人工智能产业纵览

（一）人工智能图谱研究

人工智能（Artificial Intelligence）是利用机器学习和数据分析方法赋予机器模拟、延申和拓展人类智能的能力，本质上是对人类思维过程的模拟。

简单的看，人工智能涵盖4大基础要素：数据、算力、算法、应用。即通过强大的算力及合理的算法对数据进行分类、解读、迁移，从而使机器具备像人一样解决、处理问题的能力，并将这些能力置于不同的应用场景中实现生产率的提高，帮助人类有效的解决问题或优化问题处理方式。

资料来源：苏泊尔产业资本

资料来源：苏泊尔产业资本

从4大要素的角度看，数据、算力、算法是人工智能发展的养分，必不可少，而应用即是人工智能孕育的土壤，亦是人工智能结出的硕果。如何理解？

1）人工智能发展所需要的数据来源于应用场景，只有对应的底层应用得到下游客户的认可，才能在不断使用中获取到新的养分（获取新的数据、了解下游需求、痛点及应用本身的不足，并持续的对算法进行迭代）；

2）只有形成应用，具备获取现金流的能力才能支撑人工智能企业进入良性循环阶段，利于后续的研发投入及资本市场融资；

3）人工智能最终的结果是帮助提高生产率，解决实际问题。

（二）人工智能时间轴

回溯历史，人工智能最早提出于1956年的Dartmouth会议，但受限于算力和算法的不成熟，未能实现大规模的应用和推广。此后的发展过程中神经网络等算法不断提出，但人工智能真正得以快速发展是基于信息化社会提供的丰富的数据量以及快速增长的算力。人工智能的算法在近几年并没有质的突破，这也是掣肘未来人工智能发展的重要环节，要实现从“数据智能”到“感知智能”再到“认知智能”，势必要突破数据及算力的瓶颈，算法至关重要。

资料来源：苏泊尔产业资本

从阶段上看，目前仍处于“弱人工智能”时代，距离“强人工智能”还有很长的路要走。但技术持续迭代，不同卡位分别处于不同的技术成熟阶段，对应的市场关注度、期望值、融资估值也存在显著差异，对于投资人而言，需要鉴别技术发展的节奏，对应的下游爆发时点，在合理的估值点位布局，静待花开。

（三）人工智能玩家类型

现阶段的人工智能企业玩家数量众多，全球人工智能企业数量从2016年的12653家增至2018年的15916家，整体增速放缓，人工智能创业的窗口期逐渐关闭，存量市场竞争更为激烈，总体来看，企业可大致分为3类：

1）上游AI芯片企业向下游延伸（数量较少），布局人工智能算法及终端应用场景，典型的如：NVIDIA，作为GPU龙头，在CUDA平台的基础上搭建AI算法平台Tensro RT，并在视觉、智能驾驶等终端领域进行持续布局；

2）AI企业向下游延伸，布局安防、金融、医疗、零售、营销等应用场景，典型的如四小龙（旷视、商汤、依图、云从）；

3）传统企业基于业务需求向上游AI领域布局，如：海康威视基于安防需求向上拓展AI领域，布局计算机视觉等人工智能领域；阿里巴巴基于业务量增长需求布局人工智能客服等。

从企业特点看，行业龙头均涉足终端应用，与前述观点不谋而合。

（四）人工智能国内外发展情况

从国内外人工智能的发展情况看，各有侧重。海外发达国家的人工智能商业化落地较早，海外龙头更注重于芯片、算法及软件框架，基于此打造垂直的细分场景，在硬科技端国外技术领先，短期难以颠覆；而我国应用层是人工智能最活跃的领域，国内77%的企业处于应用层、18%的企业处于技术层、5%的企业处于基础层，得益于广阔市场空间及大规模用户基础，中国市场在产业化应用上已有部分企业居于世界前列，如：中国AI+安防技术海康威视和大华股份分别占据全球智能安防企业的第1名和第4名。

于投资而言，更应以全球视角布局不同卡位的龙头.

资料来源：苏泊尔产业资本

基础层 —— 算力：挑战与机遇并存

基础层涵盖了数据及算力，而数据涉及到了大数据产业、传感器、服务器等基础设施，详见原创研究《万物触手可及，世界近在咫尺——浅析物联网行业发展前景》、《九万里风鹏正举——我们眼中的大数据产业图谱和投资机遇》。

从算力的角度看，以AI芯片为载体的计算力是人工智能发展水平的核心要素之一。AI芯片依据承担的功能可分为训练端及推理端，目前GPU、FPGA、ASIC成为AI芯片的主流技术路线，主要玩家如下：

不同类型的芯片各具优势：

芯片类型	优劣势
GPU	计算能力强，通用性强，但功耗高
ASIC	通用性低，功耗低（在设计过程中，为特定算法进行定制化硬件设计，去除了算法运行过程中不需要的冗余部分，牺牲通用性来降低功耗）
FPGA	通用性和功耗介于GPU和ASIC之间（进行特定领域算法研究的过渡方案）

整体而言，通用性方面GPU>FPGA>ASIC，功耗方面GPU>FPGA>ASIC。即GPU负责搭建通用框架，FPGA负责调试和改写，ASIC负责细分应用场景，存在互相配合的关系。由于特性差异，训练端及推理端将产生不同的竞争格局：短期内人工智能市场仍将以训练端为主，对应的计算能力强、通用性高的GPU仍将占据主导地位（现阶段异构也将成为行业特征之一）；但长期看对于低功耗、低成本的追求将在推理端显现，AI芯片将过渡至FPGA，最终以ASIC为主。

从时间轴的进度上看，目前GPU技术最为成熟，其次是FPGA及ASIC，有望在2-5年的时间实现较好的发展，而现阶段市场对于ASIC的期望同样较高。

资料来源：苏泊尔产业资本

从企业竞争格局的角度看，GPU领域主要玩家系NVIDIA、AMD，其中NVIDIA市场份额超7成，龙头效应显著；FPGA领域XILINX和Intel合计市场份额超90%，其中XILINX市场份额超50%，整体看在GPU及FPGA领域国内外技术鸿沟显著，短期内难以逾越。而ASIC领域市场较为分散，中国企业有望抓住产业迭代带来的格局变化，目前已涌现了寒武纪、地平线、中星微等优秀企业：

1）ASIC是未来AI芯片的方向，国内外研究起步时间差距小；

2）ASIC在硬件设计上较GPU、FPGA简单，国内企业有望企及；

3）中国下游巨大的市场为ASIC带来客户渠道优势，且庞大的下游也有利于ASIC更好的迭代发展。

从投资角度建议GPU及FPGA关注海外二级市场成熟机会，ASIC关注国内二级市场及一级市场机会，并根据时间轴依次布局GPU、FPGA、ASIC。

技术层——算法与应用技术：路漫漫而上下求索

（一）算法

算法与算力、数据是高度相关的：“弱人工智能”时代算力最为关键，所以即使算法没有质的发展，但伴随算力的腾飞，人工智能开启了第三次发展浪潮；“强人工智能”时代，需依靠算法的发展才能突破算力及数据的瓶颈——摩尔定律下算力的提升越来越难，而量子计算尚未成熟，且数据也并非取之不尽用之不竭的低成本之物。

资料来源：苏泊尔产业资本

现阶段市场上仍以基于神经网络的深度学习为主，而神经网络的模型规模取决于层体（隐藏层）的深度以及每层神经元链接的稠密度，更大体量的网络及更高密度的系统可以在真实环境中处理更复杂的问题并得出更精确的结果，但也需要更大的存储空间及更快的计算速度作为底层支撑。同时现阶段的深度学习以监督学习为主（根据已有数据集明确输入和输出之间的关系，基于此训练出最优模型），其中存在2个痛点：①模型的深度与精度取决于人类训练师；②需要利用形成标签的数据进行运作，意味着更高的成本及更低的效率（数据标记需要大量的人力和成本，同时将面对数据集不完整、数据标记缺失的情况；由于隐私、安全等问题，很多数据难以获取）。

因此未来需沿着“深度学习→强化学习→迁移学习”的路径进行算法升级，在强化学习下智能系统学会从环境到行为的映射，依靠自身经历进行自我学习，依然依赖大数据，但减少对标签数据的依赖；在迁移学习下智能系统学会触类旁通，将已学习到的知识、框架应用到新的目标领域，摆脱对大量数据的依赖。但“路漫漫其修远兮”，强化学习及迁移学习仍需5-10年的时间才能成熟。

资料来源：苏泊尔产业资本

在算法演进的过程中必然会存在过渡方案，暂时无法实现“小数据，大智能”，就设法扩大数据范围：

1）获取无法获取的数据——联邦学习：将算法发往用户设备，并基于本地化数据更新模型，并只将这种更新回传给服务器。无需汇聚模型所需的数据，而是加密的分布式计算，最终汇总成一个完整模型，因此可保护数据隐私，从而使得更多小数据集被释放出来；

2）创造可使用的数据——合成数据训练：尽可能逼真的仿造数据并用以训练，如：NVIDIA的DRIVE Constellation仿真系统，不断模拟车辆行驶的传感器数据，并训练算法，可高频的测试各种罕见的路况及气候环境。

因此从投资的角度看，应该持续关注拥有算法迭代、升级能力的企业。此外，从软件框架的层面看，除APPLE等极少数企业，市场上主要以开源框架为主，且国际龙头仍处于市场领先地位。

资料来源：苏泊尔产业资本

整体看，算法及软件框架涉及到的主要玩家也均呈现一个特点，不会仅就算法而算法，仍然需要通过应用实现价值、获取数据，因此相关企业也基本涵盖下游应用技术及场景应用的布局。

（二）应用技术

从人的个体出发，包含五感：视觉、听觉、嗅觉、味觉、触觉，其中视觉及听觉最为重要，是人从外界获取信息量最大的来源，因此当下人工智能核心布局的领域对应了计算机视觉、智能语音。

资料来源：苏泊尔产业资本

从人工智能整体布局的应用技术看，除计算机视觉、智能语音（语音识别、语义理解）外，还涉及知识图谱，系未来的核心板块。

从人工智能应用技术的发展节奏看，现阶段智能语音的进度领先于计算机视觉，但其中也呈现一些结构性的先后。

资料来源：苏泊尔产业资本

从结构性机会看，智能语音中的语音识别、计算机视觉中的生物识别、人脸识别等技术成熟度相对靠前。相关的技术均展现了一个特征，即通过大数据驱动的方式完成目的，可以通过离线学习的方式实现。但现实生活中人的视觉听觉更为复杂，以人脸识别为例，现实生活中的识别人脸有什么特点：

1）人类识别人脸的功能很强，但只能识别少数量的人脸，如亲友等，超过一定范围后很难识别出陌生人的脸，仅能辨别差异；

2）人类之所以能够精准鉴别熟识的人，是因为在日常生活中建立了各种各样的关系，叠加了不同层次的特征。

因此，未来知识图谱的发展需要叠加到计算机视觉、智能语音才能实现更长足的发展，从“感知智能”跨向“认知智能”，这也是实现迁移学习的关键。短期看，智能语音及计算机视觉亟待解决的问题包括抗干扰能力的加强、远端语音的识别、远近景结合的视觉识别等，但要实现真正的通用性的语义理解及视觉识别仍有很长的路（知识图谱的成熟至少需要5-10年）。因而在知识图谱尚未完善的当下，更多的应用来自于垂直领域深耕的结合。

同时，技术应用的进一步发展与传感器的发展密不可分，多传感器融合是未来发展趋势，同时传感器如何对色彩、图形、动态物进行有效识别亦是重要课题。

应用层——脚踏实地，仰望星空

随着人工智能在应用场景落地成为核心要义，人工智能技术与传统行业经营模式及业务流程逐渐产生融合，对应的市场规模也快速上升。

资料来源：苏泊尔产业资本

从目前人工智能的应用场景看，仍呈现较强的“弱人工智能”特点，以取代机械、简单、重复、无创意性劳动为主，充分发挥机器高效、准确、不易疲劳的优点，例如：安防中的人脸比对，医疗中的影像诊断。

同时，从下游应用领域的市场规模看，也呈现4个特点：

1）技术相对成熟的领域更容易爆发；

2）市场痛点明显，能实际解决问题的带来效益的领域共容易爆发；

3）下游客户支付能力强、价格敏感度低的行业共容易爆发；

4）B端应用相较于C端更容易爆发。

从应用技术的主要玩家布局的下游区域看，安防、金融成为主要领域，受益于下游买单能力和实际需求增长，短期内市场快速增长；而交通（无人驾驶）、医疗、教育、零售等具备增长潜力。

资料来源：苏泊尔产业资本

资料来源：苏泊尔产业资本

同时从主要玩家的情况看，呈现以下特点：

1）玩家在技术层、应用层均有布局；

2）除四小龙等AI创业企业外，大量玩家系从传统产业发展而来。回顾人工智能发展历程，近10年来AI快速发展不是因为某些专注于人工智能技术的公司，而是那些数据智能驱动的数字经济商业模式的崛起，使得必须使用搜索、推荐、人脸识别、语音识别等人工智能算法才能满足业务量增长和实际使用的需求，即业务模式的转变是因，运用人工智能技术是果，因此呈现了不同的产业龙头持续布局人工智能领域的现象，如：阿里巴巴快速增长的订单量使得客服任务量激增，在保持客服团队规模不变的情况下逐步发展了人工智能客服，双11期间吸纳了95%的工作量；海康、大华基于现有硬件优势及安防智能化需求布局AI。相比AI创业企业，这些产业龙头在场景落地上具有先天优势。

因此，人工智能带来的投资机会：①在AI相对成熟的应用场景，产业龙头在转型升级中迎来二次增长，对应二级市场的估值上升；②产业龙头在加码布局AI的过程中对具有技术优势的企业进行并购，带来的强技术公司在一级市场的投资机会；③短期内在垂直领域理解较深，能将技术与应用有机结合并落地而带来的一级市场投资机会。

展望：乘风破浪，探寻弯道超车之路

国内人工智能追赶速度迅猛，但基础薄弱问题突出。在强有力的战略引领和政策支持下、依托庞大的数据体量、丰富的应用场景和高度的互联网普及率，中国人工智能产业持续保持蓬勃发展态势，寻求新一次技术革命下弯道超车的机会。