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

明略数据是谁？为何能拿下腾讯在行业AI的高额投资

明略数据，究竟是一家什么样的公司？昨天，这个低调的AI独角兽官宣了一轮已于去年完成的10亿元融资，C轮，华兴新经济基金和腾讯领投。更早之前，红杉资本中国基金是明略数据B轮的领投方。值得注意的是，这则简短融资消息背后，也隐含着巨头们对潮水方向的判断。Why？有两个人最适合回答该问题。一是腾讯投资董事总经理姚磊文（Levin Yao），他是腾讯投资在AI赛道上的“捕手”，也是腾讯投资明略的直接负责人。二是明略数据创始人及董事长吴明辉，他是明略的掌舵者，也是最先感知春江水暖的行业先锋，实际上这也是吴明辉的二次创业，在明略之前，他发起创办了营销领域声名卓著的“秒针”。So，开门见山，围绕本次风向标式的投资，量子位请他们分享下对行业AI、未来趋势和明略发展的看法。腾讯的逻辑姚磊文（Levin Yao），一个逻辑清晰、言语简练的投资人。在被问到此次投资的背后逻辑时，这位腾讯投资董事总经理径直以“3个3”回答。第一个“3”，行业趋势，姚磊文表示在AI加持下，大数据和云计算意义被重估，价值也在得到史无前例地释放。之前马化腾有金句：在云端利用AI处理大数据。而姚磊文则对此有更具体的解释：首先，大数据正在给各行各业带来效率提升的机会，这是大趋势；其次，支撑这个大趋势的核心原因，是数据的价值在云计算和AI作用下实现了价值放大，表现为线上线下数据开始有效打通，可以更加精准地识别用户需求，给用户带来更好的服务和价值；第三，越来越多的智能传感器，又在进一步完善数据规模和维度，伴随数据联网化、分析能力等技术提升，数据价值倍数级放大。于是在很多垂直应用场景，比如金融、工业、安防等，AI带动的数据价值提升，带来了更大的势能作用。第二个“3”，是在趋势和时间节点踩准的前提下，AI落地的3个重要维度。首先是选到一个有海量数据的领域切入，以明略为例，最先迈入的公安安防领域，破案和反恐，都是涉及海量、多源，且数据动态更新的领域；其次是刚需明显。社会各界对安防领域一直都有巨大投入，不仅商业上有价值，还有积极的社会价值，是一个极富潜力的价值创造领域；最后是固有解决方案有缺陷。传统大数据服务提供商，在现有AI解决方案上留有空间，后入的创新者机会很好。所以从这3个维度来看，明略目前选择的公安、金融和工业，都有很明显的结构性机会。腾讯在这个方向上综合考察多家公司后，认定明略会是战略和财务上都能有优质回报的标的。姚磊文强调说，腾讯挑选投资标的非常谨慎，原则就是：选最好的公司，给最多的支持，让它快速成为赛道领头羊。新美大、京东、滴滴和链家等，都是腾讯投资原则下诞生的优秀成绩单。但对于明略这样的行业AI公司，也不是不存在挑战。依然是3点。第一，数据本身体量大，维度多元，数据治理原本就是一个很大的工作，需要一个标准化流程，将非结构化数据变成结构化数据，这其中涉及对技术和行业的深刻理解。很多情况下，可能会面临数据很多，但不可用，数据孤岛是行业AI的瓶颈之一。第二，当前AI技术发展尚处于初期，可以提供的价值创造有限度，无论是视觉、语音，还是自然语言理解，都还有待技术实现更大突破。第三，AI to B，就会涉及到B端客户的认知度，特别是对于政企，需要时间和接受过程，明略等行业AI的早期投入企业，一方面有技术落地的硬性需求，另一方面也有市场教育和认知普及的潜在任务。“挑战有，然而都能在不远将来得到解决。” 腾讯投资董事总经理姚磊文总结道。明略的AIOK，趋势和行业逻辑已经很明确，但明略到底做的是什么的？不妨先看一个直观的例子。2017年，明略正式对外发布了用于公安研判的AI人机交互产品“小明”，并正式在一些省市公安机关入职上岗。“小明”可以干什么？他不仅能把潜在犯罪嫌疑人的历史图谱分析清楚，而且还能结合时间、地点和其他维度，最后为公安民警提供决策参考，可以说是民警的研判助理，但又因为具备AI的学习及计算分析能力，堪比富有经验的优秀老民警，甚至可以说是民警标配的“福尔摩斯”。这差不多就是明略业务产品的缩影。选定一个行业，找到刚需痛点，基于大数据，结合AI在感知和认知方面的能力，给出行业性解决方案。本质上是利用AI降低成本，提高效率。而上述举例所说的“小明”，只是明略行业AI落地的人机交互产品。“小明”背后，还有基于知识图谱数据库产品“蜂巢”，以及AI大脑“明智系统”。△明智系统产品体系与火热的感知AI不同，明略要落地的，叫认知AI。这套思路，3年前从公安安防开始，现在延伸拓展到金融、工业与物联网等行业中，选知识型劳动的现实痛点切入，提供AI解决方案，并以此营收。这还只是开始，吴明辉说：这是一个前期投入大、起初方案打磨时间长，然而一旦开始合作，增长稳定，壁垒深厚，而且AI还会随着数据增长而巩固优势。这位明略创始人还透露，如果保持每年2-3倍的增长速度，明略在1、2年后便会是一家盈利公司。而这还未将认知AI可能到来的技术革新计算在内。认知AI北大AI实验室出身的吴明辉，将AI按照“感知AI”和“认知AI”划分。感知类于人的眼、耳、口等感官，认知则更偏大脑新皮层，其中有逻辑思考、想象力、语言能力、符号处理能力。感知+认知，构成人类完整的智慧能力。此前，伴随深度学习带来的突破，感知AI正在前所未见地变革行业，让万物有灵。△明略数据创始人及董事长吴明辉现在，吴明辉认为“连接点”已经出现，感知AI和认知AI，正在寻求更全面地对接。吴明辉说，在公安安防的AI系统打造中，感知方面的智能摄像头、视频解析，正在与认知领域的知识图谱等对接，双方正在呈现出越来越强的合作连接趋势。但吴明辉也强调，之前相互独立发展的二者，现在所处的发展阶段也不同。他表示现在认知AI方面的进展，尚处于方兴未艾阶段——“相当于深度学习在2011年时所处的阶段。”对于认知AI的发展，吴明辉也给出了3点看法，指需要分3步走。第一步，实现数据在线，即腾讯姚磊文所说的数据网联化；第二步，基于数据在线实现分析和挖掘；最后，形成彻底的AI业务闭环，拥有完整的行业解决方案，从最直观的感知，到后端支撑的认知，完成完整闭环方案，且有源源不断的客户价值产生。这也是目前明略40多个项目经理分布全国各地的原因，因为行业AI落地很难“拿来即用”。所以当我们问“行业AI落地所需”时，吴明辉给出的答案是：AI产品经理——这也是他在明略内部的自我定位。吴明辉说，目前需要的产品经理一样的角色，把AI技术能力和客户需求梳理打磨，完成闭环的业务产品。他解释称，这是人工智能的第一性原理。最核心的环节是形成产品闭环，而且最重要的是这个闭环并非完全机器永动循环，而是打造用户体验良好的人机交互入口，让所有的客户源源不断参与到“数据标注”、模型训练中。秉持这样的观点，实际也跟目前认知AI所面临的技术挑战相关。在吴明辉看来，认知AI的终局就是一个无所不会的“问答系统”。无论用户、客户用什么样的语言、表达方式，这个问答系统都能准确理解、准确回答。然而以一线从业者身份发言，吴明辉觉得这个终局还“路漫漫其修远兮”，因为即便明略的AI产品现在就已经在发挥作用，但核心还回答不了“why”的问题。“你问AI，这个嫌疑犯为什么犯罪？它现在只能是懵的，不可能直接回答你。”但AI可以做的是帮你找到犯罪相关的线索、情报，并且提供一些基于数据的分析。吴明辉认为行业AI落地可以从这样的方式打开局面，更何况这也已经是很多深具经验的老刑警才能完成的工作。值得一提的是，这也是吴明辉认为行业AI将会带来的新常态。AI带来的并非是工作的冲击，而是人类的进一步解放。一方面是把人类从枯燥重复的脑力劳动中解放出来；另一方面则是做哪些人很难搞定的任务，最终让更多人投身更加有价值的工作中。沿着这个使命，以及围绕知识型劳动的AI打造逻辑，明略还会进军更多领域，还会选择“做重模式”，派驻大量科学家、技术人员在客户现场，通过构建行业知识图谱，实现从个体赋能到全局智能的产业转型升级。吴明辉说小目标，就是巩固明略面向AI的数据融合、治理能力在业内的江湖地位。而为了实现这一小目标，这位明略公司“首席产品经理”，也花大量精力在人才招募和前沿技术研究，这也是吴明辉兼顾天使投资的原因之一。我问他成为AI产品经理的建议，他笑而不语，最后半真半假地说：“这是明略数据的核心秘笈，我不能公开，但欢迎有识之士尽管来试试。”明略数据营销副总裁透露，吴明辉从2006年正式创业，北大结缘的师兄弟们，几乎都不曾离开过。如今，刚刚庆祝四周年生日的明略数据，已有400多位员工。关于明略是谁，这个问题，吴明辉说， “你的价值观是什么，决定了你是谁，明略开始的第一天就是客户第一，员工第二，股东第三。”本文来自搜狐新闻

人工智能行业研究报告

推荐文章

热门文章