完胜李世石九段,深度学习成为了近年来计算机行业最火的技术名词。随着 算力的大踏步前进,工业界开始在一些特定领域,例如计算机视觉、自然语言处理、 个性推荐系统等,尝试部署更多的深度学习模型。从趋势上来看,深度学习算法拓宽 了 AI 的应用边界,比如 AI+汽车中的自动驾驶,AI+医疗的影像识别等。麦肯锡在 《Notes from the AI frontier: Applications and value of deep learning》报告中提到,对 19 个行业的 400 多个案例进行分析,其中 2/3 的企业表明使用深度学习是为了提高现有 性能;69%的案例表明深度神经网络可以提高技术无法达到的性能;15%的案例完全应 用了深度神经网络。深度学习的价值不在于模型和算法多优秀,而在于如何去更好的 运用这些算法。

现阶段深度学习算法对数据具有依赖性,降低商业化应用成本是当务之急。目前 从实验室中的人工智能技术和真实落地的人工智能技术商用需要跨越三个阶段。第一, 来源于实验室数据集的过度理想化,并未考虑到现实商用环境中存在各种噪声,使得 训练环境和生产环境下数据分布变化大,实验室中训练好的模型需要针对真实的商用 生产环境调试;第二,现实中部分场景数据少且格式不统一,存在大量脏数据、假数 据、违规数据等问题,需要进行数据清洗和结构化处理;第三,由于数据自身的隐私 性和珍贵性,大部分商业落地场景都要求私有化部署,这就要求人工智能公司需要外 派高级算法工程师驻场,导致人均能效低。我们认为,如果能实现以上三个阶段的跨 越,则该应用就大概率可以快速规模化落地。

传统人工智能和深度学习算法互为补充。通过贝叶斯原理,我们可以证明著名的 奥卡姆剃刀原则:即如果两个理论可以获得相同的预言集,那么假设更少的理论为真 的概率更高。传统人工智能算法模型之所以比深度神经网络简单,是因为深度神经网 络往往会在网络中进行特征再提取和特征再学习。即便是在大数据场景下,只要无需 另构特征,深度神经网络仍然无法完全取代传统人工智能算法。我们认为,传统 AI 算 法一直在工业界扮演着稳定解决问题的工具角色,传统 AI 算法有着可解释性强、对数 据依赖性弱、对算力要求低、模型简单的四大优势。与深度学习算法相比,传统 AI 算 法仍然有其自身特色,二者不是简单的替换逻辑,在未来的应用中会互为补充。

小样本训练甚至无监督学习是解决 AI 对数据依赖的可能技术路径。从深度学习 到迁移学习,前百度首席科学家吴恩达曾表示:“迁移学习将会是继监督学习之后的下 一个机器学习商业成功的驱动力”。目前学术界基于迁移学习理论提出了零次学习(即 模型可以对训练集中没有出现过的类别自动创造出相应的映射)和一次学习(即训练 集的每个类别仅含有少量样本),而元学习的出现,使得通用人工智能模型成为可能, 人工智能系统不再是单任务型模型,通用模型不必对每一个任务中的知识重新开始学 习,随着模型对环境的不断感知,模型可以解决越来越多的任务。我们认为这会是未 来人工智能发展的主要技术趋势。

人工智能涉及全产业链,AI 全栈能力会成为企业的核心竞争优势。人工智能完整 产业链包括三层:基础层、技术层和应用层。基础层是人工智能产业的基础,为人工 智能提供数据以及算力的支撑,基础层分为计算硬件、计算系统技术和数据三部分; 技术层提供了各类人工智能算法、架构以及应用平台;应用层主要与产业和产品融合, 呈现百花齐放的态势,人工智能在多个行业与产品中都拥有巨大的应用价值。

应用层呈现百花齐放态势,产业化趋势加速。人工智能面向特定应用场景需求而 形成软硬件产品或解决方案,应用层主要包括行业解决方案和消费者产品。随着人工 智能技术逐步渗透各行各业,AI+解决方案和 AI+产品亦层出不穷,形成了新技术推 动新产品,新产品革新传统行业的良性商业闭环。目前产业链中位于该环节的相关人 工智能公司最多。运用相对成熟的是 AI+赋能产业,包含:安防、智能汽车、新零售、 医疗、教育等和 AI+产品,包含:智能音箱、翻译笔、机器人、智能家居等。

技术层是人工智能产业的核心,巨头环伺,专业壁垒高。人工智能以模拟人的智 能相关特征为出发点,构建技术路径。技术层分为算法理论、开发平台和应用技术三 部分。在技术层的竞争中,无论中国还是美国,企业巨头的策略都是“三”管齐下。 1)通过招募高端人才来组建相应的实验室研究团队,从而加快关键技术的研发,建立 相应的技术壁垒;2)通过收购一些细分领域的优秀初创公司,降低巨头进入该领域的 成本,同时完善公司的整体战略布局;3)通过开源技术平台,吸引全球开发者一起构 建相应的生态体系。美国典型的公司有 Google、Microsoft、IBM、Facebook;国内布局 AI 实验室的代表企业有百度、阿里巴巴、腾讯、字节跳动、快手。

计算硬件的创新集中在 AI 芯片和传感器。计算硬件代表企业有美国的英伟达,中 国的华为,寒武纪等。AI 芯片通常指针对人工智能算法做了特殊加速设计的芯片,是 人工智能产业的核心硬件。相比于美国的英伟达、AMD、Intel、Xilinx 等公司,中国的 人工智能芯片行业正处在萌芽期,国内的寒武纪、地平线、华为等布局了 AI ASIC,知 存科技的投入主要集中在存算一体芯片。人工智能芯片逐渐在取代传统芯片的某些应 用场景。随着云计算和边缘计算需求的高速增长,传统芯片厂商将持续发展新的合作 模式,以应对新客户的需求。全球人工智能芯片在 2018-2025 年期间保持 46%左右的复 合增速,2025 年有望达到 726 亿美金的市场规模。

ICT 新兴技术包含云计算和 5G 等。计算机系统技术不仅仅指代数据库、操作系 统等基础框架,广义的 ICT 技术也包含了云计算和 5G,代表企业有百度、腾讯、阿里 巴巴、华为等。受益于 5G 商用网络的普及,结合高效的云计算架构,终端用户可以 摆脱终端算力不足的困境,通过云端的强大算力和快速信息传输实现对环境的快速反 应,这些新兴技术都对 AI 的发展起到了很大的促进作用。

美企起步早,中国公司正在加速追赶。1)从企业数量上来看,中国信息通信研究 院 2019 年 4 月发布的《全球人工智能产业数据报告》显示,截止 2019 年 3 月底,全 球仍然活跃的人工智能企业共 5386 家,其中美国,中国,英国分别以 2169 家,1189 家和 404 家分列前三,人工智能企业数量排名前 20 的城市中,美国占据 10席,中国 占据 4 席。2)从 AI 行业发展阶段来看,美国 AI 行业发展历经四个阶段,分别为 1991 年到 1997 年的萌芽期,1998 年到 2004 年的发展期,2005 年到 2013 年的高速成长期, 以及 2013 年至今的平稳期。而中国人工智能产业则是从 1996 年正式进入萌芽期,2003 年进入发展期,企业数量从 2003 年的 29 家增长到了 2007 年的 57 家,2008 年进入高 速成长期,经过 5 年的时间,于 2015 年到达 166 家的峰值后进入平稳期。2015 年的峰 值,相当于 1999 到 2012 新增 AI 企业数量的总和。

中美研究机构抢占学术研究高地,金字塔尖仍被美国占领。2009 年至 2018 年,中 国在人工智能领域论文发表量超过 9 万篇,占全球人工智能论文发表总量的 22.7%, 其中 2018 年占比高达 27.4%。在人工智能发表论文数量排名前 15 的机构中,中国科学 院系统排名第一,加州大学系统和法国国家科学研究中心分列二,三位。除了中国科 学院系统,包括清华大学,上海交通大学,哈尔滨工业大学和北京航空航天大学共 5 家中国研究机构上榜,美国同期有 7 家上榜。在被引论文统计中,美国虽然仍是全球 高被引论文总量最多的国家,但中国近年来高质量论文涨势明显,2018 年中国高被引 论文数量已占全球总量的 45%。腾讯研究院的《中美两国人工智能产业发展全面解读》 显示,对比四大 AI 顶级会议近三年的录用论文统计,美国作者发表论文占比 52%,中 国排名第二,占比 18%。

AI 全栈能力是未来核心竞争力。美国在基础层优势巨大,以开源算法平台为例, Google、Facebook、Microsoft 都推出了自己的深度学习算法的开源平台,而中国有百 度的 paddle。在技术层的云平台中,美国作为云计算的初始玩家,占据市场主导地位。 中国的阿里、华为、腾讯等互联网巨头推出了领先的云服务平台。在应用层,中美互 联网巨头都有属于自己的垂直应用平台。以语音平台为例,Google Assistant、Cortana、 科大讯飞语音开放平台、百度大脑都是业内知名平台。大数据优势是中国发展人工智 能的重要优势,AI 技术发展需要有大量的数据积累进行训练,中国较为完备的工业体 系和庞大的人口基数,在数据积累方面优势明显。国内企业在保持应用层数据优势的 同时,应加大基础技术研究及专利积累,形成 AI 全栈能力。

人工智能的应用必须与产业深度结合,持续挖掘行业赛道潜力。Gartner 在 2020 年 发布的新兴技术成熟度曲线中继续扩大了对 AI 潜力预测的覆盖,在人工智能技术领 域增加了多个类别,包括复合型人工智能、可生成型人工智能、负责型人工智能、人 工智能开发增强、嵌入式人工智能和人工智能增强设计。从技术的研发周期判断,人 工智能行业正处于第三波爆发期,而这波浪潮最大的特点就是与业务紧密结合的 AI应用场景逐渐落地,比如说工业视觉、车载领域的 ADAS 和 DMS 产品等。只有把握行 业数据,同时拥有先进算法和强大计算能力的企业将成为最主要的推动者。

行业赋能和消费者产品是 AI 当前落地主要形式。AI 在面向不同行业的技术使用 度存在差异。目前来看,数据获取的难易程度和多少会对人工智能落地产生影响;同 时,因为深度学习算法对场景数据的依赖,所以对长尾场景包容度高的应用落地就会 更快,例如安防、教育等。目前人工智能技术落地商业化的方式主要有两种,一种是 基于行业痛点的解决方案,另一种则是面向消费者打造爆款 C 端产品。图 29 详细对 比了 AI 典型行业和产品的成熟度情况,并针对核心与辅助环节进行了分拆。

从行业赋能来看,保持政府开支的同时,挖掘企业服务市场潜力是未来方向。针 对行业痛点的解决方案,最成功的莫过于安防行业。整个安防行业的核心在于视频监 控,视频监控的无人化和精准化一直是改革升级的目标。随着计算机视觉技术近年来 出现质的突破,安防行业迅速进入智能化时代。安防行业积累了大量的数据,且数据 整洁度高,数据采集流程成熟完善,工作流自动化程度高,应用场景清晰,以政府开 支为主的商业模式在国家相应政策的鼓励下实施效率高,另外,安防对于长尾的容错 度也相对没那么苛刻,这些客观因素的叠加使得 AI+安防迅速落地和商业化成型。再 以 AI+医疗/健康行业举例,虽然行业内部积攒了大量的数据,但数据整洁度一般,工 作流自动化程度较弱,使得 AI+医疗/健康仍处于智能化的初级阶段。仍处于蓝海的 AI+文娱产业和 AI+能源产业则更多的是受制于数据积累量不够多,工作流自动化程 度不高,行业应用仍然亟需相应的规范,才能引领人工智能技术更好的渗透。

从消费者产品来看,产品的成熟度受场景复杂度、用户心理接受度、技术水平等 多方面影响大。1)智能音箱。各大厂商都在布局的智能音箱产品,核心环节在于人机 深层次互动,主要功能点在聊天问答、家居控制、消费支付等,所用到的人工智能核 心技术正是近年来发展迅猛的语音识别和语义识别技术,技术成熟度较高,产品场景 较为简单,主要聚焦在室内,同时消费者用户心理接受度也高。根据前瞻产业研究院 的统计,智能音箱目前作为最为成功的 AI+消费者产品,2019 年的出货量达到 1.469 亿 台,市场规模为 119 亿美金。2)个人工作助理。同样运用语音识别和语义识别技术成 熟度较高,由于场景较智能音箱更为复杂,同时部分用户担心个人信息安全,目前渗 透率较低。3)智医助理。目前仍然处在市场教育的前期,因为患者和医院由于担心误 诊误疗的发生,对 AI 医生产品都有较强的抵触心理,而如果将 AI+医生替换为 AI+医 生助理,即由决策者角色改变为建议者角色,患者和医院的心理接受度大大增强。

算力和算法双双突破,技术成熟加速人工智能应用浪潮。人工智能产业在历史上 的发展,也曾经历过两次低谷。1)第一次低谷出现在 1974 年-1980 年,人工智能产业 被算法和算力双重限制。一方面是感知器,逻辑证明器等初级算法无法应对更复杂的 场景,另一方面则是当时计算机的算力极其有限,无论是内存还是中央处理器的处理 速度都无法适应人工智能所需要的实际情况;2)第二次低谷则出现在 1987-1993 年, 虽然出现了为人工智能行业量身定制的 Lisp 语言和机器,但是依旧被计算硬件所局限; 3)如今,随着近年来 GPU、FPGA、ASIC 等各种硬件的大规模应用,云端服务器和终 端的计算能力获得了极大提升,与此同时数据规模的快速增长以及算法研究的不断深 入,人工智能已经在某些特定任务达到或超越人类,这使得人工智能技术可以代替人 类进行一些重复性的工作,为人工智能技术的应用落地打下坚实的基础,这里面最优 代表性的事件为 ImageNet 的挑战结果,以及 AlphaGo 战胜人类棋手事件。

数据仍保持高增长,数据素材对 AI 模型准确性至关重要。数据部分包括采集,标 注和分析。数据部分指的是完整的大数据产业链,现阶段人工智能技术还处于弱人工 智能阶段,只有充分的数据训练集才能最大发挥出机器的智能性,即数据的采集和标 注很大程度上取决了现有人工智能技术的上限。根据 IDC 预测,全球数据流量将继续 维持指数级增长,预计在 2025 年突破 175ZB。中国受益于 5G 网络的快速铺开,将成 为全球数据增长的主力。数据的快速积累将极大程度上提高人工智能模型的准确性。

中国产业人才储量远低于美国,基础层人才缺口巨大。人工智能行业之争主要体 现为人才之争,尤其在基础层和技术层领域。腾讯研究院的数据统计显示,美国人工智能团队共有约 78700 名工程师,而中国仅仅有大约 39200 名工程师储备。放眼九大 领域,单就工程师数量,中国仅仅在智能机器人一个领域优于美国,在语音识别和自 动驾驶领域略领先于美国,而在其他六大领域都存在缺口。以人工智能产业链划分, 美国有 22%的工程师从事基础层相关领域,而中国的比例仅 3.3%;技术层上,中美工 程师比率相差无几,都在 35%附近;应用层上,中国工程师比例达到了 62%,美国占 比为 40%。按照亿欧《2020 全球人工智能人才培养》报告的统计,全球范围内,中国 对 AI 岗位的需求最为旺盛,2018 年有 12113 个空缺。

高校纷纷设立 AI 专业,提升 AI 基础性和原创性研究能力。1)与 AI 相关专业和 院系。国内和 AI 相关的专业主要有智能科学与技术、数据科学与大数据、机器人工 程、人工智能,通常设立在人工智能学院、计算机系、智能科学与技术系、自动化与 智能科学系。2)AI 需要复合型人才。根据国务院《新一代人工智能发展规划的通知》, 从学习的课程来看,应当形成“人工智能+X”复合专业培养新模式,重视人工智能与 数学、计算机科学、物理学、生物学、心理学、社会学、法学等学科专业教育的交叉 融合。3)从设置 AI 专业的高校数量来看,2019 年 3 月,教育部批准 35 所高校新增人 工智能本科专业,2020 年 3 月 3 日,教育部官方网站更新了《关于公布 2019 年度普 通高等学校本科专业备案和审批结果的通知》。新增人工智能专业的高校达到了 180 所, 是此次新增备案专业数量较多的学科。我们做一个测算,假设每个学校每年平均培养 100 名人工智能毕业生,则形成稳态后每年可以为社会输送 1.8 万 AI 专业人才。

新一代人工智能正在全球范围内蓬勃兴起,为经济社会发展注入了新动能,正在 深刻改变人们的生产生活方式 。我们认为,在 2021 年相关人工智能公司有望实现业 绩释放和估值提升的戴维斯双击。推荐关注: 科大讯飞、中科创达、海康威视、大华股 份、锐明技术、虹软科技、地平线、商汤科技、旷视科技、依图科技、云从科技、云 知声。

(报告观点属于原作者,不代表我们的任何投资建议。如需使用相关信息,请参阅报告原文。)

发表回复

您的电子邮箱地址不会被公开。