人工智能行业研究报告

围

涵盖AI基础技术及终端产品

研究范围：

人工智能是一门综合了计算机科学、生理学、哲学的交叉学科。凡

是使用机器代替人类实现认知、识别、分析、决策等功能，均可认

为使用了人工智能技术。作为一种基础技术，人工智能在很多行业

都有用武之地。既有人工智能+基础行业的概念（如人工智能+金融

=Fintech），也有其具体应用行业的概念（比如机器人）。

按照技术应用的不同场景，可以将人工智能分为基础技术类及终端

产品类，本报告研究范围涵盖以下领域：

研究目的：

本报告将集中探讨：

人工智能行业整体的发展现状与技术发展趋势

各细分领域投融资热度与技术成熟度

巨头在人工智能领域的布局与策略

各应用领域市场规模、竞争格局、进入壁垒、产业链上下游构成

行业标杆的商业模式、核心竞争力、未来发展预期

目录 Contents

一、人工智能行业驱动力

1. 行业驱动——数据量、运算力、算法技术

2. 政策法规

3. 投资热度

国际投资热度分析

国内投资热度分析

国内公司运营数据分析

二、人工智能产业链与巨头布局分析

1. 产业链构成

2. 巨头布局

开源平台布局

芯片布局

技术布局

一、人工智能行业概述

三、人工智能基础应用介绍与典型公司分析

1. 语音识别

2. 语义识别

3. 计算机视觉目录 Contents

五、人工智能在各行业的应用介绍与典型公司分析

1. 机器人

2. AI+金融

3. AI+医疗

4. AI+安防

5. AI+家居

六、人工智能芯片介绍与典型公司分析

六、人工智能行业趋势展望

1. 人工智能各行业综述

2. 人工智能当前发展瓶颈

四、人工智能芯片介绍与典型公司分析

1. 人工智能芯片适用性分析

GPU

FPGA

ASIC

2. 人工智能芯片产业链分析

3. 人工智能芯片典型公司分析

人工智能行业概述

CHAPTER 1

• 行业驱动——数据量、运算力、算法技术

• 政策法规

• 投资热度

国际投资热度分析

国内投资热度分析

国内公司运营数据分析6

36Kr-人工智能行业研究报告

2017年2月

数据量、运算力和算法模型是影响人工智能行业发展的三大要素。

2000年之后，数据量的上涨、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。

• 海量数据为人工智能发展提供燃料

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。

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. ”

行业驱动力 · 数据量

海量数据为人工智能发展提供燃料

大数据

训练模型应用于具体场景

算法模型场景应用

来源：IDC，36氪研究院

2020

数据量与准确率之间的关系 2009-2020年全球总体数据量（单位：ZB）

2009

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

100 200 300 400 500 600 700 800 900 1000

测试字符数量

Window Memory-Based

Perceptron Naïve Bayes

说明：window、memory-based、perceptron、naive bayes 均为不同算法

来源：Stanford机器学习公开课，36氪研究院

1.1行业驱动---

数据量

运算力

算法技术

1.2 政策法规

1.3 投资热度

全球投资热度

国内投资热度

国内公司运营数据分析

准

确

率7

36Kr-人工智能行业研究报告

2017年2月

人工智能领域是一个数据密集的领域，传统的数据处理技术难以满

足高强度、大数据的处理需求。 AI芯片的出现让大规模的数据效率

大大提升，加速了深层神经网络的训练迭代速度，极大的促进了人

工智能行业的发展。

AI算法的处理需要大量的矩阵计算操作，因此特别适合使用并行运

算芯片进行数据处理。而传统的CPU一次只能同时做一两个加减法

运算，无法满足并行运算的需求。目前，出现了GPU、NPU、

FPGA和各种各样的AI-PU专用芯片。而其中，出现最早的GPU为

人工智能的发展做出了巨大的贡献。

擅长并行计算的GPU大幅提升机器学习效率。在GPU出现之前，算

法运行的速度是很慢的，即使是一个简单的神经网络数据的培训，

也得花费几天、甚至几周的时间。 1999 年，Nvidia 公司在推销

Geforce 256 芯片时，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，极大的促进人工智能行业，尤其计算机视觉领域的发展。

GPU与传统CPU相比，在处理海量数据方面有压倒性的优势。据

Rajat Raina 与吴恩达的合作论文 “用 GPU 进行大规模无监督深

度学习” 显示，在运行大规模无监督深度学习模型时，使用 GPU

和使用传统双核 CPU 在运算速度上的差距最大会达到近七十倍。

在一个四层，一亿个参数的深度学习网络上，使用 GPU 将程序运

行时间从几周降低到一天。

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。想

要发挥专用芯片的计算优势，需要芯片结构和软件算法两者相匹配

。目前的趋势是，随着对人工智能各类应用需求的不断增强，专门

用于加速人工智能应用的AI-PU或将成为计算机另一个标配组件。

行业驱动 · 运算力

运算力的提升大幅推动人工智能发展

世界上第一款GPU-GeForce 256 中科寒武纪即将投产的 “寒武纪”NPU Altera的高端FPGA 产品 Stratix 10

1.1行业驱动---

数据量

运算力

算法技术

1.2 政策法规

1.3 投资热度

全球投资热度

国内投资热度

国内公司运营数据分析8

36Kr-人工智能行业研究报告

2017年2月

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。这些算法的局限性在于对有限

样本和计算单元的情况下对复杂函数的表示能力有限，对复杂数据

的处理受到制约。以计算机视觉为例，作为一个数据复杂的领域，

浅层学习算法的识别准确率并不高。该类识别原理多为通过寻找合

适的特征来让机器辨识物品状态，由于这个处理逻辑是浅层的，不

能穷举各种复杂的情境，因而算法拟合的准确率不高。

深度学习突破人工智能算法瓶颈。2006年，Geoffrey Hinton 和合

作者发表论文，“A fast algorithm for deep belief nets”，此后

“Deep Learning（深度学习）”的概念被提出。

以计算机视觉为例，深度学习出现之前，基于寻找合适的特征来让

机器辨识物体状态的方式几乎代表了计算机视觉的全部。尽管对多

层神经网络的探索已经存在，然而实践效果并不好。深度学习出现

之后，计算机视觉的主要识别方式发生重大转变，自学习状态成为

视觉识别主流。即，机器从海量数据库里自行归纳物体特征，然后

按照该特征规律识别物体。图像识别的精准度也得到极大的提升，

从70%+提升到95%。

在短短几年时间里，深度学习颠覆了语音识别、语义理解、计算机

视觉等基础应用领域的算法设计思路，逐渐形成了从一类训练数据

出发，经过一个端到端的模型，直接输出最终结果的一种模式。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

我调整规则中的参数，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。

行业驱动力 · 算法

深度学习突破人工智能算法瓶颈

72.00% 74.50%

84.70%

89.00%

93.00% 95.00%

60%

70%

80%

90%

100%

2010 2011 2012 2013 2014 2015

2010-2015年 ImageNet 比赛图像识别准确率

注释：ImageNet是计算机视觉系统识别项目。

来源：36氪研究院

过去现在未来

Google translate语义识别准确率

60%

83.4% …

注释：Google translate是语义识别项目。

来源：36氪研究院

1.1行业驱动---

数据量

运算力

算法技术

1.2 政策法规

1.3 投资热度

全球投资热度

国内投资热度

国内公司运营数据分析9

36Kr-人工智能行业研究报告

2017年2月

• 其他国家人工智能相关政策

各国均在政策层面强调和推动人工智能的发展。其中，美国侧重于

研发新型脑研究技术；欧盟主攻以超级计算机技术来模拟脑功能；

日本则聚焦以动物为模型研究各种脑功能和脑疾病的机理。

政策法规 · 国外

政策加码，人工智能发展如火如荼

国家相关措施

美国

• 2013 年4 月，美国正式公布“推进创新神经技术脑

研究计划”（BRAIN）。得到政府拨款1.1 亿美元，

覆盖美国国家卫生研究院（HIN）、国防部高级研究

项目局、国家科学基金会。

• 2014 年HIN 小组制定了未来十年详细计划，预计每

年投入3-5 亿美元开发用于监测和映射大脑活动和结

构的新工具，十年计划共花费45 亿美元。

欧盟

2013 年初，欧盟宣布了未来十年的“新兴旗舰技

术项目”——人脑计划（HBP），该项目汇聚了来自

24 个国家的112 家企业、研究所和高校等机构，总投

资预计将达到12 亿欧元。计划在2018 年前开发出第

一个具有意识和智能的人造大脑.

日本

2014 年9 月启动大脑研究计划Brain/MINDS。该计划

为期10 年，由日本理化学研究所主导实施，旨在理解

大脑如何工作以及通过建立动物模型，研究大脑神经回

路技术，从而更好地诊断以及治疗大脑疾病。

来源：36氪研究院

1.1行业驱动---

数据量

运算力

算法技术

1.2 政策法规

1.3 投资热度

全球投资热度

国内投资热度

国内公司运营数据分析10

36Kr-人工智能行业研究报告

2017年2月

• 国内人工智能相关政策

国内近几年也出台了相关扶植人工智能发展的政策，积极推动人工

智能在各个细分领域的渗透。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。

政策法规 · 国内

政策加码，人工智能发展如火如荼

实施时间颁布主体法律法规相关内容

2015.5 国务院《中国制造2025》

提出“加快发展智能制造装备和产品”，指出“组

织研发具有深度感知、智慧决策、自动执行功能的

高档数控机床、工业机器人、增材制造装备等智能

制造装备以及智能化生产线，统筹布局和推动智能

交通工具、智能工程机械、服务机器人、智能家电、

智能照明电器、可穿戴设备等产品研发和产业化。”

2015/7/4 国务院

《国务院关于积极推进

“互联网+”行动的指导

意见》

明确提出人工智能作为11个重点布局的领域之一，

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。

2015/7/9 中央办公厅、

国务院

《关于加强社会治安防控

体系建设的意见》

加大公共安全视频监控覆盖，将社会治安防控信息

化纳入智慧城市建设总体规划，加深大数据、云计

算和智能传感等新技术的应用。

2016.1 国务院《“十三五”国家科技创

新规划》

智能制造和机器人成为“科技创新-2030 项目”重

大工程之一。

2016/3/18 国务院

《国民经济和社会发展第

十三个五年规划纲要（草

案）》

人工智能概念进入“十三五”重大工程。

2016/5/18

国家发展改革

委、科技部、

工业和信息化

部、中央网信

办

《“互联网+”人工智能

三年行动实施方案》

明确了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，并且

政府将在资金、标准体系、知识产权、人才培养、

国际合作、组织实施等方面进行保障。

1.1行业驱动---

数据量

运算力

算法技术

1.2 政策法规

1.3 投资热度

全球投资热度

国内投资热度

国内公司运营数据分析11

36Kr-人工智能行业研究报告

2017年2月

• 融资规模与成立公司数量总览

咨询公司Venture Scanner统计，截止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。

而人工智能创投金额在5年间增长了12倍。

投资热度 · 全球

全球AI领域融资金额5年增长12倍

62 96 66 68 64 138 125 102 186 283 211 141 321 555 394 942 769 398 911 485 6361,049

22 20

38 37 38 43 50

70 77 84 80

120

100

134

上一篇:美国国家人工智能研究与发展战略计划

下一篇:智能语音产业现状

推荐文章

数据与智能融合，新赛道的投资机会如何判断？

大数据领域经历了2013年开始的疯狂增长，2016年的断崖式下降，以及2018年以来的迭代复苏，单一的数据技术逐步与人工智能技术结合，应用场景从营销获客、金融风控等为主，转为与城市管理、工业制造等领域越来越深度的结合。大数据产业已进入2.0时代。新时代下，数据与智能融合，新赛道的投资机会如何判断？中国计算机学会（CCF）大数据专家委员会，每年年底都会发布下一年的大数据发展十大趋势预测。回顾从2013年到2019年的第一大预测，可以发现有意思的发展轨迹：数据的资源化（2013）、大数据从“概念”走向“价值”（2014）、大数据分析成为数据价值化的热点（2015）、可视化推动大数据平民化（2016）、机器学习继续成智能分析核心技术（2017）、机器学习继续成大数据智能分析的核心技术（2018）、数据科学与人工智能的结合越来越紧密（2019）。从大数据的概念兴起到寻找和挖掘大数据的价值，再到大数据的平民化以及大数据与人工智能的紧密结合，这是一个螺旋上升的过程。在这个过程中，整个大数据产业越来越认同：数据本身没有价值，经过清洗之后才能形成信息，信息只有经过整理才会形成知识，知识只有应用了才会形成智慧，智慧经过收集又变成数据，这是一个完整的循环。数据经过迭代和循环之后，基于场景化的应用才能创造价值，这已经成为产业共识。进入2018年，我们正处于大数据产业第一轮上升周期的最后阶段——智能应用阶段。现在，各种各样的IT公司、AI公司、大数据公司甚至是SI系统集成商等都在进入所谓“数据智能”领域，造成竞争非常激烈，使得很多从业者在审视方向和战略路径的时候产生了焦虑。其他赛道的争相融合，也使得数据智能赛道中的选手排名有很大的不确定性，再加上这些选手在一级市场高估值的现象，使得投资人在做判断的时候比较纠结。在2018年12月举办的钛资本“新一代企业级科技投资人投研社”在线研讨会第八期上，达晨财智业务合伙人窦勇分享了对数据智能产业的思考。窦勇在达晨财智负责大数据业务，同时也是中国首席数据官联盟专家组成员，其投资案例包括数联铭品、数据堂、昆仑数据、美林数据、蝎子网络、中奥科技、索为高科、锐思环保等。走进数据2.0时代大数据，通俗的讲就是一台机器干不完的事情，利用多台机器来完成。大数据能够快速发展的根本原因无非两个，一个是计算性能的提升，第二个存储成本的降低。对标国外来看，整个20世纪90年代之前，因为信息化尚未完成，数据量比较少。进入21世纪，移动互联网的兴起使得数据量飙升。2005年，雅虎解决网页搜索问题的时候，提出来两个概念——高性能计算、分布式存储，对行业有着很深远的意义。资本市场更关注的是2009年Splank的上市，来自资本市场的刺激让整个市场为之动容。而2014年Plantir的估值达到200亿美金，更是让国内的整个投资界为之疯狂。国内来看，从2013年到2017年12月9号，属于数据1.0时代，是进行认知、培训、泡沫、创新的过程。为什么以2017年12月9号为分界点呢？因为在这一天梅宏院士向中央递交了一个报告，从此整个行业进入了数据2.0时代，也就是数据场景化应用、深度融合的时代。云计算、大数据、人工智能这三者之间你中有我、我中有你、互利共存，一起促进了整个数据智能产业的发展。云计算的出现带动了大数据的热潮，后来人工智能变得更热了，是不是大数据就变得不重要了？其实大数据已经融入到了整个人工智能产业中。回顾数据1.0时代的投资逻辑数据1.0时代是一个体现数据差异化的时代，这个时代从消费领域的大数据开始，经历了机器大数据以及后来的工业大数据。机器大数据萌芽阶段是从2013年到2015年，从2015年进入成长阶段，新三板的介入助推了这个进程。在2016年之前，工业大数据没有得到太多的关注，整个产业现在也还处于发展的初期，这是因为工业领域的信息化尚未完成，有很多的不确定性因素，也存在大量机会。数据1.0时代，从产业角度来看，数据格式从结构化、半结构化、异构化等多样化的融合使得数据源变得更加丰富；而处理数据的手段，无论是基于Hadoop还是Spark的计算方式，都使得整个产业不断地迭代和演进。数据1.0时代的创业者无非有三类：第一类是原来的传统IT和系统集成商，这一部分群体的出现主要是因为在2015年整个数据行业处于高速发展中，在一级市场给出高估值的情况下，大部分IT系统集成厂商摇身一变成了所谓的数据厂商，他们胜在更贴近用户，但可能对于行业的认知不足，不太关注研发投入；第二类是拥有稀缺数据资源的厂商，他们凭着独有的数据资源能够带来独有的视角和商业价值；第三类是具备技术的创业团队，他们大部分来自于传统的企业IT公司，包括微软、IBM、Oracle等大型厂商，对于技术的应用比较强。在过去五年当中，这三者各有一席之地，但是最终在进入数据2.0时代的时候逐渐融合，都在往场景落地上走，也就是所谓的数据融合。数据1.0时代从资本的角度来看，2014年Palantir获得200亿美金的估值，加快了国内整个行业泡沫的形成。新三板2015年的推出导致整个行业的虚高。2016年6月1号，《网络安全法》的公布又矫枉过正。特别是对个人隐私数据的极端关注，导致大量行业从业者退出。而因为泡沫的存在，造成了大量黑产数据的形成，产业里面形成了大量的灰色地带。整个行业陷入极其消沉期是在2017年，由于对整个行业的未来方向都看不清楚，很多人到处尝试，数据行业投入的壁垒也在逐渐加大。2017年12月9日的“实施国家大数据战略”，为整个数据行业带来了一个新的方向。中国政府是数据最大的拥有者，也是数据最大的需求者，但本身没有技术能力使用数据。因此，如果没有政策的指引，地×××府也不敢投入。所以，2017年12月9日之后，整个行业迎来了快速发展。对于数据应用来说，什么样的行业领域才能体现数据价值？一是这个行业具备一定的信息化程度；二是具备购买数据服务的能力；三是具有数据安全或安全数据，数据安全是指数据资产本身从流通到应用过程中的安全，安全数据是指数据来源的合法性，对这个问题必须慎之又慎。对大数据企业进行估值也比较挑战，传统的估值模型往往在现实中不成立。数据企业具有一个显著的特点：除了轻资产外，其它的什么都没有。对于这类型资产怎么进行估值？投资机构在最开始做数据企业估值的时候肯定是“两眼一抹黑”，不过可以基于三个方面的目的进行判断：第一，投资机构确实想进入这个市场，所以在有标的物的估值方面可能会采取折中的办法；第二，投资以退出为目的，估值取决于需要多长时间能够收回本金；第三，数据企业的产品应用场景在哪里，用户的反馈是什么。还有一些比较实用的小技巧：第一，数据企业到底能解决什么样的问题，是否具备可复制性，持续能力在哪里；第二，团队的构成是否互补，数据企业往往都是科学家型，在面对市场时有哪些短板，如果后期补齐了短板，成长的能力又在哪里；第三，创业早期可能对财务指标不会太在意，但是对于资金的使用去向要特别关注。数据2.0时代：场景逻辑，巨头形成数据2.0时代到底是什么样的呢？从产业内部来看：第一，普适性的教育已经初步完成，分工明确、需求也十分确定，给整个数据产业带来了一个快速发展的强周期，具备了天时、地利和人和；第二，随着金融资本市场进一步的回落，对于数据企业的认知更加回归本质，资本市场给整个产业带来的泡沫逐渐消亡，原来单纯靠PPT演讲就能融资的情况已经基本不存在了。从产业外部来看：第一，资本市场回归理性，泡沫空间变小。都知道2018年难熬，大家的口号都是“活下去”；第二，外部政策环境持续利好，无论是科创板的即将开板，还是国家把数据行业定位为新经济的重要支柱，都给数据产业的良性发展提供了一个良好的外部环境。天时、地利、人和都具备了，可以预测，大数据企业在未来的一段时间将形成以下三个良性发展：第一：场景落地的效应更加明确。到底是针对什么样的场景解决什么样的问题，这种场景是否具备可复制性，持续效应在哪里，如何随着时间的推移得到进一步的应用；第二，数据龙头企业形成。资本寒冬后留下来的是良品，大数据企业会趋于一种寡头效应。凭借着资本市场以及行业里大量的沉淀，将形成对整个产业的新认知。现在二级市场上虽然很多自称大数据企业，其实真正的大数据企业可能寥寥无几，可以期待之后真正的数据巨头形成；第三个是技术更新加快。现在无论是从硬件还是软件，整个产业层面对于数据行业的支撑在不断的加快演进与迭变。无论是从计算性能还是存储效率来看，计算效率的极大提升将驱动产业进一步良性的发展。回归到本质来看，数据2.0时代的“场景落地”到底指的是什么样的场景？这个场景一定是在信息化基本完成的行业里，并且行业具有较强的支付能力。创业公司也不再是项目型，而是以产品的形式带动整个产业的发展。工业互联网：数据2.0的典型场景在场景落地方面，工业互联网是一个典型的细分赛道。2017年12月9号之后，最让整个产业界兴奋的事件，就是工业富联上市。工业互联网赛道在当前的寒冬期仍相当红火，主要推手有两个：一个是工信部信通院在推广工业互联网板块，另一个是国家层面的“中国制造2025”。这两个推手促成了工业互联网赛道的趋之若鹜。但目前我国的工业尚处于3.0阶段，难以跟以高科技著称的美国工业互联网、以机械著称的德国工业互联网对标，所以国家提出了“中国制造2025”。虽然这只是纲领性的文件，但是对整个产业界、投资界以及工业互联网创业圈的振动却不小。从“中国制造2025”的宏伟目标看，其中的产业机会达上万亿。但整个赛道从投资者的角度来看，创业者并不多。因为既懂IT又懂工业的人少之又少，整个工业互联网赛道看似有巨大的商业机会，但从基本面来看还处于一个比较落后的阶段。投资人应该怎么看工业互联网？工业互联网可以分两部分：第一，透明工厂，就是在工厂内部围绕产品打通原料、生产流、信息流、资金流，实现设备智能化、流程信息化、过程网络化；第二，以前当产品离开工厂后就很难再与工厂发生联系，而从工业互联角度考虑就要以用户为中心，实现需求个性化、体验场景化、用户生态化。围绕这两部分，工业互联网的体系，从产品全周期管理开始到最终用户互联互通，形成了一个生态。生态当中流通的是数据，以数据的方式驱动整个产业的布局。按三个层级划分，工业互联网领域可以布局的赛道具体有以下这些：第一，边缘层。围绕工业互联网的数据汇聚基础，值得布局的赛道有工业传感器、5G、芯片产业。实际上，传感器领域还是被国外厂商垄断，5G核心芯片也是类似情况。但是，随着带宽的提高，采集数据的成本降低了。物联网领域，形成了M2P（Machine-to-Person机器与人连接）和M2M（Machine-to-Machine机器与机器连接），数据的流通得到了进一步的加强。当然芯片不是靠钱能堆出来，但是基于工业互联网的单片机相对比较容易，投入资金也能促成一些基于行业场景化、定制化的芯片，所以这个领域还是有一定的机会。第二，平台层。可以关注几个方向：首先是行业内的应用平台，这是因为没有行业应用具体特征的数据平台会比较空泛，而解决工业领域各种细分需求的平台需要花费更多时间打造；其次，从技术逻辑角度来看，基于工业产品的时空数据库并没有较好的解决方案，相应可以布局专门针对工业领域数据特点的解决方案。第三，应用层。因为这个行业相对比较早期，哪怕相对比较大型的企业如树根互联、网智天元、徐工信息等，可能在某一个细分领域凭借原来的行业经验积累了丰富的应用，或者凭借母公司带来相对垄断的资源，但也还都是项目制的方式运营，完全以标准化产品提供服务的还比较少。应用层的创业和投资机会，可以从两个方面考察：第一，信息化是否提前完成；第二，有资金和技改经费。按照这两个标准，能源、电力、高端装备制造业等都是比较好的选择。整体来说，在工业互联网板块三个层级里，哪一个层级会先有选手跑出来呢？从用户的角度来看，可能是平台层。虽然没有边缘层这些企业解决数据采集、数据治理、数据清洗的问题，平台层无从谈起。但是边缘层往往吃力不讨好。大的企业客户往往急于看到效果，对于平台层的需求往往超出对于边缘层的需求。应用层是不是没有机会呢？也不是。但是在工业互联网领域，用户在意的是究竟能不能解决问题。从行业来看，一定是在能源、电力、高端装备制造业等板块，会较早的跑出一些选手。大数据领域经历了2013年开始的疯狂增长，2016年的断崖式下降，以及2018年以来的迭代复苏，单一的数据技术逐步与人工智能技术结合，应用场景从营销获客、金融风控等为主，转为与城市管理、工业制造等领域越来越深度的结合。大数据产业正进入到2.0时代。新时代下大数据与人工智能的融合，已然成为各行各业技术驱动、产业升级的重要支撑。具备数据智能的能力、以场景应用为中心的项目，将成为大数据领域的投资主流。

人工智能行业研究报告

推荐文章

热门文章