计算瓶颈突破和商用价值提升引爆AI市场_41页-2mb

报告摘要

人工智能专题深度报告总结

核心内容

人工智能（AI）正经历第三次爆发，其核心在于“计算瓶颈突破”与“商用价值提升”。AI的本质是“用机器取代人类工作”，结合了机器规模化生产与人工个性化生产的优势，可同时实现“低成本与差异化”，大幅提升企业竞争力。

主要观点

AI市场前景广阔：2020年全球AI市场规模预计达到1190亿元，年复合增速约19.7%；中国AI增速预计超50%，市场潜力巨大。
AI产业链传导效应显著：AI基础层（如AI芯片、云计算）盈利爆发，将带动技术层（算法平台）和应用层（各行业渗透）的盈利增长。
计算瓶颈突破推动AI发展：GPU、FPGA、ASIC等芯片计算能力的提升，使得深度学习模型层数可达几千层，从而提升AI模型精度。
AI易取代规则性工作：具有明确规则的工作将被AI快速替代，而自然语言处理等非规则任务替代进程较慢。
AI商业潜能取决于技术成熟度、行业规模与渗透率：AI在智能安防、无人驾驶等需求度与技术成熟度均高的领域具有更大应用潜力。
AI芯片市场竞争激烈：CPU、GPU、FPGA、ASIC各有优劣，AI生态或决定最终胜出的芯片结构。
国内AI芯片产业崛起：国家重视芯片发展，国内芯片设计与制造企业如紫光、华为、中芯国际等正快速成长，有望在国际竞争中占据一席之地。

关键信息

AI行业应用前景

AI在智能安防、无人驾驶等领域的应用潜力大，因这些行业需求度高、技术成熟度较高。
智能安防可关注东方网力、海康威视、大华股份等企业。
无人驾驶可关注四维图新、均胜电子等企业。

AI技术发展瓶颈

深度学习算法在训练过程中计算量呈几何式增长，传统芯片难以满足需求。
自然语言处理是当前AI技术发展的瓶颈，影响AI在语义理解、智能客服等领域的应用。

AI与传统行业融合

AI通过“AI+行业”模式，实现规模化生产与个性化服务的结合。
消费者需求从同质化转向个性化，AI成为满足消费者需求的关键工具。

芯片技术对比

CPU：通用性强，但计算效率较低，适合复杂指令处理。
GPU：并行计算能力强，适合深度学习训练，是目前AI训练环节的主流。
FPGA：在特定任务中计算效率高，能耗低，适合推理输出环节。
ASIC：定制化强，效率高，适合大规模部署，但开发周期长。

国内AI发展

国内芯片进口依赖度较高，但芯片设计与制造企业正在快速崛起。
国家出台多项政策支持AI产业发展，如《“互联网+”人工智能三年行动实施方案》。
国内AI市场增速远超全球，AI上升为国家战略，政策红利持续释放。

风险提示

海外科技巨头AI研发可能受特朗普政策影响，限制岗位保护。
美联储加息可能影响AI产业融资。
AI应用推广不及预期。
芯片与算法研发可能遭遇未知障碍。
基础层与技术层变化迅速，应用层可能难以适应。
国内企业依赖国际开源平台，缺乏核心竞争力，产品同质化严重。

投资建议

关注AI需求度及技术成熟度均高的智能安防、无人驾驶等领域。
可重点投资东方网力、海康威视、大华股份、四维图新、均胜电子等企业。

图表与数据

图1：人工智能分为基础层、技术层、应用层。
图2：波特的成本领先、差异化、集中化战略。
图3：AI可同时降低成本并实现差异化。
图4：中国老龄化加剧，劳动人口占比骤降。
图5：2013年中国制造业相对成本优势不显著。
图6：德勤预言2020年美国制造业竞争力将超越中国。
图7：中国机器人市场提升空间巨大。
图8：产业发展后期，行业从卖方市场转向买方市场。
图9：直接面向消费者的行业需满足个性化需求。
图10：AI可同时降低成本并实现差异化。
图11：汽车制造的产业变迁过程。
图12：算法、数据、算力遭遇瓶颈，AI经历起伏。
图13：2012年以来，AI全球投资总额大幅增长。
图14：2011-2015年人工智能公司风投融资额及数量。
图15：中国人工智能专利数量剧增。
图16：2014-2019年中国人工智能市场规模。
图17：AI指数大幅跑赢市场指数，AI标的超额收益明显。
图18：海外科技巨头（如英伟达）股价持续暴涨。
图19：科大讯飞语音识别股价走势强劲。
图20：AI上升为国家战略，利好政策持续出台。
图21：中国人工智能“三步走”战略目标。
图22：深度学习从无标记数据中提取抽象特征。
图23：NVIDIA GPU 3年间将深度学习效率提升50倍。
图24：NVIDIA TITAN X深度学习训练天数远低于CPU。
图25：NVIDIA深度学习合作伙伴数量增长34倍。
图26：2016年，NVIDIA合作伙伴达19439家。
图27：深度学习图像识别率已超越人类水平。
图28：2016年，百度、科大讯飞、搜狗语音识别率达97%。
图29：CPU结构示意图。
图30：串行计算与并行计算对比。
图31：CPU与GPU内部架构示意图。
图32：英特尔CPU与英伟达GPU性能对比。
图33：FPGA内部结构示意图。
图34：Google TPU实物图。
图35：CPU、GPU、FPGA、ASIC芯片对比。
图36：英特尔、三星、TSMC 10nm芯片技术对比。
图37：操作系统与芯片具有规模效应，易形成寡头垄断。
图38：集成电路产业链。
图39：2016年全球芯片公司营收占比。
图40：2009-2015年中国集成电路市场规模及增速。
图41：中国大陆12寸晶圆厂分布。
图42：中国大陆晶圆厂产能分布。
图43：TensorFlow为最受欢迎的AI开源平台。
图44：Google TPU实物图。
图45：NVIDIA全面布局AI，构建端到端深度学习平台。
图46：NVIDIA GPU 3年间将深度学习效率提升50倍。
图47：英特尔全面布局人工智能领域。
图48：FPGA可明显降低AI算法能耗。
图49：IBM TrueNorth芯片结构、功能与物理形态。
图50：IBM人工纳米级的随机相变神经元构造。
图51：苹果CoreML框架。
图52：A11芯片性能提升。
图53：汽车制造的产业变迁。
图54：AI发展驱动力强，替代人工作业趋势不可逆转。
图55：机器学习与人类学习对比。
图56：当前AI技术仅可模式识别，适用于确定规则场景。
图57：自然语言处理研究内容及分层。
图58：自然语言处理典型任务——机器翻译。
图59：自然语言处理典型应用场景。
图60：实现自然语言处理的主要瓶颈。
图61：AI商业潜能的主要驱动因素。
图62：教育、医疗、金融、安防、无人驾驶AI潜力。
图63：中国安防行业市场规模及增速。
图64：视频监控占安防市场比例高达49%。
图65：各地每千人配备监控摄像机数量。
图66：东方网力营收、净利润及增速。
图67：2017年上半年东方网力营收占比。
图68：Mobileye EyeQ芯片发展蓝图。
图69：ADAS系统对应汽车自动化1-3级。

表格信息

表1：传统神经网络算法与深度学习算法对比。
- 传统神经网络算法：监督学习+误差反向传播，仅标记数据，2-3层结构，易出现欠拟合/过拟合，难以实现全局最优。
- 深度学习算法：非监督学习+参数逐层初始化+误差反向传播，可非标记数据，最高可达158层结构，可实现全局最优，精度提升显著。
表2：2018Q2，NVIDIA与AI相关“数据中心”业务低于预期。
表3：2015年，Mobileye营收增速高达67.36%，呈现爆发增长态势。

总结

人工智能正迎来第三次爆发，其发展依赖于计算能力的提升和商用价值的释放。AI在智能安防、无人驾驶等领域的应用潜力巨大，投资应关注这些行业。国内AI芯片企业正在崛起，有望在未来全球AI市场中占据一席之地。然而，AI发展仍面临诸多风险，如政策限制、技术瓶颈、市场推广不及预期等。因此，投资者需谨慎评估AI产业链各环节的发展潜力与风险。

展开完整摘要