2017年人工智能产业专题咨询研究展望预测分析报告 - 图文

2017年人工智能产业专题 分析报告

(此文档为word格式，可任意修改编辑！）

1

正文目录

1. 人工智能即将进入产业爆发的拐点............................... 6 1.1. 深度学习技术使人工智能达到商用化水平 ....................... 6 1.2 运算力和数据量为人工智能提供引擎 ........................... 10 1.2.1 海量数据为人工智能发展提供燃料 ........................... 10 1.2.2 运算力提升和运算成本下降大幅推动人工智能发展 ............. 11 1.3 资本持续投入催化产品化进程与产业链的构建 ................... 14 1.4 政策加码，加速人工智能发展 ................................. 17 1.4.1 国内人工智能首次写入政府工作报告，政策不断落地 ........... 18 1.4.2 国外人工智能政策 ......................................... 18 2. 人工智能产业链明晰，科技巨头卡位布局 ........................ 19 2.1. 产业链可分为基础支撑层、技术应用层和产品层 ................ 19 2.2. 巨头打造开源平台、布局AI芯片和核心技术 ................... 20 2.2.1. 打造人工智能开源平台，“开放”谋求大生态 ................. 20 2.2.2. 布局AI芯片，抢占技术制高点 ............................. 22 2.2.3. 兼并收购，布局AI应用技术 ............................... 27 2.3. 语音识别、计算机视觉等技术日趋成熟，步入商业化阶段 ........ 29 2.3.1. 语音识别—下一个流量入口 ................................ 29 2.3.2. 计算机视觉—让机器看得懂 ................................ 32 3. 人工智能重塑各行业，场景应用不断落地 ........................ 33 3.1. 机器人遍地开花，服务与工业应用需求不断爆发 ................ 33 3.2. AI+安防 ................................................... 34 3.3. AI+医疗 ................................................... 37 3.4. AI+金融 ................................................... 39 3.5. AI+家居 ................................................... 39 4. 人工智能竞争格局及发展路线 .................................. 40 4.1. 巨头掌握基础层资源，生态构建者 ............................ 40 4.2. 技术层以AI-Saas模式拓展行业应用范围 ...................... 41

2

4.3. 场景应用优先爆发于数据化高的行业 .......................... 42 5. 相关建议 .................................................... 43

图目录

图 1：深度学习与机器学习的关系 .................................. 6 图 2：机器学习原理 .............................................. 7 图 3：机器学习的思路 ............................................ 7 图 4：深度学习与传统计算模式的区别 .............................. 8 图 5：深度学习对图像识别的提升 .................................. 9 图 6：深度学习在人脸识别中的应用 ................................ 9 图 7：线性模型用于交通指示牌识别实验 ........................... 10 图 8：深度神经网络模型用于交通指示牌识别实验 ................... 10 图 9：数据在深度学习中的应用 ................................... 10 图 10：人工智能决策过程 ........................................ 11 图 11：数据在深度学习中的应用 .................................. 11 图 12：人工智能芯片 ............................................ 12 图 13：人工智能芯片 ............................................ 13 图 14：寒武纪芯片 .............................................. 14 图 15：AI行业全球投资额........................................ 15 图 16：2000-2015年成立的人工智能公司数量....................... 15 图 17 AI公司融资额及相应公司数量............................... 16 图 18：国内各领域人工智能公司数量 .............................. 16 图 19：国内人工智能公司获投金额 ................................ 17 图 20：国内平均单个公司获投金额（万元） ........................ 17 图 21：人工智能产业链 .......................................... 20 图 22：2013-2015年GPU市场份额................................. 23 图 23：NVIDIA的DGX-1提升运算能力.............................. 23 图 24：NVIDIA的DGX-1提升深度学习训练速度...................... 24 图 25：英特尔Nervana产品组合 .................................. 24

3

图 26：Google TPU板卡.......................................... 25 图 27：微软基于FPGA的人工智能芯片 ............................. 26 图 28：IBM的TrueNorth芯片的形态、结构 、功能、外形............ 27 图 29：Google Now单词错误率.................................... 30 图 30：科大讯飞中文识别率 ...................................... 30 图 31：中国智能语音产业规模 .................................... 31 图 32：全球智能语音产业规模 .................................... 31 图 33：2008-2011H1公司业绩保持高速增长......................... 32 图 34：我国工业机器人销量 ...................................... 34 图 35：生理特征识别 ............................................ 35 图 36：实现任意脸部遮挡及视角下的实时监测 ...................... 35 图 37：车辆检测 ................................................ 36 图 38：行人检测 ................................................ 36 图 39：人工智能实现实时人群分析 ................................ 37 图 40：ICDAR竞赛成绩........................................... 37 图 41：亚马逊Echo.............................................. 40 图 42：用户通过Echo音响Alexa控制汽车 ......................... 40 图 43：人工智能产业链价值分析 .................................. 41 图 44：巨头掌握基础层资源 ...................................... 41 图 45：世界知识产品组织（WIPO）将百度翻译API集成到官网 ........ 42 图 46：人工智能发展路线 ........................................ 43 图 47：AI公司产业布局模式...................................... 45

4

表目录

表 1：传统深度学习提取特征方法 .................................. 8 表 2：语音识别、人脸识别技术程度 ................................ 9 表 3：人工智能相关国家政策 ..................................... 18 表 4：人工智能相关国家政策 ..................................... 19 表 5：人工智能产业链 ........................................... 22 表 6：巨头布局AI芯片 .......................................... 27 表 7：巨头兼并事件 ............................................. 28 表 8：国外科技巨头AI产品、战略、重点领域一览图 ................ 29 表 9：语音识别厂商技术对比 ..................................... 32 表 10：2016年ImageNet物体识别比赛............................. 33 表 11：AI在医疗中的应用........................................ 38 表 12：国内外智能投顾平台 ...................................... 39 表 13：人工智能A股上市公司 .................................... 44

5

1. 人工智能即将进入产业爆发的拐点

自从2016年3月AlphaGo大战李世石以来，人们对人工智能的关注度空前火热，人工智能无疑会带来下一代科技革命，国内外互联网巨头Google、微软、亚马逊、百度、腾讯、阿里巴巴等在人工智能领域跑马圈地，各国也将人工智能上升到国家战略，企图抢占下一代技术革命的制高点。

这一波人工智能的兴起源于深度学习算法的突破，深度学习算法突破过去人工提取特征的低效率、深层模型难以训练的局限，大大提高了算法的性能；其次，摩尔定律揭示了计算速度和内存容量能够每十八个月翻一番，之前计算性能上的基础障碍被逐渐克服，进入新时期，云计算、GPU的使用为人工智能提供新的可能；互联网、物联网的普及，数据积累呈爆发式积累，为训练算法，实现人工智能提供原料。

1.1. 深度学习技术使人工智能达到商用化水平

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。初期的人工智能研究的重点是以机器学习为代表的统计方法。机器学习是人工智能的一个分支，是目前实现人工智能的一个重要途径。机器学习使机器从数据中自动分析习得规律，再利用规律对未知数据进行预测。机器学习浅层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。

图 1：深度学习与机器学习的关系

6

1. 人工智能即将进入产业爆发的拐点

自从2016年3月AlphaGo大战李世石以来，人们对人工智能的关注度空前火热，人工智能无疑会带来下一代科技革命，国内外互联网巨头Google、微软、亚马逊、百度、腾讯、阿里巴巴等在人工智能领域跑马圈地，各国也将人工智能上升到国家战略，企图抢占下一代技术革命的制高点。

这一波人工智能的兴起源于深度学习算法的突破，深度学习算法突破过去人工提取特征的低效率、深层模型难以训练的局限，大大提高了算法的性能；其次，摩尔定律揭示了计算速度和内存容量能够每十八个月翻一番，之前计算性能上的基础障碍被逐渐克服，进入新时期，云计算、GPU的使用为人工智能提供新的可能；互联网、物联网的普及，数据积累呈爆发式积累，为训练算法，实现人工智能提供原料。

1.1. 深度学习技术使人工智能达到商用化水平

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。初期的人工智能研究的重点是以机器学习为代表的统计方法。机器学习是人工智能的一个分支，是目前实现人工智能的一个重要途径。机器学习使机器从数据中自动分析习得规律，再利用规律对未知数据进行预测。机器学习浅层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。

图 1：深度学习与机器学习的关系

6

本文来源：https://www.bwwdw.com/article/ejg6.html